葡京娱乐场-富盈娱乐场开户

本發(fā)明公開了一種局部特征的分布式并行提取方法，包括：利 用圖像爬蟲軟件下載圖像到云環(huán)境中的各個計算節(jié)點，并建立圖像數(shù) 據(jù)庫，圖像數(shù)據(jù)庫中存儲了每張圖像的 ID 與計算節(jié)點的 ID 之間的映 射關(guān)系，并行地獲取每個計算節(jié)點上存儲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)境中每個計算節(jié) 點存儲的每張圖像像素大小，獲得云環(huán)境中每個計算節(jié)點上總像素值， 根據(jù)云環(huán)境里每個計算節(jié)點總像素值、計

本發(fā)明公開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)庫的建立，支持向量機分類器訓(xùn)練光譜的生成，支持向量機分類器的生成、測量光譜的映射和在子光譜數(shù)據(jù)庫中進行的最相似光譜搜索。與現(xiàn)有方法相比，本發(fā)明方法通過額外增加一個可以離線進行的支持向量機分類器訓(xùn)練環(huán)節(jié)，實現(xiàn)了將測量光譜映射到一個小范圍的子數(shù)據(jù)庫中。與在整個大數(shù)據(jù)庫中進行最相似光譜檢索相比，在子數(shù)據(jù)庫中展開的檢索所消耗的時間大大減少。并且，通過增加每個分類器中包含的類數(shù)，可以得到更小的子數(shù)據(jù)庫，從而進一步加速參數(shù)的提取。該方法實現(xiàn)了參數(shù)的提取速度可預(yù)期與可控。

本發(fā)明公開了一種基于不變量特征匹配的車輛測速方法，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，獲得兩組不變量特征點的集合；（3）在兩組特征點集合中進行特征匹配，得到兩幅車輛大致區(qū)域圖像的匹配特征點集合；（4）計算每一對匹配特征點在車輛縱向方向上的相對距離；（5）對所有匹配特征點進行聚類，聚類中心處的相對距離即為車輛在圖像中的移動距離；（6）將圖像距離轉(zhuǎn)化為車輛實際的行駛距離，除以獲取兩幀圖像的時間差得到車輛速度。本發(fā)明解決了運動物體在圖像中的精確定位

人臉識別由于具有直接，友好，方便的特點，使用者無任何心理障礙，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別的結(jié)果作進一步的分析，得到有關(guān)人的性別，表情，年齡等諸多額外的豐富信息，擴展了人臉識別的應(yīng)用前景。人臉中痣的檢測可以作為人臉識別的輔助方法，具有重大的應(yīng)用價值。目前該問題已經(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比較困難的工作。困難主要體現(xiàn)在，人臉成像時的光照不一致，有的光照比較強烈，有的比較暗淡，另外臉上的眼角，嘴角，皺紋和鼻孔等組織對痣檢測的干擾很強烈。本成果很好的結(jié)果了人臉痣檢測問題，對于人臉識別能夠起到很好的輔助作用。本發(fā)明解決了人臉識別過程中的人臉痣檢測問題。人臉的痣檢測對于提高人臉識別的速度和減小搜索人臉庫的規(guī)模具有很大的優(yōu)勢。本文提出了一種基于痣的顯著特征的檢測方法，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)明公開了一種結(jié)合語義特征的 ERVQ 索引，包括以下步驟：準備訓(xùn)練索引的圖片集 P1 和待索引圖片集 P2，對 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 L層的 RVQ 碼書 Codebook1，使用 ERVQ 優(yōu)化方法調(diào)整 Codebook1 生成碼書 Codebook2，將碼書 Codebook2 多層質(zhì)心一一組合構(gòu)建索引字典，將索引字典每個索引項上根據(jù)語義劃分成多個倒排鏈表結(jié)構(gòu)，對 P2 提取低層特征和語義特征，根據(jù)低層特征找到索引項，根

本發(fā)明公開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：針對用戶當(dāng)前的“簽到”場所，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 識域、用戶好友知識域、用戶個人知識域提取用戶的“簽到”特征； 應(yīng)用已訓(xùn)練的 SVM 分類模型對用戶當(dāng)前的“簽到”場所進行分類，預(yù) 測該位置是否為用戶將來頻繁“簽到”的場所。本發(fā)明

本發(fā)明公開了一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動識別方法。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；然后對提取的特征進行主成分分析，以去除冗余和無關(guān)的特征分量，確定獨立有效的特征；最后依據(jù)獨立有效的特征，利用分類器對感興趣區(qū)域分類。本發(fā)明通過計算機對醫(yī)學(xué)超聲圖像進行分析，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，有助于進行正確分類，具有較好的臨床實用性。

一種基于顯著直方圖特征的行人檢測方法及系統(tǒng)，訓(xùn)練階段包括首先分別將樣本數(shù)據(jù)集中每個正樣 本或負樣本歸一化為預(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，負樣本的圖像不包含行人;測試階段包括對測試數(shù)據(jù)集中任一測試圖像，首先以測試圖像為 輸入圖像，分別以輸入圖像的每個像素為中心建立預(yù)設(shè)尺寸的局部區(qū)域，并提取每個局部區(qū)域的特征， 然后將每個局部區(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，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)明公開了一種基于感知哈希特征的視頻目標跟蹤方法，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)在圖像中畫一恰好將目標包圍的矩形框，作為目標框；(3)對視頻幀圖像進行灰度化處理；(4)提取目標框的局部哈希特征，并對特征進行為運算化處理；(5)讀取視頻下一幀，并采用同步驟(3)同樣的方式對圖像進行灰度化處理；(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相同位置附近獲取候選框；(7)采用

項目組在國家科技重大專項和國家自然科學(xué)基金的支持下，提出了以加工動態(tài)特征為載體進行加工全過程工藝知識建模的技術(shù)思路，攻克了加工動態(tài)特征驅(qū)動的自動數(shù)控編程和加工變形精確控制技術(shù)，為復(fù)雜結(jié)構(gòu)件從計算機輔助加工到智能數(shù)控加工的跨越提供了理論和技術(shù)支撐。 一、項目分類 關(guān)鍵核心技術(shù)突破 二、成果簡介 飛機復(fù)雜結(jié)構(gòu)件的數(shù)控加工能力是衡量一個國家航空制造水平的重要標志。新一代飛機結(jié)構(gòu)件更復(fù)雜、精度要求更高、制造周期要求更短，對五軸聯(lián)動數(shù)控加工技術(shù)提出了更高的要求。項目組在國家科技重大專項和國家自然科學(xué)基金的支持下，提出了以加工動態(tài)特征為載體進行加工全過程工藝知識建模的技術(shù)思路，攻克了加工動態(tài)特征驅(qū)動的自動數(shù)控編程和加工變形精確控制技術(shù)，為復(fù)雜結(jié)構(gòu)件從計算機輔助加工到智能數(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，完成了多個軍機和C919、ARJ21 等民機型號多件復(fù)雜結(jié)構(gòu)件的研制生產(chǎn)，被工信部、發(fā)改委和國防科工局作為航空領(lǐng)域國產(chǎn)高檔數(shù)控機床應(yīng)用示范工程三大關(guān)鍵共性技術(shù)之一，向全國軍工制造行業(yè)推廣。 三、創(chuàng)新點 1.揭示了加工過程中間狀態(tài)幾何參數(shù)、工藝參數(shù)、監(jiān)測檢測量等動態(tài)信息的動態(tài)迭代規(guī)律和傳遞規(guī)律，突破了基于加工動態(tài)特征的加工全過程工藝知識建模技術(shù)，實現(xiàn)了復(fù)雜結(jié)構(gòu)件工藝知識積累由以零件為載體到以加工動態(tài)特征為載體的模式轉(zhuǎn)變。 2.提出了基于特征識別的加工特征自動排序、加工驅(qū)動幾何自動創(chuàng)建、工藝參數(shù)自動迭代方法，構(gòu)建了加工特征切削參數(shù)優(yōu)化模型，實現(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)測工件變形的浮動裝夾工藝裝備，突破了基于加工動態(tài)特征的裝夾/加工/監(jiān)測/檢測自適應(yīng)協(xié)同控制技術(shù)，實現(xiàn)了加工變形精確控制。 四、主要技術(shù)指標 1.特征自動識別率大于95%； 2.刀軌自動生成率大于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、知識產(chǎn)權(quán)及獲獎 加工動態(tài)特征驅(qū)動的智能數(shù)控編程與加工技術(shù)，研究成果2016年獲“國家技術(shù)發(fā)明二等獎”、2015年獲“中國機械工業(yè)科學(xué)技術(shù)一等獎”。目前已擁有授權(quán)國家發(fā)明專利60余項。 六、成果圖片   圖1 成果總體技術(shù)   圖2 加工過程零件面型檢測