新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明屬于視頻圖像數(shù)據(jù)處理領(lǐng)域，公開了一種監(jiān)控視頻行人檢測匹配方法，包括視頻行人目標(biāo)檢測步驟；幀間同目標(biāo)關(guān)聯(lián)步驟；目標(biāo)序列及待匹配目標(biāo)特征提取步驟；特征相似度計(jì)算步驟和目標(biāo)匹配判別步驟。由于相鄰幀間行人目標(biāo)不會有太大的位移，本發(fā)明使用被檢測出的行人的位置信息對序列連續(xù)幀中的同一目標(biāo)進(jìn)行關(guān)聯(lián)得到目標(biāo)序列；目標(biāo)序列特征提取的方法一是提取目標(biāo)序列多幀的灰度直方圖特征，一是目標(biāo)序列的 PCA 模板，由于都采用了多幀的信息，相

1.痛點(diǎn)問題 隨著圖在各領(lǐng)域的廣泛應(yīng)用，對圖上相關(guān)高效查詢方法的需求也與日俱增，特別是在社交網(wǎng)絡(luò)、金融、電商、安全和航天等眾多領(lǐng)域具有重要作用的子圖匹配查詢。 然而，現(xiàn)有子圖匹配方法在實(shí)際使用中速度均較慢，當(dāng)數(shù)據(jù)量較大時，現(xiàn)有方法的時間開銷巨大，難以滿足具體匹配過程中的時效性需求。同時，這些方法沒有充分利用圖數(shù)據(jù)的本質(zhì)結(jié)構(gòu)特點(diǎn)進(jìn)行剪枝，在運(yùn)行效率上仍有較大的改進(jìn)空間。 2.解決方案 本技術(shù)提出一種基于社區(qū)結(jié)構(gòu)的子圖匹配方法，基于社區(qū)結(jié)構(gòu)在匹配過程中進(jìn)行剪枝從而加快子圖匹配的速度。流程圖如圖1所示。 圖1 本技術(shù)子圖匹配計(jì)算流程 首先，本技術(shù)識別數(shù)據(jù)圖中的社區(qū)結(jié)構(gòu)，將數(shù)據(jù)圖劃分為若干“內(nèi)部緊密關(guān)聯(lián)、相互之間連接松散”的社區(qū)。接著，基于社區(qū)結(jié)構(gòu)，提出三種優(yōu)化策略對子圖匹配過程進(jìn)行優(yōu)化，并實(shí)現(xiàn)了相關(guān)技術(shù)。 具體地，這三種優(yōu)化策略包括兩階段破對稱策略、基于社區(qū)路徑的剪枝策略和基于社區(qū)結(jié)構(gòu)的邊界剪枝策略。其中，兩階段破對稱策略利用模式圖中的自同構(gòu)映射，根據(jù)已得到的若干匹配結(jié)果推斷出新的匹配結(jié)果，從而減少匹配過程中的計(jì)算量；基于社區(qū)路徑的剪枝策略根據(jù)數(shù)據(jù)圖中的跨社區(qū)的路徑構(gòu)建索引，在匹配過程中提前發(fā)現(xiàn)無法產(chǎn)生匹配結(jié)果的匹配嘗試，減少匹配開銷；基于社區(qū)結(jié)構(gòu)的邊界剪枝則考慮各社區(qū)的邊界節(jié)點(diǎn)，即那些和其他社區(qū)的節(jié)點(diǎn)間有邊關(guān)聯(lián)的節(jié)點(diǎn)，根據(jù)邊界節(jié)點(diǎn)的鄰居情況進(jìn)行剪枝，減小搜索空間，加快子圖匹配速度。 基于上述優(yōu)化策略，本技術(shù)提出的基于社區(qū)結(jié)構(gòu)的高效子圖匹配方法能根據(jù)給出的數(shù)據(jù)圖和模式圖快速返回子圖匹配結(jié)果。該技術(shù)可以作為模塊嵌入金融、電商和航天等已有軟件系統(tǒng)，也可作為單獨(dú)軟件工具并支持二次開發(fā)。 3.合作需求 1）應(yīng)用場景：在圖數(shù)據(jù)中快速查找滿足某種特定結(jié)構(gòu)的子圖結(jié)構(gòu)，進(jìn)而作為查詢結(jié)果返回或用于后續(xù)深入分析。可用于包括但不限于社交網(wǎng)絡(luò)、金融、電商、安全和航天等眾多場景中。 2）資源對接：對圖查詢、圖分析有需求且對其高效性有要求的個人、單位和企業(yè)等。

本發(fā)明公開了一種基于模板匹配的芯片定位方法，具體包括以 下步驟:步驟一，制作模板;步驟二，對待定位圖片進(jìn)行預(yù)處理，增 大背景與芯片基體的對比度;步驟三，對預(yù)處理后的圖片進(jìn)行圖像分 割，得到 blob 塊，利用 blob 塊的面積和 blob 塊對應(yīng)的最小外接矩形 的邊長信息排除存在連晶、缺損缺陷的芯片;獲取剩下的 blob 塊的最小外接矩形的中心位置坐標(biāo)，以及短邊與水平方向的夾角;步驟四， 根據(jù)步驟三得出的中心位置坐標(biāo)和

項(xiàng)目簡介 冷卻系統(tǒng)是現(xiàn)代汽車的重要組成部分，它對于汽車的動力性、經(jīng)濟(jì)性以及整車的運(yùn) 行可靠性均有很大的影響，目前的研究主要集中在風(fēng)洞試驗(yàn)測試和對系統(tǒng)單個部件的優(yōu) 化設(shè)計(jì)，而對整個系統(tǒng)的匹配性研究較少。本項(xiàng)目可針對常規(guī)發(fā)動機(jī)汽車、混合動力汽 車以及新能源汽車，結(jié)合一維和三維耦合仿真技術(shù)，通過計(jì)算分析獲取各個部件之間的 匹配性能，并提出散熱器、中冷器、電子風(fēng)扇等部件及系統(tǒng)整體匹配的優(yōu)化設(shè)計(jì)方案。 在此基礎(chǔ)上，還可凝練出風(fēng)扇、水泵壓縮機(jī)等的部件的最佳控制策略

本發(fā)明公開了一種基于圖像邊緣矢量的匹配方法。利用邊緣的 方向和大小，實(shí)現(xiàn)對縮放、噪聲、光照變化、局部遮擋、旋轉(zhuǎn)平移等 情況的匹配；提取模板邊緣中有代表性的矢量，與目標(biāo)圖像的邊緣特 征進(jìn)行比較，而不是逐邊緣點(diǎn)比較，大大減少計(jì)算量，具有較好匹配 準(zhǔn)確度；先用金字塔得到較小的模板和目標(biāo)圖像，并采用較大且合適 的參數(shù)步長，得到較為粗匹配的匹配位置和參數(shù)，再選取更為精細(xì)且 滿足匹配要求的參數(shù)步長，在粗匹配的結(jié)果基礎(chǔ)上再次搜索匹配，得 到精確的匹配位置和參數(shù)。 

本發(fā)明公開了一種基于 Zernike 矩的圖像匹配方法，包括 S1 建 立 N 層模板金字塔圖像；S2 計(jì)算每層模板圖像的 K 個矩并建立 RCS 表；S3 建立 N 層目標(biāo)金字塔圖像；S4 通過查找 RCS 表計(jì)算 N 層中第L 層中每個目標(biāo)子圖像的 K 個矩；S5 計(jì)算第 L 層模板金字塔圖像與第 L 層每個目標(biāo)金字塔圖像子圖像 K 個矩的相關(guān)系數(shù)，獲得第 L 層目標(biāo) 金字塔圖像匹配點(diǎn)位置；S6 判斷 L 是否等于 1，若是，則進(jìn)入 S8；若 否，則 L＝L-1，進(jìn)入 S7；S7 在第 L 層以

本發(fā)明公開了一種基于圖像邊緣矢量的匹配方法。利用邊緣的方向和大小，實(shí)現(xiàn)對縮放、噪聲、光照變化、局部遮擋、旋轉(zhuǎn)平移等情況的匹配；提取模板邊緣中有代表性的矢量，與目標(biāo)圖像的邊緣特征進(jìn)行比較，而不是逐邊緣點(diǎn)比較，大大減少計(jì)算量，具有較好匹配準(zhǔn)確度；先用金字塔得到較小的模板和目標(biāo)圖像，并采用較大且合適的參數(shù)步長，得到較為粗匹配的匹配位置和參數(shù)，再選取更為精細(xì)且滿足匹配要求的參數(shù)步長，在粗匹配的結(jié)果基礎(chǔ)上再次搜索匹配，得到精確的匹配位置和參數(shù)。

本發(fā)明公開了一種基于 Zernike 矩的圖像匹配方法，包括 S1 建立 N 層模板金字塔圖像；S2 計(jì)算每層模板圖像的 K 個矩并建立 RCS表；S3 建立 N 層目標(biāo)金字塔圖像；S4 通過查找 RCS 表計(jì)算 N 層中第L 層中每個目標(biāo)子圖像的 K 個矩；S5 計(jì)算第 L 層模板金字塔圖像與第L 層每個目標(biāo)金字塔圖像子圖像 K 個矩的相關(guān)系數(shù)，獲得第 L 層目標(biāo)金字塔圖像匹配點(diǎn)位置；S6 判斷 L 是否等于 1，若是，則進(jìn)入 S8；若否 ， 則 L ＝ L 1 ， 進(jìn) 入 S7 ； S7 在 第

本發(fā)明公開了一種基于點(diǎn)線對偶的圖像匹配方法，包括：從參 考圖像 R 和目標(biāo)圖像 S 中分別提取直線，以得到參考直線集合和目標(biāo) 直線集合，分別將參考直線集合和目標(biāo)直線集合中所有的直線段從圖像 空 間 映 射 到 對 偶 空 間 ， 以 得 到 參 考 對 偶 點(diǎn) 集 共有 m 個對偶點(diǎn)， 以 及 目 標(biāo) 對 偶 點(diǎn) 集共有 n 個對偶點(diǎn)，分別將參考對偶點(diǎn)集和目標(biāo)對偶點(diǎn)集中鄰近 的對偶點(diǎn)進(jìn)行融合，以得到新的參考對偶點(diǎn)集和新的目標(biāo)對偶點(diǎn)集， 估計(jì)新的參考對偶點(diǎn)集和新的目標(biāo)對偶點(diǎn)集之間的旋轉(zhuǎn)變換參數(shù)，估 計(jì)新的參考對偶點(diǎn)集和新的目標(biāo)對偶點(diǎn)集之間的平移變換參數(shù)。本發(fā) 明等效地把圖像空間中斷裂破碎的多條直線段重新融合為一條直線 段，提高了匹配效率和穩(wěn)定性。 

本發(fā)明公開了一種最匹配模糊軌跡問題的查詢方法。該方法發(fā)明了一種新的匹配度衡量標(biāo)準(zhǔn)來衡量模糊軌跡之間的匹配程度。該方法先將值域空間劃分成一系列的單元格，然后在每一個單元格內(nèi)建立一個時間索引。在處理匹配查詢時，該方法首先訪問索引結(jié)構(gòu)，計(jì)算每個模糊軌跡和查詢軌跡之間匹配度的上界和下界；然后利用該上界和下界對不合格的模糊軌跡進(jìn)行剪枝，從而得到一個候選答案集合；最后該方法計(jì)算每一個候選模糊軌跡的精確的匹配度，并判斷該模糊軌跡是否是真正的查詢結(jié)果。本發(fā)明充分利用了數(shù)據(jù)庫和信息檢索的現(xiàn)有研究和實(shí)現(xiàn)成果，基于已有的空間數(shù)據(jù)查詢方法的擴(kuò)展和融合可以非常方便快捷的提供最匹配模糊軌跡問題的查詢能力，提供最好的性能。