本发明公开了一种基于多特征融合的静态手势图像识别方法。利用综合多要素的图像处理方法对原始的手势图像进行分割，然后对分割后的手势图像进行局部特征提取，局部特征包含Gabor特征、HOG特征和Hu矩特征；将原始的手势图像转换成灰度图像，然后构建了一个双通道卷积神经网络分别提取手势图像的特征，将提取的特征进行求和作为深层次特征；将手势图像的局部特征和深层次特征进行融合，获得融合特征；将融合特征输入到分类器中分类获得不同类别的概率，以最大概率的类别作为手势图像中的手势类别识别结果。本发明提出的方式能够解决复杂背景下的26种手势字母的识别问题，且获得了较高的识别率。
📄 2019113364193
📂 G06V40_10
👤 上海梓梦科技有限公司
📅 2019-12-23
本发明涉及一种基于自适应多特征融合的微小目标检测方法，属于目标检测领域。对提取后的特征先经过传统特征金字塔结果进行特征融合，在这基础上，本发明额外设计了一条路径进一步进行特征融合，再使用自适应多特征融合算法进行多尺度融合，使得微小目标的语义信息在多尺度特征层中进行传播，丰富微小目标的语义信息和纹理信息。同时，使用k‑means算法获得更加合理的先验框参数，加速网络收敛、提高模型精度。最后，对检测结果进行非极大值抑制，筛除重叠物体框。整个网络采用端到端的方式不断更新网络权值，直至收敛。最终，本发明自适应多特征融合的微小目标检测算法能够有效地完成微小目标检测。
📄 2020112041309
📂 G06V10_80
👤 玛恩医云(重庆)数字医疗科技有限公司
📅 2020-11-02
本发明公开了一种多特征融合杂草检测方法，首先单独截取玉米幼苗与杂草区域作为正负数据集；接着提取玉米幼苗与杂草的HOG特征、旋转不变LBP、Gabor特征、灰度共生矩阵GLCM、灰度梯度共生矩阵GGCM五种特征；然后整合多特征数据投入支持向量机SVM进行分类器训练，得到用于玉米幼苗和杂草的分类模型；最后利用该分类模型对未经训练的玉米农田图像进行测试，对比分析五种不同特征组合下的综合识别性能，得到实验结果准确率最优的多特征组合方式。本发明提出的检测方法提供了检测杂草的最优融合策略，可以有效识别出玉米苗株与田间杂草，具有很强的特征表达与分类能力，为后续智能变量喷药、除草等田间管理提供信息。
📄 202011407548X
📂 G06V20_52
👤 西安理工大学
📅 2020-12-04
本发明公开了一种基于多特征融合和卷积神经网络的苹果叶部病害识别方法，首先利用多特征融合方法对原始图像进行降噪和分割；然后将分割后的图像作为卷积神经网络的原始数据集，并通过数据扩充的方式对原始数据集进行扩充，最后利用扩充后的数据集对网络模型进行训练，并使用梯度下降法优化模型权重参数。采用本发明中的方法对苹果叶部病害进行识别时，无需进行手工标注，能够在复杂背景下对苹果叶部病虫害图像进行准确识别，准确率达到97.05％，识别时间为2.7s，有效解决苹果叶部病害的自动识别问题。
📄 202010705693X
📂 G06V20_10
👤 陕西工业职业技术学院
📅 2020-07-21
本发明公开了一种基于多特征融合网络的图像修复方法，包括：S1基于多特征融合的生成网络；S2编码器中基于多级特征提取的下采样模块；S3解码器中基于多级特征提取的上采样模块；S4解码器中基于亚像素的上采样层；S5基于块的判别网络。本发明首先将待修复图像输入基于多特征融合的生成网络中，得到具有一定结构信息的初始修复图像；然后将初始修复图像输入到基于多特征融合的精细生成网络中，进一步填充高频信息；通过计算重建损失、结构损失和对抗损失，优化网络参数，使得修复后的图像具有清晰合理的结构信息及有序的纹理信息，提升修复后图像的视觉质量。
📄 202110621167X
📂 G06T5_00
👤 杭州电子科技大学
📅 2021-06-03
本发明公开的一种基于多特征融合的手指灵活性检测方法，首先利用置于手部运动垂直上方的RGB相机拍摄正常人和有手部功能障碍的人在设计好的游戏环境下运动的敲击键盘的手部运动视频，然后再将视频提取成视频帧，经过OpenPose模型得到手部21个关节点的坐标，然后根据敲击键盘的时间序列得到手指敲击键盘前后瞬间的视频帧集合，然后计算手指运动的角度变化和角速度，然后计算正常人和有手部功能障碍人敲击键盘每个手指的准确率，最后将平均角速度和手指敲击键盘的准确率融合，通过SVM训练，判断并分类出手指灵活性较差的人群。本发明通过采集手部运动特征，得到手指灵活性检测模型，判断并分类出手指灵活性较差的人群，其分类的准确率在75％以上。
📄 2021107222262
📂 G06V40_20
👤 西安理工大学
📅 2021-06-28
本发明公开一种基于深度学习的多特征融合单相接地故障类型辨识方法，主要步骤为：1)获取现场故障录波装置采集的故障录波数据；2)进行故障录波数据预处理，并对预处理后的故障录波数据进行基于HHT的时频分解，得到对应的时频信息特征；3)将步骤2处理得到的故障录波数据的时频信息特征构造为初级数据集；4)搭建并训练基础学习器Resnet18，提取数据集中的复杂非线性特征；5)搭建并训练基础学习器LSTM，提取数据集中的时序关联特征；6)将步骤4、5中学习并提取得到的复杂非线性特征和时序关联特征进行拼接融合，构造次级数据集，并结合决策树模型辨识出具体的单相接地故障类型。本发明具有良好的精确度和鲁棒性能，通用性好。适用于包括间歇性弧光接地故障和高阻接地故障在内的多种单相接地故障类型的辨识，辨识结果可为后续制定有针对性的故障处理措施提供可靠依据。
📄 2022103559568
📂 G01R31_08
👤 重庆大学
📅 2022-04-06
本发明实施方式提供一种基于多特征融合的岩体失稳阶段预测方法及装置，属于岩体失稳预测技术领域。方法包括：获取岩体的声发射信号；对获取到的声发射信号进行混合域特征提取；依据每个特征参数和预设的BP神经网络模型得到预测误差；建立D‑S证据理论识别框架，识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；依据预测误差构建特征参数的基本概率分配函数并计算特征参数与岩体失稳各阶段的信任度值；依据得到的信任度值，通过D‑S证据理论对同一个识别子框架下的所有特征参数进行融合并基于融合后的特征参数进行岩体失稳阶段预测。本发明实现了对岩体失稳各阶段的准确预测，有效解决了单特征参数预测不准确的问题。
📄 2019106389834
📂 G06K9_62
👤 江西理工大学
📅 2019-07-16
一种基于多特征融合的铣削声压级监测及预测系统，包括数控机床及工件系统、声压和振动测量系统、三向测力系统、温度测量系统，由上述系统可监测并获得给定铣削参数下的铣削声压、三向振动、三向铣削力、铣削温度。分别建立声压级的融合铣削力与铣削参数的第一单项模型、融合铣削温度与铣削参数的第二单项模型、融合铣削三向振动与铣削参数的第三单项模型；基于误差平方和倒数得到各单项模型在组合模型中的加权系数，建立融合铣削力‑振动‑热及铣削参数的铣削声压级组合预测模型，对比声压级实测数据，所得模型相关性好、可靠性高，本发明能为铣削加工状态的监测及铣削噪声提供声压级的预测科学的指导。
📄 2019111533981
📂 B23Q17_00
👤 江苏师范大学
📅 2019-11-22
本发明涉及一种多特征融合的抗遮挡目标跟踪方法，属于计算机视觉目标跟踪领域。该方法用于解决在运动目标跟踪过程中出现的目标遮挡问题。核心方法包括：通过平均峰相关能量评估跟踪置信度；使用多特征HOG特征和CN特征对目标进行描述；对每个特征分别评估其跟踪置信度用以确定每个特征的融合权重，得到对目标的融合跟踪置信度；通过融合跟踪置信度的大小以及相关响应峰值来判断目标的遮挡情况；根据遮挡情况动态调整特征模型的学习率更新模型。
📄 2020101164292
📂 G06T7_246
👤 重庆邮电大学
📅 2020-02-25
柿子坊 · 知识产权运营
柿子坊知识产权运营平台