“李纳森”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]基于卷积神经网络提取图像特征信息的方法及装置-CN202010597462.1有效
发明人：程德强;郭昕;张皓翔;寇旗旗;赵凯;高蕊;李纳森 -专利权人：中国矿业大学
申请日： 2020-06-28 - 公布日： 2023-08-08 - 主分类号： G06V10/44 文献下载
摘要：本发明涉及一种基于卷积神经网络提取图像特征信息的方法及装置，属于图像处理技术领域，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块；基于像素值依次为N个像素块添加标签，得到M个标签；获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。实现了图像特征信息的提取，节省了卷积的时间。
基于卷积神经网络提取图像特征信息方法装置

[发明专利]一种基于颜色和纹理信息的运动目标识别装置及方法-CN201910506528.9有效
发明人：寇旗旗;程德强;于文洁;吕晨;孙红光;袁永;李纳森;徐冬冬 -专利权人：中国矿业大学
申请日： 2019-06-12 - 公布日： 2023-07-25 - 主分类号： G06T7/246 文献下载
摘要：本发明提出一种基于颜色和纹理信息的运动目标识别装置及方法，包括视频采集单元、显示单元、目标识别单元和PC控制单元，所述目标识别单元包括FPGA模块和数字信号处理模块，所述数字信号处理模块对FPGA模块预处理后的图像数据进行特征提取、信息融合以及进行目标识别计算，并将识别计算结果通过PC控制单元传输至显示单元；本发明通过利用在HSV颜色空间中对光照变化不敏感的H和S分量进行颜色特征信息的提取，可以提高对目标识别过程中对非均匀光照的鲁棒性，通过利用微分几何中的图像几何表面曲率结构对运动目标进行纹理特征信息的提取，可以提高照明不均匀、颜色背景相似条件下的运动目标的识别率。
一种基于颜色纹理信息运动目标识别装置方法

[发明专利]基于巡检机器人单目图像获取深度图像的方法及装置-CN202010987267.X在审
发明人：程德强;付新竹;李纳森;寇旗旗;陈亮亮;龚飞 -专利权人：中国矿业大学
申请日： 2020-09-18 - 公布日： 2020-12-18 - 主分类号： G06T7/55 文献下载
摘要：本发明涉及一种基于巡检机器人单目图像获取深度图像的方法及装置，属于图像处理技术领域，解决了现有现有的方法获得的深度图像精确度较低的问题。方法包括：构建多尺度卷积神经网络；所述多尺度卷积神经网络包括第一尺度卷积神经网络、第二尺度卷积神经网络和第三尺度卷积神经网络；基于变焦距数据集对所述多尺度卷积神经网络进行训练，得到多尺度卷积神经网络的最优网络结构并保存；将巡检机器人拍摄的单目图像输入所述多尺度卷积神经网络的最优网络结构，得到单目图像对应的深度图像，提高了深度图像的精确度。
基于巡检机器人图像获取深度方法装置

[发明专利]一种应用于图像三维重建的图像匹配方法及系统-CN202010627488.6在审
发明人：程德强;龚飞;李纳森;寇旗旗;陈亮亮;李海翔 -专利权人：中国矿业大学
申请日： 2020-07-02 - 公布日： 2020-10-13 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种应用于图像三维重建的图像匹配方法及系统，属于图像匹配技术领域，解决了现有技术中图像匹配算法存在的特征提取速度慢或检测到的特征点不具有旋转不变性、精确匹配过程计算量大以及匹配效率低等问题。方法步骤包括：获取并预处理参考图像和待匹配图像；利用AKEZE算法分别获得预处理后的参考图像和待匹配图像的特征点，并生成特征点对应的特征描述符；基于参考图像和待匹配图像的特征描述符之间的欧式距离，得到参考图像和待匹配图像的粗匹配特征点对集合；获取参考图像和待匹配图像的粗匹配特征点集的平均值，并基于平均值构建几何矩阵及距离度量模型，获得精度匹配特征点对，并完成参考图像和待匹配图像之间的匹配。
一种应用于图像三维重建匹配方法系统

[发明专利]一种移动巡检机器人双目图像拼接的特征匹配方法-CN201910534549.1在审
发明人：程德强;吕晨;李纳森;李岩;李晓晖;刘海;张国鹏 -专利权人：中国矿业大学
申请日： 2019-06-19 - 公布日： 2019-09-17 - 主分类号： G06T7/33 文献下载
摘要：本发明提供一种移动巡检机器人双目图像拼接的特征匹配方法，在特征点检测阶段，构建尺度金字塔并使用速度极快的FAST算法提取特征点，加强尺度不变的鲁棒性；随后使用改进的CS‑LBP描述方法描述特征点，加强旋转不变的鲁棒性，同时降低特征向量维度提高了匹配效率；最后使用DDRN算法来度量特征向量的相似度完成匹配，并通过改进的RANSAC算法剔除误匹配。相较于传统算法，本算法在大幅提高实时性的同时准确的实现了对图像的特征提取与匹配，并且改进的描述方法对旋转图像的抗干扰性强，在仿射、缩放、光照等复杂变换场景依然有着较高的适应性。
算法匹配双目图像特征匹配特征向量移动巡检鲁棒性拼接机器人尺度特征点检测改进传统算法方法描述匹配效率特征提取提取特征旋转图像实时性特征点相似度度量构建缩放维度金字塔剔除光照图像场景