一种基于RGB‑D信息的人体目标识别与跟随方法，包括如下步骤:第一步，识别目标并得到图像坐标系下目标的位置信息；第二步，得到相机坐标下目标位置信息。在相机坐标系下，获得移动机器人的跟踪距离dk和跟踪偏角θk；第三步，建立模型。根据移动机器人与目标的运动关系，建立移动机器人跟随模型和系统量测模型。第四步，采用假设检验的方式引入自适应因子λk，设计自适应KF滤波器。首先，状态初始化，获取移动机器人的初始跟踪状态；其次，进行时间更新；然后，对量测信息进行更新。最后，由自适应因子计算得到新的新息协方差，更新移动机器人状态信息。本发明有效的减小了系统的量测噪声对跟踪系统的影响，稳定性好，能够控制机器人更好的跟随目标。
📄 2018100675306
📂 G05B13_04
👤 浙江工业大学
📅 2018-01-24
本发明公开了一种基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质，包括以下步骤：步骤1.获取水面监控现场的红外图像；步骤2.利用各向异性滤波器对原始的红外图像进行红外降噪处理；步骤3.利用简化PCNN模型和改进CS算法分割出红外目标对象区域；步骤4.通过PCANet深度学习网络进行目标特征提取，利用SVM分类器进行目标判断与分类，输出目标识别结果并报警。本发明能够有效实现渔政监控红外目标的分类和检测。
📄 2019109728676
📂 G06K9_00
👤 西南大学
📅 2019-10-14
本发明公开了一种基于锚框最优聚类的YOLOv5园林异常目标识别方法，包括：采集园林垃圾样本图像，并对园林垃圾样本图像进行标注，构建园林垃圾图像数据集；利用改进的K‑means算法对园林垃圾图像数据集进行锚框聚类，得到最优的9个锚框；根据最优的9个锚框设置YOLOv5网络模型的锚框尺寸，并对YOLOv5网络模型进行训练，得到训练好的YOLOv5网络模型，利用训练好的YOLOv5网络模型实现园林垃圾识别。在智慧园林场景中，利用本发明的方法，可以将无人机拍摄的视频和图片信息中的粘连的垃圾精准的识别出来，提高了垃圾识别的召回率和准确率，大大减轻了园林中人力和物力的投入，减少了人工巡检的工作。
📄 2022103134553
📂 G06V20_17
👤 南京邮电大学
📅 2022-03-28
本发明涉及融合卷积特征和集成超限学习机的SAR目标识别方法。现有技术将深度卷积神经网络应用于SAR图像目标识别时，为提高识别精度，需解决样本扩充、模型优化设计、长时间训练等问题。为解决在SAR目标识别中，由于各类别目标样本数量的缺乏，引起的分类结果准确性和识别速度不能同时提高的问题，本发明将缩放后的图像通过随机卷积核进行滤波与池化操作，利用随机抽取的方法对得到的特征进行降维，最后用集成超限学习机得到分类结果。本发明提出的方法在极大地提高了识别速度的同时，提高了识别精度，具有更好的应用前景。
📄 2017103585966
📂 G06K9_62
👤 杭州电子科技大学
📅 2017-05-19
本发明公开了一种基于关系网络的复杂场景下遥感图像小样本目标识别方法，本发明针对小样本情况下遥感舰船天气场景覆盖面不足的情况，通过风格迁移生成5种典型天气场景下的遥感舰船影像，将原有特征与度量模块针对不同场景下的遥感舰船影像进行微调，微调结果作为训练集与支持集，用以优化网络参数，提高网络的识别精度。本发明采用风格迁移对遥感图像进行处理，增加训练集数据和支持集数据的天气场景覆盖范围，后续对支持集数据进行高维度特征向量聚类中心提取，减少关系网络的计算量，提高网络识别结果准确度的同时保证了网络的识别速度。
📄 2019111969115
📂 G06V20_10
👤 杭州电子科技大学
📅 2019-11-29
本发明公开了一种面向目标识别的多阶段训练方法，该训练方法的步骤包括：对训练所采用的数据集进行预处理；将预处理的结果用数据集分类模块分成多种类型的数据子集；将多种类型的数据子集按不同的比例进行混合得到多个不同类型的新数据集；将所训练的模型分成多个训练阶段；把多个不同类型的新数据集依次载入不同的训练阶段进行模型训练，本发明在不改变原模型训练时间和原模型大小的前提下，简单高效地通过多阶段训练方式提高了模型识别各种类别的平均精度。
📄 2021103483545
📂 G06K9_62
👤 电子科技大学中山学院
📅 2021-03-31
本发明提供了一种基于改进YOLOv5的舰船目标识别方法及系统，属于机器视觉和目标识别技术领域。该方法包括骤：获取待检测图像，分为训练集和测试集；改进YOLOv5模型：以YOLOv5模型为基本架构，使用CSPOSA模块作为特征提取模块、使用BiFPN结构作为特征融合结构、设置Alpha‑IoU损失函数；利用训练集对改进的YOLOv5模型进行训练；利用训练好的YOLOv5模型对测试集进行检测，输出船舰目标检测结果。利用本发明所提供的识别模型能够准备识别舰船目标，且能够在恶劣天气条件下准确识别，提高了检测精度。
📄 202211365278X
📂 G06V10_82
👤 青岛科技大学
📅 2022-11-03
本发明公开了一种人工智能无人机城市管理目标识别与报警推送装置，包括机体，所述机体的内部固定安装有控制板，所述机体的外表面固定连接有横杆，所述横杆的端头转动安装有旋翼，所述横杆的底部设有铰接座，所述铰接座的一端铰接有支腿，所述支腿的一侧固定连接有复位弹簧，所所述机体的上表面固定连接有安装筒，所述安装筒的内部固定安装有转向电机，所述转向电机的一端转动安装有转向板，所述转向板的一侧设有连接座，所述连接座的一侧铰接有转向筒，所述第一伸缩杆的杆头连接有天线，可以多角度拍摄识别，同时可以松开后悬吊控制，利于保证飞行高度的同时进行低空拍摄，保证安全稳定性，利于组合控制，方便调节使用。
📄 2024100914317
📂 B64U20_87
👤 诸城市综合行政执法大队
📅 2024-01-23
本发明提出了一种跨层融合改进的YOLOv4道路目标识别算法，所用数据集是KITTI道路目标数据集，为了使模型能够更加轻量化的同时还能保持检测精度，本发明方法以YOLOv4为基础网络，借鉴DenseNet的思想，设计了Dense‑SPP跨层空间池化模块和Dense‑特征融合模块，并且对原始模型进行参数剪枝以及削减，设计了轻量化的Dense‑YOLOv4‑Small网络模型，将骨架网络CSPDarknet‑53中CSP模块进行削减，将原本CSP模块中ResUnit的数量统一设置为1个，对网络进行剪枝消除网络的冗余计算，将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在该数据集上对YOLOv4、Dense‑YOLOv4、Dense‑YOLOv4‑Small三个模型进行训练，并对比三种模型的检测速度和检测性能；检测结果表明Dense‑YOLOv4‑Small的检测速度大幅度提升，检测精度几乎不变。
📄 2022100065744
📂 G06V20_54
👤 西安电子科技大学,陕西理工大学
📅 2022-01-05
本发明公开了一种改进YOLOV8的朝天椒多姿态目标识别与定位方法，涉及朝天椒多姿态目标识别与定位技术领域，具体包括以下步骤：在进行目标识别前，实时检测朝天椒果实表面是否附着水滴，并在检测出朝天椒果实表面附着水滴的情况下，继续以下步骤；获取朝天椒果实表面附着水滴的反光信息，并在获取后进行分析，预测果实表面附着的水滴是否会影响目标识别精度；在预测出果实表面附着的水滴会影响目标识别精度的情况下，获取朝天椒果实的图像数据，并在获取后进行分析，识别出真实果实边界并排除反光干扰；根据识别结果，动态调整目标识别框的位置与形状，输出最终定位信息。本发明解决水滴反光干扰问题，提升朝天椒多姿态识别与定位的准确性和稳定性。
📄 2024112907600
📂 G06V20_10
👤 浙江理工大学
📅 2024-09-14
本发明公开了一种基于改进的OIF和SVM实现高光谱伪装目标识别的方法，其内容包括：波段选择：在计算各波段组合间的OIF指数之前，依次对全波段进行去噪、采样、分组三次筛选，减小波段组合范围，最后根据各波段组合的OIF指数选出最佳波段组合。伪装目标识别：改进的SVM算法将SVM与二叉树、马氏距离相结合，先基于马氏距离初识别出部分点；再采用基于二叉树的OCSVM对剩余点进行分类，最终将待测图片的所有点分为各个类别及背景。本发明适用于对各种静态伪装目标的识别，算法速度快、准确率高，能有效减小复杂背景及未经训练的新类别对分类结果的影响。
📄 2020110914300
📂 G06K9_62
👤 燕山大学
📅 2020-10-13
本发明提供了一种红外目标识别方法、装置、设备及介质，包括获取红外摄像机采集到的红外图片数据集；调用训练好的YOLOv5目标识别模型对红外图片数据集的红外图片进行识别处理，生成输出特征张量和模型识别精度；调用注意力模块对输出特征张量和模型识别精度进行过滤处理，生成三个不同尺寸的过滤特征图；小目标识别头、中目标识别头和大目标识别头分别依照对应的不同尺寸的过滤特征图，对待识别物体进行识别。此外，现有的基于领域自适应的红外目标识别技术存在生成的图像质量不够稳定的问题。
📄 2023113495393
📂 G06V10_764
👤 华侨大学
📅 2023-10-18
柿子坊 · 知识产权运营
柿子坊知识产权运营平台