“笪邦友”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]一种基于在线学习的自适应级联分类器训练方法-CN201010166225.6有效
发明人：桑农;罗大鹏;黄锐;唐奇伶;王岳环;高常鑫;高峻;笪邦友 -专利权人：华中科技大学
申请日： 2010-05-10 - 公布日： 2010-08-25 - 主分类号： G06K9/66 文献下载
摘要：本发明公开了基于在线学习的自适应级联分类器训练方法，其步骤为：①准备一个含有少量样本的训练样本集，采用级联分类器算法训练一个初始的级联分类器HC(x)；②使用HC(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，从而可用初始的级联分类器对其进行分类，判断是否为目标区域，即完成目标检测；③对检测到的目标采用粒子滤波算法进行跟踪，通过跟踪对目标检测结果进行验证，将错误的检测标注为在线学习的负样本。此外，通过跟踪获取真实目标的不同姿态，从中提取在线学习的正样本；④每获得一个在线学习样本，采用自适应级联分类器算法对初始级联分类器HC(x)进行在线训练和更新，从而逐步提高分类器的目标检测精度。
一种基于在线学习自适应级联分类训练方法

[发明专利]一种目标检测方法-CN201010114137.1有效
发明人：罗大鹏;桑农;黄锐;王岳环;唐奇伶;高峻;高常鑫;笪邦友 -专利权人：华中科技大学
申请日： 2010-02-10 - 公布日： 2010-08-11 - 主分类号： G06K9/66 文献下载
摘要：本发明公开了基于维数递增弱线性回归树的目标检测方法，其步骤为：①准备训练样本集(x_i，y_i)，i＝1，……，N，x_i表示训练样本的特征值集合，y_i为样本类别，N为训练样本数，N为自然数；②初始化训练样本权重为，其中t为自然数，初始化时t＝1；③对样本集合进行循环计算，选定循环次数T，T为自然数每次循环都得到一个线性回归树作为弱分类器。等到T次循环完成后，再将T个弱分类器合成一个强分类器；④使用该强分类器对数字图像中的各个区域进行分类，从而判断是否为目标区域，完成目标检测。本发明方法提出采用线性回归树作为弱分类器，即每个弱分类器不再只含有一个特征，而是用线性回归树将多个特征进行有机的组合，提高了分类器的分类能力，当训练出的分类器用于图像中的目标检测时可以获得较高的检测率及较快的检测速度。
一种目标检测方法

[发明专利]一种基于邻域上下文特征的模板匹配方法-CN201010111147.X无效
发明人：桑农;高常鑫;唐奇伶;高峻;笪邦友;黄锐;孙彬;蒋良卫 -专利权人：华中科技大学
申请日： 2010-02-05 - 公布日： 2010-08-04 - 主分类号： G06K9/64 文献下载
摘要：本发明公开了一种基于邻域上下文的模板匹配方法，对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，对于满足邻域上下文约束的搜索子图，计算其与模板的相关性，依据相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取目标像素点。本发明关键之处在利用了邻域上下文的约束，并不是在所有的位置都计算子图与模板的相关性，而是只在满足邻域上下文约束的位置计算。在目标部件检测中加入该约束，提高了检测的准确性，由于该约束去除了很多位置点，因此还提高了检测速度。
一种基于邻域上下文特征模板匹配方法

[发明专利]一种基于场景全局特征的模板匹配方法-CN201010028992.0无效
发明人：高常鑫;桑农;唐奇伶;孙彬;高峻;笪邦友;黄锐;蒋良卫 -专利权人：华中科技大学
申请日： 2010-01-15 - 公布日： 2010-07-07 - 主分类号： G06K9/64 文献下载
摘要：本发明公开了一种基于场景全局特征的模板匹配方法，用于根据目标模板检测图像中同类目标。该方法对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，计算每个搜索子图与模板图像的相关性，依据搜索子图与模板图像的相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取候选目标像素点，在候选目标像素点中确定最终目标点。本发明关键之处在于利用全局特征来度量搜索子图与模板图像的相关性，全局特征是通过把模板和子图的相关性放到场景后计算整个场景的特征得到的，全局特征是整个场景的特征，带有一定的语义信息，使得目标检测的准确性提高。
一种基于场景全局特征模板匹配方法

[发明专利]一种分类器集成方法-CN200810046789.9有效
发明人：高常鑫;桑农;王岳环;唐奇伶;李密;高峻;笪邦友 -专利权人：华中科技大学
申请日： 2008-01-25 - 公布日： 2008-07-30 - 主分类号： G06K9/62 文献下载
摘要：一种分类器集成方法，包括：(1)初始化训练样本权值；(2)对训练样本进行分类器训练，采用错误程度和泛化能力描述的分类器性能评价准则选出多个最佳子分类器；(3)组合最佳子分类器。本发明采用的分类器性能评价准则能够准确地选出性能好的子分类器，子分类器性能越好，组合得到相同性能的分类器需要的子分类器数量就越少，即训练循环的次数和时间均越少。另外本发明还通过反馈调整组合分类器，进一步增强分类器性能。
一种分类集成方法