-
公开(公告)号：CN119310566A
公开(公告)日：2025-01-14
申请号：CN202411517875.9
申请日：2024-10-29
Applicant: 南京邮电大学
IPC: G01S13/88 , G01S7/41 , G01S7/35 , G06F18/2131 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06N3/048
Abstract: 本发明属于MIMO雷达和神经网络技术领域，公开了一种基于MIMO雷达的穿墙人体姿态估计方法，该人体姿态估计方法采用MIMO雷达系统捕获该信号，通过分析场景中人体反射产生的原始雷达信号并利用傅里叶变换处理所得信号以提取多普勒信息，结合原始信号和多普勒信号，构建了一个人体姿态的水平特征矩阵和垂直特征矩阵，该特征矩阵随后被输入至一个Transformer网络进行训练与学习，以实现人体姿态估计。本发明可以在轻量数据以及轻量网络的情况下，提高系统的泛化能力，具有鲁棒性强，稳定性高、实时性和高效性的特点。
-
公开(公告)号：CN117808689A
公开(公告)日：2024-04-02
申请号：CN202311448167.X
申请日：2023-11-02
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/60 , G06T3/4038 , G06T7/521 , G06T7/55 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/098 , G06V10/26 , G06V20/70 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/82 , G01S13/86
Abstract: 基于毫米波雷达与摄像头融合的深度补全方法，利用多模态融合与监督的方法，预处理毫米波雷达点云与摄像头图像数据，在训练中将毫米波雷达点云和摄像头图像作为神经网络的输入，累积多帧毫米波雷达点云并投影至图像上，同步毫米波雷达点云与图像数据，累积多帧激光雷达并执行光流估计与语义分割以去除噪音作为神经网络深度补全的标签监督。经过训练后的系统，只需要使用毫米波雷达点云与摄像头图像作为输入就可以实现对真实场景的深度补全的深度输出。通过上述方式，本方法能够实现在降低经济与计算成本且不考虑光照、恶劣天气条件等情况下提升对深度图的准确度，具有鲁棒性强，稳定性、实时性、高效性的特点。
-
公开(公告)号：CN111030809B
公开(公告)日：2023-04-21
申请号：CN201911196611.7
申请日：2019-11-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种可支持LSSS矩阵的格上基于属性签名方法，该方法为系统中输入安全参数λ，私钥生成中心PKG生成系统公共参数PK和系统主密钥MK，公共参数PK公开，主密钥MK由PKG保存；签名者输入公共参数PK，主密钥MK和访问结构T，生成和访问结构T相关联的签名私钥SK，并将签名私钥通过安全信道发送给签名者；输入公共参数PK，待签名的消息空间σ，签名密钥SK，签名者属性集W，输出属性集W满足访问结构T的签名者对于消息M的签名σ；输入待验证签名σ，签名的消息空间σ和签名者属性集W，判断属性集合W对于消息M的签名是否真实有效的输出，是则输出1，否则输出0。本发明采用的KP‑LABS算法中私钥与访问结构相关，签名与签名者属性集相关，更容易实现数据拥有者对访问者的权限控制；采用线性秘密共享结构访问结构，能够实现对访问者的属性细粒度地描述，灵活的控制访问权限。
-
公开(公告)号：CN115345906A
公开(公告)日：2022-11-15
申请号：CN202211007781.8
申请日：2022-08-22
Applicant: 南京邮电大学
Abstract: 一种基于毫米波雷达的人体姿态追踪方法，将射频信息处理为水平加垂直热图作为神经网络的输入，使用自下而上的方法输出人体姿态；同步获取场景中视觉和射频信息；以HRNet作为教师网络，使用N‑Joint人体模型建模，进行人体姿态估计，计算人体骨骼关键点在像素坐标系中的坐标，并以此监督射频信息的学习；使用卡尔曼滤波器根据历史射频帧推理的姿态信息预测遮挡情况下的人体姿态，能够有效地解决遮挡情况下的姿态信息缺失；使用匈牙利算法实现数据关联，通过计算相邻帧之间的姿态的相似度，能够有效的对帧之间的姿态信息进行关联，并对每一个被关联成功对象建立一个轨迹集合，后续帧被成功匹配的姿态信息都将被关联在对应的轨迹集合中，从而实现对目标的跟踪。
-
公开(公告)号：CN115293217A
公开(公告)日：2022-11-04
申请号：CN202211013148.X
申请日：2022-08-23
Applicant: 南京邮电大学
Abstract: 一种基于射频信号的无监督伪标签优化行人重识别方法，训练数据记为集合X，以Resnet50网络提取数据特征Xkey，利用DBScan方法给数据分类，并分配伪标签，将所有伪标签分为可信任标签和含有噪声标签的两个部分，分别使用两个网络不断预测未标签数据，当损失函数足够收敛时，即获得高质量的伪标签。将每一个聚类的特征标记为C1，C2，C3…CN并存储在内存的记忆字典中。之后采用P×K采样法抽取P个行人的数据，每个行人K张图片。对于每一个行人，选择最难表示的一张图片作为样本，动态更新Ci聚类特征。采用聚类对比损失的方法将查询实例与集群特性中的所有聚类特征C进行比较，直到所有聚类特征更新完毕，重复采样的过程。循环整个过程直到损失函数收敛，保存模型。
-
Patent Agency Ranking
公开(公告)号：CN109085569B
公开(公告)日：2022-11-01
申请号：CN201810914787.0
申请日：2018-08-13
Applicant: 南京邮电大学
IPC: G01S13/66
Abstract: 本发明提出一种基于区域划分的多雷达航迹关联方法，针对目前多雷达航迹关联融合算法计算量大及航迹关联时易受其他航迹影响而产生关联错误等缺陷，对其进行改进。首先在数据预处理的时候对航迹进行区域划分，后续的关联融合流程再基于航迹区号进行关联计算，避免不相干航迹的干扰，使算法能在处理流程上提高航迹关联的准确性。而且能够最大程度的避免大量不必要的冗余计算，使得算法更适用于数据量大的场景。
-
公开(公告)号：CN111950341B
公开(公告)日：2022-09-27
申请号：CN202010565003.5
申请日：2020-06-19
Applicant: 南京邮电大学 , 南京优倍电气有限公司
Abstract: 本发明公开了一种基于机器视觉的实时手势识别方法及手势识别系统，根据人体和手部的特点，提出了基于人体关节点识别实现手部定位、基于手部定位实现手部关节点识别、基于手部关节点识别实现手势识别的“人体关节点识别、手部定位、手部关节点识别、手势识别”四个步骤的手势识别思路，针对人体关节识别、手部关节识别、手势识别的任务特点设计了神经网络结构，同时在手部关节点识别实现手势识别环节中，设计了一种手势训练数据生成方式并通过迁移学习实现了手势识别，最后通过对网络的轻量化设计和系统的数据传输结构的设计使系统能够达到实时的手势和手部关节识别。
-
公开(公告)号：CN110765856B
公开(公告)日：2022-08-12
申请号：CN201910863733.0
申请日：2019-09-12
Applicant: 南京邮电大学
Abstract: 基于卷积的低质量手指静脉图像边缘检测算法，首先利用图像的中心线把水平放置的手指分为上下两部分，分析上下两部分手指边界处像素灰度值的变化情况，设计对应的卷积矩阵，接着利用预先设计好的卷积矩阵分别对手指上下两部分进行运算，得到粗略检测出的手指边界。对于低质量指静脉图像，粗检测的手指边界往往存在缺失断裂的情况，因此，需要判断粗检测的手指边界是否存在断裂的情况，如果边界完好，则完成边缘检测，如果边界存在断裂情况，则采用多项式拟合的方法对边界进行修复。本方法可以实现手指边界与设备背景融合的低质量指静脉图像的边缘检测，具有较强的鲁棒性，能够提高指静脉识别系统的可靠性。
-
公开(公告)号：CN110751029B
公开(公告)日：2022-08-02
申请号：CN201910864346.9
申请日：2019-09-12
Applicant: 南京邮电大学
Abstract: 基于最大曲率自适应静脉提取方法，首先对读入含有指静脉信息的图像进行背景自适应弱化处理，用以解决在静脉提取过程中背景噪声带来的干扰问题；接着对经过背景自适应弱化处理的图像进行多方向的曲率值计算并确定中心点位置，然后进行中心点的自适应筛选剔除伪静脉中心点；最后在经过处理的静脉中心点位置处还原灰度值从而获得多张静脉纹路图，将多张静脉纹路图进行融合、后处理操作以及二值化操作，最终获得二值化静脉纹路图。本方法用以解决采集的源图片质量低、布光不均匀、图像模糊等情况下不能提取到良好的静脉纹路问题，以提高指静脉纹路的提取质量，提高指静脉识别系统的识别率。
-
公开(公告)号：CN110070214B
公开(公告)日：2022-07-26
申请号：CN201910262136.2
申请日：2019-04-02
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于天气相似度的D‑WSMA太阳能收集功率预测方法，首先在历史数据中选取参考数据，包括参考天和参考时刻的太阳能功率信息；然后利用方差定义数据的相似度，计算参考天参考时刻对预测时刻的权重因子α。同时，根据参考天的权值计算参考天参考时刻的加权平均值，再与平均值加权后得到参考时刻的综合值，计算当前天参考时刻样本值和综合值的比值β。最后基于D‑WCMA算法，计算动态变化权重因子G。本发明基于天气相似度刻画不同参数的影响程度，不仅定量给出了参考天和参考时刻对预测值的权重，而且由权重综合得到参考时刻的综合值，预测效率更高。
-
-
-
-
-
-
-
-
-
Search Results
465
records
(took 0.036 seconds)
