-
公开(公告)号：CN107463942B
公开(公告)日：2020-09-08
申请号：CN201710541051.9
申请日：2017-07-05
Applicant: 常州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于边界点的抗噪支持向量机的水蜜桃品质分级方法，其步骤如下：(1)采集不同品质等级的水蜜桃可见/近红外光谱数据，并对可见/近红外光谱数据进行预处理和PCA特征提取；(2)将不同品质等级的水蜜桃可见/近红外光谱样本集两两组合，建立多组水蜜桃可见/近红外光谱训练集；(3)使用基于边界点的抗噪支持向量机对训练集进行训练，得到多个水蜜桃品质等级分类器；(4)利用水蜜桃品质等级分类器对待分级的水蜜桃可见/近红外光谱进行检测。本发明使用基于边界点的抗噪支持向量机对水蜜桃的可见/近红外光谱进行检测，具有检测速度快、抗噪能力强、分类准确性高等优点，可实现在噪声检测环境下对水蜜桃品质等级分级。
-
Patent Agency Ranking
公开(公告)号：CN107358200B
公开(公告)日：2020-09-18
申请号：CN201710568659.0
申请日：2017-07-13
Applicant: 常州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，具体包括以下步骤：步骤1，从数据集中提取行人目标特征作为行人的原始特征；步骤2，根据原始特征，利用稀疏学习提取行人目标的高层语义特征；步骤3，将高层语义特征映射到公共隐空间；步骤4，建立稀疏表示模型，并稀疏表示出样本特征；步骤5，利用步骤4处理好的样本特征进行行人匹配。本发明突破了传统的单摄像机视域限制，有效扩大了监控空间，消除了大范围监控存在的摄像头盲区，并将时间和空间上分离的目标在不同摄像机中进行匹配。本发明的方法对行人目标姿态变化、光照条件变化具有很强的鲁棒性。
-
公开(公告)号：CN107993311A
公开(公告)日：2018-05-04
申请号：CN201711126624.8
申请日：2017-11-15
Applicant: 常州大学
Inventor： 万建武
Abstract: 本发明公开了一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法；属于人脸图像处理领域；包含如下步骤：设置错分代价矩阵；代价敏感的隐语义回归；模型预测；本发明针对真实人脸识别门禁系统中的半监督和代价敏感学习问题，设计了一种代价敏感的统一学习框架，用于联合学习人脸图像的隐语义表示、无标签训练样本的标签信息和代价敏感的分类器。在仅使用少量监督训练样本的条件下，本发明提出的代价敏感隐语义回归模型能够最小化人脸识别门禁系统的整体错分损失，因此具有较高的实用价值。
-
公开(公告)号：CN107993311B
公开(公告)日：2020-05-26
申请号：CN201711126624.8
申请日：2017-11-15
Applicant: 常州大学
Inventor： 万建武
Abstract: 本发明公开了一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法；属于人脸图像处理领域；包含如下步骤：设置错分代价矩阵；代价敏感的隐语义回归；模型预测；本发明针对真实人脸识别门禁系统中的半监督和代价敏感学习问题，设计了一种代价敏感的统一学习框架，用于联合学习人脸图像的隐语义表示、无标签训练样本的标签信息和代价敏感的分类器。在仅使用少量监督训练样本的条件下，本发明提出的代价敏感隐语义回归模型能够最小化人脸识别门禁系统的整体错分损失，因此具有较高的实用价值。
-
公开(公告)号：CN107463942A
公开(公告)日：2017-12-12
申请号：CN201710541051.9
申请日：2017-07-05
Applicant: 常州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于边界点的抗噪支持向量机的水蜜桃品质分级方法，其步骤如下：(1)采集不同品质等级的水蜜桃可见/近红外光谱数据，并对可见/近红外光谱数据进行预处理和PCA特征提取；(2)将不同品质等级的水蜜桃可见/近红外光谱样本集两两组合，建立多组水蜜桃可见/近红外光谱训练集；(3)使用基于边界点的抗噪支持向量机对训练集进行训练，得到多个水蜜桃品质等级分类器；(4)利用水蜜桃品质等级分类器对待分级的水蜜桃可见/近红外光谱进行检测。本发明使用基于边界点的抗噪支持向量机对水蜜桃的可见/近红外光谱进行检测，具有检测速度快、抗噪能力强、分类准确性高等优点，可实现在噪声检测环境下对水蜜桃品质等级分级。
-
公开(公告)号：CN107358200A
公开(公告)日：2017-11-17
申请号：CN201710568659.0
申请日：2017-07-13
Applicant: 常州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于稀疏学习的多摄像机非重叠视域行人匹配方法，具体包括以下步骤：步骤1，从数据集中提取行人目标特征作为行人的原始特征；步骤2，根据原始特征，利用稀疏学习提取行人目标的高层语义特征；步骤3，将高层语义特征映射到公共隐空间；步骤4，建立稀疏表示模型，并稀疏表示出样本特征；步骤5，利用步骤4处理好的样本特征进行行人匹配。本发明突破了传统的单摄像机视域限制，有效扩大了监控空间，消除了大范围监控存在的摄像头盲区，并将时间和空间上分离的目标在不同摄像机中进行匹配。本发明的方法对行人目标姿态变化、光照条件变化具有很强的鲁棒性。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
