“柳晨华”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于自适应选择机制的稀疏联合模型目标跟踪方法-CN201710347548.7有效
发明人：孔军;刘天山;蒋敏;柳晨华;邓朝阳;杨生 -专利权人：江南大学
申请日： 2017-05-17 - 公布日： 2021-01-08 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于自适应选择机制的稀疏联合模型目标跟踪方法。构造稀疏的判决模型时，利用特征选择机制提取更具辨识力的特征，并以置信值度量为约束，更好地区分出目标和背景；构造稀疏的生成模型时，结合L1正则化和PCA子空间重构思想，使得目标不仅保留充足外观信息，且可有效抵御离群子干扰，并提出一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解。相较于传统的乘性联合机制，本发明提出了一种基于欧式距离的自适应选择机制，通过分别比较上述两种模型的预测结果与前一帧的跟踪结果的差异，计算偏差，判断模型是否发生退化，并以此构建出更加合理的联合模型评估函数来提升跟踪精度。
基于自适应选择机制稀疏联合模型目标跟踪方法

[发明专利]基于L_p范数正则化的增量子空间目标跟踪方法-CN201610077542.8有效
发明人：孔军;柳晨华;蒋敏;鹿茹茹;邓朝阳 -专利权人：江南大学
申请日： 2016-02-03 - 公布日： 2019-05-10 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于L_p范数正则化的增量子空间目标跟踪方法，包括以下步骤：读入视频序列图像,手动标记第一帧目标的图像；利用Ross的方法获取观测值；对前5帧图像直接计算残差来确定当前帧的目标装态，并收集样本，采用Ross的方法获取初始的子空间和均值向量；从第6帧开始，在增广拉格朗日的框架下对观测样本建立目标函数，并进行最小化计算；评估每个候选样本成为当前帧真实目标的置信度，并收集样本；当收集的样本达到5个时，采用Ross的方法增量更新子空间和均值向量。本发明在保证有一定实时性的前提下，对目标在遮挡、光照、运动模糊等挑战下都具有较强的抗干扰性，并能在一个统一的框架下，观测不同稀疏度对跟踪的影响。
基于 sub 范数正则增量空间目标跟踪方法

[发明专利]基于L0正则化的局部稀疏表示目标跟踪方法-CN201610299342.7有效
发明人：蒋敏;沈剑宇;孔军;陈志义;黄顺所;柳晨华;成静 -专利权人：江南大学
申请日： 2016-05-04 - 公布日： 2019-01-25 - 主分类号： G06T7/269 文献下载
摘要：本发明公开了一种基于L0正则化的局部稀疏表示目标跟踪方法，与传统L1目标跟踪方法不同，本发明提出将L0范数与结构化局部稀疏外观模型相结合，充分利用稀疏编码，更好地区别跟踪过程中的目标和背景，并且在对目标进行建模时使用琐碎模板对局部遮挡等干扰进行建模，进一步提高了算法在跟踪过程中对噪声干扰的鲁棒性。为使目标模型在跟踪过程中更好地应对目标外观的不断变化，本发明通过构建目标模板集，在跟踪过程中采用L0范数对目标重构并采用概率性策略将重构结果替换模板集中某一模板，实现模板动态更新，进一步提高了算法稳定性。针对基于L0范数约束的目标函数优化求解的NP问题，本发明采用APG算法实现了有效求解。
基于 l0 正则局部稀疏表示目标跟踪方法

[发明专利]基于核函数匹配的空间金字塔物体识别方法-CN201511002911.9有效
发明人：孔军;张迎午;蒋敏;高坤;柳晨华 -专利权人：江南大学
申请日： 2015-12-28 - 公布日： 2018-11-16 - 主分类号： G06K9/62 文献下载
摘要：本发明专利公开了一种基于核函数匹配的空间金字塔物体识别方法。包含以下步骤：提取物体图像的ED‑SIFT(Efficient Dense Scale‑invariant Feature Transform)描述子；使用k‑means++聚类算法将训练样本的ED‑SIFT描述子聚类，获得视觉词典；引入空间金字塔，使用核函数匹配获得训练样本和测试样本的视觉单词直方图；使用SVM分类器完成训练样本的训练和测试样本的识别。本专利提出的算法对物体图像的识别具有较高的辨识度，并且在训练样本较少的情况下，采用简单的SVM分类器就可以获得良好的分类效果。
基于函数匹配空间金字塔物体识别方法

[发明专利]基于时空模型的目标尺度自适应跟踪方法-CN201510632255.4有效
发明人：蒋敏;吴佼;孔军;柳晨华;皮昕鑫 -专利权人：江南大学
申请日： 2015-09-29 - 公布日： 2018-08-28 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于时空模型的目标尺度自适应跟踪方法，包括以下步骤：视频开始，读入第一帧图像，手动指定跟踪目标矩形位置；然后基于上下文空域，初始化时空模型及多尺度历史目标模板库；接着读入下一帧图像，迭代构建时空模型，计算置信图，估计目标中心位置；然后根据历史目标模板库，判断模板最优尺度，确定目标矩形位置，完成当前帧目标跟踪，并更新时空模型尺度参数及多尺度历史目标模板库；最后检测视频是否结束，未结束继续读入下一帧，否则结束跟踪。本发明在目标遭受光照变化、局部遮挡以及快速移动等干扰的情况下，有效应对了目标外观尺度的变化，实现了鲁棒跟踪。
基于时空模型目标尺度自适应跟踪方法