本技术涉及一种低成本步态识别与可疑行为检测方法，属于图像处理领域。该方法利用现有的监控摄像头和深度学习算法实现对行人行为的自动识别和告警。具体步骤包括:利用摄像头实时捕捉监控区域内的行人目标，对目标进行动态跟踪，并将锚框中的行人图像连续截取并保存；对保存的图像进行边缘检测处理，提取图像的主要轮廓信息；选取相邻的连续N幅图像进行堆叠，形成三维张量；将堆叠后的图像输入到预训练的基于卷积神经网络的分类系统中，分析图像序列中的行为特征，并判断目标行为是否符合可疑行为标准，并进一步确定具体的行为类别。本发明具有成本低、精度高、实时性强等优点。

 本技术属于医学图像处理领域，具体涉及一种基于额外监督下的半监督医学图像分割方法；该方法包括:获取医学图像数据集并对其进行预处理，得到预处理好的医学图像；采用二分支的医学图像分割网络对医学图像进行处理并计算预期总损失；根据上一步骤进行预训练，判断是否处于预训练轮次，若处于预训练轮次则直接进行下一轮预训练，否则，构建新图像对；采用二分支的医学图像分割网络对新图像对进行额外监督学习，计算额外监督损失；根据预期总损失和额外监督损失计算模型总损失；根据模型总损失调整模型参数，得到训练好的医学图像分割模型；本发明可以更好的从无标签图像中提取相关知识，并避免噪声所带来的影响，提升图像分割的准确性。

 本技术公开一种改进的YOLOv7人体关键点检测方法，该方法通过LabelImage进行手动标注获得丰富的训练样本；将YOLOv7中原有的MP模块替换为L‑MP模块改进特征提取，新增LiftDown Pool分支和残差连接；在YOLOv7网络的Backbone模块和Head模块之间新增EDH‑Conv模块,利用其输出作为空间权重分布来矫正激活区域，进一步提升了网络对小目标的检测能力；增加改进的RSwin Transformer编码器，用于提升对复杂场景中小目标和重叠目标的检测效果；将损失函数参照Wise‑IoU LOSS改为基于L2损失的改进关键点检测损失，并引入用于调整关键点误差权重的动态聚焦机制，加速模型的收敛。该方法增强了对于复杂场景下的人体关键点检测识别能力，对于体育运动中人体关键点检测识别与计数任务有更强的鲁棒性、准确率和效率。

 本技术涉及一种基于机器视觉的卷烟圆柱度与圆度测量方法。所述方法包括:卷烟图像的获取、图像预处理、卷烟边缘检测和特征提取、轮廓外接圆与内接圆绘制、卷烟圆柱度与圆度计算。本发明设计一种圆柱度与圆度测量方法，本发明依据的机器视觉技术融合了数字图像处理和计算机技术，检测过程不会造成额外损伤和形变，检测精度高，且方便快捷，易于实现在线自动检测，提高卷烟生产验收的效率。

 本技术提供了一种图层聚焦插画单视图3D重建方法，该方法通过SAM对数据集中的原始插画单视图进行区域分割，得到包含原始插画单视图及其图层通道的区域文本对微调CLIP模型；然后对数据集T中的每张原始插画单视图提取非自然的轮廓线，语义信息与图层信息；根据单视图中角色体态选取基础素模初始化3D点云，并通过点云分割将人体点云分割成不同的部分，并依照非自然的轮廓线的位置信息对相应点云区域进行噪声生长与颜色扰动，再分别映射到潜空间当中，并采用LDM获得最终潜在表示；最后将最终潜在表示经过解码器获得最终3D表示，重建3D资产。本发明可根据给定的一张插画单视图，生成相对应的3D资产。

 本技术基于YOLOv10算法，提出了一种针对无人机航拍图像的改进检测算法S‑YOLO，属于无人机航拍遥感图像的目标检测技术领域。该算法主要包括以下步骤:首先，提出C2f_GCU模块，以增强backbone对小目标特征的提取能力；其次，提出FFM模块，提高颈部的多尺度特征融合能力，并进一步增强小目标特征；然后，在分类损失函数中引入Dice损失函数，以改善因标签不平衡导致的问题；接下来，设置训练参数并保存权重数据；最后，选择验证集中最优的权重载入网络，并使用测试集进行评估。本发明旨在提高无人机航拍小目标检测的精度。

 本技术提供一种使用最小尺寸窗口的聚焦形貌恢复方法，首先对窗口矩阵进行变换得到位置向量，之后计算位置向量中所有位置的分布半径，和每个位置与其他位置之间距离的最小值，并计算最小值之间的方差，最后将分布半径和方差加权求和作为焦点值，确定最终的深度图；窗口尺寸越小计算的焦点值越准确，也就是说，本发明可以在使用最小图像窗口尺寸的前提条件下计算得到更准确的深度图，这较大程度的减小了计算精度对大尺寸窗口的依赖。

 本技术公开一种基于深度学习的复杂条件下杂草目标识别方法，该方法首先对数据集通过LabelMe软件完成半自动标注后借助CVAT，即ComputerVisionAnnotation Tool，进行手动标注；然后，改进CoatNet检测网络的Transformer架构，在DCMHA中引入高斯噪声检测层，并引入Dropout正则化技术，提高计算效率；进一步，改进Coatnet网络结构并加深网络层次以提高网络对复杂目标的特征提取能力；再此基础上，设计非对称平滑焦点损失函数，即Asymmetric SmoothedFocal Loss函数，将交叉熵函数换为焦点损失函数，即Focal Loss函数，引入标签平滑策略和非对称性；最后，将原始视频图像输入训练所得的深度网络，得到最终杂草识别的结果。该方法增强细节信息的表达能力，对于复杂条件下杂草目标识别任务有更强的鲁棒性。

 本技术公开了一种包裹多面分布式密集标签视觉特征定位及信息解码方法，涉及图像特征识别技术领域。本发明包括分别提取输入图像与模板标签图像的特征点，创建并启动标签定位线程，提取输入图像与模板标签图像的特征点，并通过特征点匹配对疑似目标标签区域进行定位，获取疑似标签位置并提取疑似标签图像。本发明通过从图像采集、标签定位到信息解码均在独立的流程中进行，实现数据采集处理流水结构，从而提高生产效率，通过利用图像特征检测技术，对产品包裹全方位采集的图像分别进行处理，获取包裹各个面图像中的疑似标签位置，从而实现包裹多面密集标签定位的目的。

 本技术涉及计算机视觉与图像处理技术领域。提供了一种大模型‑分形联合辅助的矿物图像智能分割与识别方法，包括步骤:获取矿物图像数据，进行预处理得到矿物图像数据集；基于SAM和分形模型构建初始联合模型，对初始联合模型进行训练，得到联合模型；通过矿物图像数据集对联合模型进行优化处理，得到优化联合模型；对待处理矿物图像进行分割，标注出待处理矿物图像中矿物颗粒的边界；通过优化联合模型对标注后的矿物颗粒进行分形分析，输出矿物颗粒的分割掩码和分形定量信息。解决了传统的矿物图像分析方法依赖于人工观察和手动标注，不仅耗时费力，而且容易受到主观因素的影响，导致分析结果的不一致性和不确定性的问题。