新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開(kāi)了一種局部特征的分布式并行提取方法，包括：利 用圖像爬蟲(chóng)軟件下載圖像到云環(huán)境中的各個(gè)計(jì)算節(jié)點(diǎn)，并建立圖像數(shù) 據(jù)庫(kù)，圖像數(shù)據(jù)庫(kù)中存儲(chǔ)了每張圖像的 ID 與計(jì)算節(jié)點(diǎn)的 ID 之間的映 射關(guān)系，并行地獲取每個(gè)計(jì)算節(jié)點(diǎn)上存儲(chǔ)的每張圖像的像素值，并建 立圖像的 ID 與其像素大小之間的映射關(guān)系，根據(jù)云環(huán)境中每個(gè)計(jì)算節(jié) 點(diǎn)存儲(chǔ)的每張圖像像素大小，獲得云環(huán)境中每個(gè)計(jì)算節(jié)點(diǎn)上總像素值， 根據(jù)云環(huán)境里每個(gè)計(jì)算節(jié)點(diǎn)總像素值、計(jì)

本發(fā)明公開(kāi)了一種用于提取半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，包括待提取參數(shù)取值范圍的劃分，子光譜數(shù)據(jù)庫(kù)的建立，支持向量機(jī)分類器訓(xùn)練光譜的生成，支持向量機(jī)分類器的生成、測(cè)量光譜的映射和在子光譜數(shù)據(jù)庫(kù)中進(jìn)行的最相似光譜搜索。與現(xiàn)有方法相比，本發(fā)明方法通過(guò)額外增加一個(gè)可以離線進(jìn)行的支持向量機(jī)分類器訓(xùn)練環(huán)節(jié)，實(shí)現(xiàn)了將測(cè)量光譜映射到一個(gè)小范圍的子數(shù)據(jù)庫(kù)中。與在整個(gè)大數(shù)據(jù)庫(kù)中進(jìn)行最相似光譜檢索相比，在子數(shù)據(jù)庫(kù)中展開(kāi)的檢索所消耗的時(shí)間大大減少。并且，通過(guò)增加每個(gè)分類器中包含的類數(shù)，可以得到更小的子數(shù)據(jù)庫(kù)，從而進(jìn)一步加速參數(shù)的提取。該方法實(shí)現(xiàn)了參數(shù)的提取速度可預(yù)期與可控。

本發(fā)明公開(kāi)了一種基于不變量特征匹配的車輛測(cè)速方法，其包括步驟：（1）確定兩幅初始圖像中車輛大致區(qū)域圖像；（2）提取兩幅車輛大致區(qū)域圖像的特征點(diǎn)，獲得兩組不變量特征點(diǎn)的集合；（3）在兩組特征點(diǎn)集合中進(jìn)行特征匹配，得到兩幅車輛大致區(qū)域圖像的匹配特征點(diǎn)集合；（4）計(jì)算每一對(duì)匹配特征點(diǎn)在車輛縱向方向上的相對(duì)距離；（5）對(duì)所有匹配特征點(diǎn)進(jìn)行聚類，聚類中心處的相對(duì)距離即為車輛在圖像中的移動(dòng)距離；（6）將圖像距離轉(zhuǎn)化為車輛實(shí)際的行駛距離，除以獲取兩幀圖像的時(shí)間差得到車輛速度。本發(fā)明解決了運(yùn)動(dòng)物體在圖像中的精確定位

人臉識(shí)別由于具有直接，友好，方便的特點(diǎn)，使用者無(wú)任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應(yīng)用。除此之外，我們還能夠?qū)θ四樧R(shí)別的結(jié)果作進(jìn)一步的分析，得到有關(guān)人的性別，表情，年齡等諸多額外的豐富信息，擴(kuò)展了人臉識(shí)別的應(yīng)用前景。人臉中痣的檢測(cè)可以作為人臉識(shí)別的輔助方法，具有重大的應(yīng)用價(jià)值。目前該問(wèn)題已經(jīng)得到了很多人的重視，但是從不同的人臉中提取痣特征是一個(gè)比較困難的工作。困難主要體現(xiàn)在，人臉成像時(shí)的光照不一致，有的光照比較強(qiáng)烈，有的比較暗淡，另外臉上的眼角，嘴角，皺紋和鼻孔等組織對(duì)痣檢測(cè)的干擾很強(qiáng)烈。本成果很好的結(jié)果了人臉痣檢測(cè)問(wèn)題，對(duì)于人臉識(shí)別能夠起到很好的輔助作用。本發(fā)明解決了人臉識(shí)別過(guò)程中的人臉痣檢測(cè)問(wèn)題。人臉的痣檢測(cè)對(duì)于提高人臉識(shí)別的速度和減小搜索人臉庫(kù)的規(guī)模具有很大的優(yōu)勢(shì)。本文提出了一種基于痣的顯著特征的檢測(cè)方法，結(jié)果表明了這種方法的優(yōu)越性。具有很大的潛在的應(yīng)用。

本發(fā)明公開(kāi)了一種結(jié)合語(yǔ)義特征的 ERVQ 索引，包括以下步驟：準(zhǔn)備訓(xùn)練索引的圖片集 P1 和待索引圖片集 P2，對(duì) P1 提取低層特征(SIFT、SURF 等)，使用殘差量化索引(RVQ)訓(xùn)練方法訓(xùn)練得到一個(gè) L層的 RVQ 碼書(shū) Codebook1，使用 ERVQ 優(yōu)化方法調(diào)整 Codebook1 生成碼書(shū) Codebook2，將碼書(shū) Codebook2 多層質(zhì)心一一組合構(gòu)建索引字典，將索引字典每個(gè)索引項(xiàng)上根據(jù)語(yǔ)義劃分成多個(gè)倒排鏈表結(jié)構(gòu)，對(duì) P2 提取低層特征和語(yǔ)義特征，根據(jù)低層特征找到索引項(xiàng)，根

本發(fā)明公開(kāi)了一種基于簽到特征的用戶位置分類模型，其應(yīng)用 在針對(duì)性的廣告推薦、智能導(dǎo)航、智慧交通等基于位置的服務(wù)中，該 模型包括：針對(duì)用戶當(dāng)前的“簽到”場(chǎng)所，查詢其是否已在用戶的歷 史“簽到”位置集里面；如果不在，則分別基于社交網(wǎng)絡(luò)全局用戶知 識(shí)域、用戶好友知識(shí)域、用戶個(gè)人知識(shí)域提取用戶的“簽到”特征； 應(yīng)用已訓(xùn)練的 SVM 分類模型對(duì)用戶當(dāng)前的“簽到”場(chǎng)所進(jìn)行分類，預(yù) 測(cè)該位置是否為用戶將來(lái)頻繁“簽到”的場(chǎng)所。本發(fā)明

本發(fā)明公開(kāi)了一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法。首先從待處理的醫(yī)學(xué)超聲圖像中提取感興趣區(qū)域，從感興趣區(qū)域提取特征；然后對(duì)提取的特征進(jìn)行主成分分析，以去除冗余和無(wú)關(guān)的特征分量，確定獨(dú)立有效的特征；最后依據(jù)獨(dú)立有效的特征，利用分類器對(duì)感興趣區(qū)域分類。本發(fā)明通過(guò)計(jì)算機(jī)對(duì)醫(yī)學(xué)超聲圖像進(jìn)行分析，提取的圖像特征涵蓋了空域和頻域，更為全面地反映了圖像的本質(zhì)特性，有助于進(jìn)行正確分類，具有較好的臨床實(shí)用性。

一種基于顯著直方圖特征的行人檢測(cè)方法及系統(tǒng)，訓(xùn)練階段包括首先分別將樣本數(shù)據(jù)集中每個(gè)正樣 本或負(fù)樣本歸一化為預(yù)設(shè)尺寸，然后作為輸入圖像提取特征，根據(jù)所得特征訓(xùn)練分類器;正樣本的圖像 包含行人，負(fù)樣本的圖像不包含行人;測(cè)試階段包括對(duì)測(cè)試數(shù)據(jù)集中任一測(cè)試圖像，首先以測(cè)試圖像為 輸入圖像，分別以輸入圖像的每個(gè)像素為中心建立預(yù)設(shè)尺寸的局部區(qū)域，并提取每個(gè)局部區(qū)域的特征， 然后將每個(gè)局部區(qū)域的特征輸入訓(xùn)練階段所得分類器，得到各局部區(qū)域是否包含行人的分類結(jié)果。提取 特征時(shí)，將梯度的幅值和相應(yīng)局部區(qū)域顯著概率值結(jié)合

本發(fā)明公開(kāi)了一種基于感知哈希特征的視頻目標(biāo)跟蹤方法，其特征在于，包括以下步驟：(1)讀取待跟蹤視頻序列的第一幀；(2)在圖像中畫(huà)一恰好將目標(biāo)包圍的矩形框，作為目標(biāo)框；(3)對(duì)視頻幀圖像進(jìn)行灰度化處理；(4)提取目標(biāo)框的局部哈希特征，并對(duì)特征進(jìn)行為運(yùn)算化處理；(5)讀取視頻下一幀，并采用同步驟(3)同樣的方式對(duì)圖像進(jìn)行灰度化處理；(6)在當(dāng)前幀中，采用倒金字塔候選框搜索方法在上一幀目標(biāo)相同位置附近獲取候選框；(7)采用

項(xiàng)目組在國(guó)家科技重大專項(xiàng)和國(guó)家自然科學(xué)基金的支持下，提出了以加工動(dòng)態(tài)特征為載體進(jìn)行加工全過(guò)程工藝知識(shí)建模的技術(shù)思路，攻克了加工動(dòng)態(tài)特征驅(qū)動(dòng)的自動(dòng)數(shù)控編程和加工變形精確控制技術(shù)，為復(fù)雜結(jié)構(gòu)件從計(jì)算機(jī)輔助加工到智能數(shù)控加工的跨越提供了理論和技術(shù)支撐。 一、項(xiàng)目分類 關(guān)鍵核心技術(shù)突破 二、成果簡(jiǎn)介 飛機(jī)復(fù)雜結(jié)構(gòu)件的數(shù)控加工能力是衡量一個(gè)國(guó)家航空制造水平的重要標(biāo)志。新一代飛機(jī)結(jié)構(gòu)件更復(fù)雜、精度要求更高、制造周期要求更短，對(duì)五軸聯(lián)動(dòng)數(shù)控加工技術(shù)提出了更高的要求。項(xiàng)目組在國(guó)家科技重大專項(xiàng)和國(guó)家自然科學(xué)基金的支持下，提出了以加工動(dòng)態(tài)特征為載體進(jìn)行加工全過(guò)程工藝知識(shí)建模的技術(shù)思路，攻克了加工動(dòng)態(tài)特征驅(qū)動(dòng)的自動(dòng)數(shù)控編程和加工變形精確控制技術(shù)，為復(fù)雜結(jié)構(gòu)件從計(jì)算機(jī)輔助加工到智能數(shù)控加工的跨越提供了理論和技術(shù)支撐。成果在多家航空航天企業(yè)推廣應(yīng)用，完成了多個(gè)軍機(jī)和C919、ARJ21 等民機(jī)型號(hào)多件復(fù)雜結(jié)構(gòu)件的研制生產(chǎn)，被工信部、發(fā)改委和國(guó)防科工局作為航空領(lǐng)域國(guó)產(chǎn)高檔數(shù)控機(jī)床應(yīng)用示范工程三大關(guān)鍵共性技術(shù)之一，向全國(guó)軍工制造行業(yè)推廣。 三、創(chuàng)新點(diǎn) 1.揭示了加工過(guò)程中間狀態(tài)幾何參數(shù)、工藝參數(shù)、監(jiān)測(cè)檢測(cè)量等動(dòng)態(tài)信息的動(dòng)態(tài)迭代規(guī)律和傳遞規(guī)律，突破了基于加工動(dòng)態(tài)特征的加工全過(guò)程工藝知識(shí)建模技術(shù)，實(shí)現(xiàn)了復(fù)雜結(jié)構(gòu)件工藝知識(shí)積累由以零件為載體到以加工動(dòng)態(tài)特征為載體的模式轉(zhuǎn)變。 2.提出了基于特征識(shí)別的加工特征自動(dòng)排序、加工驅(qū)動(dòng)幾何自動(dòng)創(chuàng)建、工藝參數(shù)自動(dòng)迭代方法，構(gòu)建了加工特征切削參數(shù)優(yōu)化模型，實(shí)現(xiàn)了復(fù)雜結(jié)構(gòu)件的快速編程和高效加工。 3.提出加工過(guò)程中自適應(yīng)釋放和消除工件變形的加工模式，研制出能監(jiān)測(cè)工件變形的浮動(dòng)裝夾工藝裝備，突破了基于加工動(dòng)態(tài)特征的裝夾/加工/監(jiān)測(cè)/檢測(cè)自適應(yīng)協(xié)同控制技術(shù)，實(shí)現(xiàn)了加工變形精確控制。 四、主要技術(shù)指標(biāo) 1.特征自動(dòng)識(shí)別率大于95%； 2.刀軌自動(dòng)生成率大于95%； 3.數(shù)控編程效率提高3倍以上； 4.加工效率提高30%以上； 5.大型復(fù)雜結(jié)構(gòu)件加工變形控制在0.05mm/m以內(nèi)。 五、知識(shí)產(chǎn)權(quán)及獲獎(jiǎng) 加工動(dòng)態(tài)特征驅(qū)動(dòng)的智能數(shù)控編程與加工技術(shù)，研究成果2016年獲“國(guó)家技術(shù)發(fā)明二等獎(jiǎng)”、2015年獲“中國(guó)機(jī)械工業(yè)科學(xué)技術(shù)一等獎(jiǎng)”。目前已擁有授權(quán)國(guó)家發(fā)明專利60余項(xiàng)。 六、成果圖片   圖1 成果總體技術(shù)   圖2 加工過(guò)程零件面型檢測(cè)