-
公开(公告)号：CN110675360B
公开(公告)日：2022-04-01
申请号：CN201910712025.7
申请日：2019-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度图像的实时平面检测及提取的方法。本发明包括如下步骤：步骤1：对深度图像做预处理，并对深度图像提取区块信息；步骤2：对区块的几何参数分布做降维统计；步骤3：对估计的各个平面法向量查找平行平面；步骤4：平面参数优化。本发明根据深度图像的成像原理及平面结构的空间特性，使得计算机可以实时地通过深度图像获取环境中的平面结构信息，使得三维重建结果更加准确。从而准确高效地从深度图像中提取平面结构信息。
-
公开(公告)号：CN103530603B
公开(公告)日：2017-01-04
申请号：CN201310439344.8
申请日：2013-09-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于LDA-HMM的环路图模型视频异常检测方法。现有的方法在HMM状态确定LDA主题特征的概率推理中，视频异常检测会受到概率拖尾问题和模型过度拟合或欠拟合问题的困扰。本发明首先选取正常场景的视频段作为训练数据，经过低层特征提取，LDA主题特征提取，通过环路模型参数推理，训练出一个LDA-HMM环路模型。异常检测时，将正常场景视频段和含异常事件视频段数据处理后分布送入已训练好的环路模型中，根据前向算法，得到每一帧的似然函数，当似然函数差大于某一阈值时，判断该帧出现异常。本发明很好地解决了概率拖尾及模型阶数需人为设定的问题，使视频异常检测达到更加精确的效果。
-
Patent Agency Ranking
公开(公告)号：CN103530603A
公开(公告)日：2014-01-22
申请号：CN201310439344.8
申请日：2013-09-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于LDA-HMM的环路图模型视频异常检测方法。现有的方法在HMM状态确定LDA主题特征的概率推理中，视频异常检测会受到概率拖尾问题和模型过度拟合或欠拟合问题的困扰。本发明首先选取正常场景的视频段作为训练数据，经过低层特征提取，LDA主题特征提取，通过环路模型参数推理，训练出一个LDA-HMM环路模型。异常检测时，将正常场景视频段和含异常事件视频段数据处理后分布送入已训练好的环路模型中，根据前向算法，得到每一帧的似然函数，当似然函数差大于某一阈值时，判断该帧出现异常。本发明很好地解决了概率拖尾及模型阶数需人为设定的问题，使视频异常检测达到更加精确的效果。
-
公开(公告)号：CN110675360A
公开(公告)日：2020-01-10
申请号：CN201910712025.7
申请日：2019-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度图像的实时平面检测及提取的方法。本发明包括如下步骤：步骤1：对深度图像做预处理，并对深度图像提取区块信息；步骤2：对区块的几何参数分布做降维统计；步骤3：对估计的各个平面法向量查找平行平面；步骤4：平面参数优化。本发明根据深度图像的成像原理及平面结构的空间特性，使得计算机可以实时地通过深度图像获取环境中的平面结构信息，使得三维重建结果更加准确。从而准确高效地从深度图像中提取平面结构信息。
-
公开(公告)号：CN103617347A
公开(公告)日：2014-03-05
申请号：CN201310568078.9
申请日：2013-11-14
Applicant: 杭州电子科技大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于跑步机的使用者异常状态动态监测方法。首先采集跑步机用户的训练数据，接着对数据进行预处理，然后利用LDA提取处理后数据的语义特征，接着用此语义特征作为观测量进行正常状态知识的累积即HMM的训练，最后利用获取的模型和语义特征进行异常状态的判断。本发明利用基于跑步机用户异常状态动态监测算法，实现快速准确监测，达到了边训练边监测边累积正常状态知识的目的，并较好地解决了使用者健康状态未知情况下的监测问题，从而使监测更加智能。
-
公开(公告)号：CN110533067A
公开(公告)日：2019-12-03
申请号：CN201910660518.0
申请日：2019-07-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的边框回归的端到端弱监督目标检测方法。本发明在弱监督卷积神经网络中，经过卷积层，选择性搜索的边框经过特征图进行金字塔池化层和两个全连接层后输出预测边框的特征向量，后面再接一个全连接层和类别上的softmax层；最后输出选择性搜索框中的对应每个物体类的预测分数；选择每个类的得分最高的框最为这个类的伪标注边框；利用每个类别的检测出的最高分数的边框作为伪标注边框对弱监督模型预测出的物体框进行回归，从而产生回归损失函数，回归损失函数和弱监督模型的分类以及定位损失函数共同组成新的损失函数监督弱监督检测模型。本发明减少了检测时间，提高了目标检测的效率。
-
公开(公告)号：CN103077302A
公开(公告)日：2013-05-01
申请号：CN201210574024.9
申请日：2012-12-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于平衡板使用者健康状态动态监测方法。现有的方法不能够及时有效的解决使用者健康状态监测问题且处理程序繁琐。本发明首先采集wii平衡板使用者的训练数据，接着对数据进行预处理，然后提取处理后的数据的语义特征，接着用此语义特征作为观测量进行正常状态知识的累积即HMM的训练，最后利用获取的模型和语义特征进行健康状态变化的判断。本发明利用基于平衡板使用者健康状态动态监测算法，实现快速精确监测，边监测边训练边累积正常状态知识的目的，并较好地解决了使用者健康状态未知情况下的监测问题，从而将使监测更加智能。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
