基于三维视觉特征的数字手势语义识别新方法研究

为了解决现有手势识别易受背景噪声干扰和算法较为复杂的问题,提出一种基于3D视觉的数字手势语义识别方法。首先,通过RealSense 3D相机采集手部区域的RGB图像和深度图像,并结合深度信息和肤色信息,对手势进行分割;其次,对手势图像进行形态学滤波后,得到手势区域的轮廓凸包面积比、凸缺陷数、手指夹角和关键点连线比值等特征参数;最后,通过分析不同手势独有的特征参数,实现准确的手势识别。对数字0～9的手势分别进行50次识别实验,手势分割准确率为100%,手势识别准确率为98.5%。实验表明该方法准确可靠,数字手势识别效果理想。     

手势识别系统中手指及指尖检测方法

为了满足手势识别系统中手势的识别与理解的需要,提出了一种快速、鲁棒的手指及指尖检测方法。首先根据肤色在颜色空间中的聚类特性,初步分离出感兴趣的手势部分。然后在此基础上,通过手轮廓边缘曲率特征法结合用于检测平行线的环形算子,实现指尖和手指的快速精确检测。实验结果表明,该方法能有效的检测出指尖、手指,并为进一步在手势识别系统中应用打下基础。     

服务机器人手势识别系统研究

为了解决手势控制服务机器人时单手手势交互不够自然和易受背景光照影响的问题,提出一种较自然的双手手势识别方案。利用Viola-Jones检测器和高斯肤色模型结合的方法进行手势分割,有效克服了背景和光照的影响。针对单一特征识别时的缺点,提取手势形状的多种特征组成混合特征向量。最后通过经典的BP神经网络方法实现手势识别。实验表明,该系统在不同背景和光照条件下鲁棒性较好,识别率在90%以上,可以对服务机器人进行前进、后退、左转、右转、停止的实时控制。     

复杂背景下多特征结合的深度学习手势识别

科学技术的快速发展使得基于深度学习的人机交互已经得到广泛的应用。手势识别作为人机交互领域的重要组成部分,同样具有重要的研究意义和应用价值。通过对传统的手势识别方法进行研究,发现主要是利用肤色检测算法实现手势识别和分类,但是传统方法在针对具有复杂背景的手势图像时会出现识别效果差等问题。为解决这一问题,提出一种基于卷积神经网络的肤色特征和边缘特征结合的手势识别方法。首先,在YCrCb颜色空间采用椭圆肤色模型和Otsu阈值肤色识别算法获取手势肤色特征,经算法判断后,对手势肤色图像采用改进Canny边缘检测算法获得手势边缘特征。其次,提出一种边缘填充方法对手势边缘图像处理,得到手势轮廓完整的手势边缘图像。最终,采用逻辑运算和形态学运算得到手势分割图像,并输入卷积神经网络进行训练和识别。实验结果表明,该方法在复杂背景下具有较好的手势识别效果,在NUS-II数据集上的平均识别率为98.83%。     

手指静脉图像感兴趣区域快速提取方法研究

手指静脉识别技术由于其非接触、高防伪性以及活体检测等优点,成为研究与应用的热点。针对传统手指静脉图像感兴趣区域提取方法过程复杂、运算量大的问题,提出一种感兴趣区域快速提取的方法。该方法采用三点对比法定位手指上下边界以及基于相似三角形定理的图像校正方法。与传统的方法相比,省去了边缘优化的复杂过程以及减少了旋转校正的乘法运算量,能将指静脉图像感兴趣区域提取的速度提高2～3倍。利用指静脉图像库进行仿真实验,结果表明,本算法提取ROI的正确率为100%,识别的等错误率仅为2.45%,说明该方法具有较高的普适性和稳定性,能广泛应用在指静脉识别系统中。     

神经网络与马尔可夫模型的手势识别系统

手势是一种作为表达思想或感情的肢体或身体运动,人的语言和手势是最好的沟通工具。采用基于彩色和边缘信息进行手区域检测,利用神经网络和最大内切圆搜索的方法对定义的手姿态进行识别,用基于隐马尔可夫模型对手势进行识别;对6种背景下的手势进行识别,实验证明本文的方法具有很高的识别率。     

基于肤色和特征相似度映射手势识别算法

文中提出用来进行手区域定位和手势识别的新算法,该算法基于肤色特征和特征相似度映射函数,该函数是归一化为[0,1]的函数,它模拟在尺度空间中各点的图像特征的相似性.实验结果表明运用该方法能够在复杂的背景中进行手势识别.     

支持自定义的多粒度动态手势识别方法研究

大多数手势识别研究往往仅考虑手部的运动轨迹,无法全面的对动态手势特征进行描述。在深度分析了驱动手势的各关节特征影响度的前提下,使用了多粒度的动态手势识别方法,同时,针对大部分手势识别研究不考虑用户自定义手势问题,提出了一种改进的动态时间规整(DTW)方法。实验结果表明,该方法可以较好的识别不同粒度下的手势,以及在自定义模式下准确的识别出非模板库中的手势,从而实时的向模板库中添加新手势。     

基于Mask R-CNN与SG滤波的手势识别关键点特征提取方法

手势识别是人机交互的重要手段.为了精确识别手势并摒除光照等环境干扰,同时减除由于手部高维运动造成的关键点剧烈抖动的问题,提出一种基于基于蒙版区域的卷积神经网络(Mask Region-based convolutional neural network,Mask R-CNN)与多项式平滑算法(Savitzky-Golay,SG)的手势关键点提取方法.该方法首先对输入的红绿蓝(RGB)三通道图像进行特征提取与区域分割,获得手部的实例分割与掩码.然后利用ROIAling及功能性网络进行目标匹配,标记出22个关键点(21个骨骼点+1个背景点).将标记后结果送入SG滤波器进行数据平滑,并进行骨骼点的重新标定.从而得到稳定的手势提取特征.对模型进行对比实验,结果表明,该方法能够最大程度摒除环境干扰,并精准提取关键点.与传统基于轮廓分割的手势关键点提取相比,模型的鲁棒性大大提高,识别精度达到93.48％.     

倾斜指势动作识别设计方法

为满足手指交互系统的需要,并能够达到对倾斜指势进行准确识别的要求,介绍了一种快速、准确对指尖检测定位并实时识别倾斜指势的方法。该方法利用YCb Cr颜色空间分割算法对肤色聚类进行粗分割,然后运用"周积比"概念对预处理区域进行细化分割,剔除除手部以外的肤色干扰区域并利用最小二乘法二项式拟合算法获取手指轮廓。采用改进的凸包络优化算法完成指尖的检测及倾斜修正。最后,进行局部扫描获得最终的指势识别。实验表明,介绍的方法能实现简单倾斜指势0~9的识别且识别率高达95.7%,稳定性较好。     

基于珍珠数字图像的颜色特征提取及检测方法研究

为了优化珍珠颜色特征提取,提高珍珠颜色检测准确率,提出结合K-means聚类和局部梯度的阴影检测算法,结果表明该算法可以精确检测珍珠数字图像中珍珠的阴影,消除了阴影对提取颜色特征的干扰。在Lab颜色空间,提出基于珍珠回音廊效应区域的颜色特征提取,使用GA-SVM作为珍珠颜色识别方法,提出使用二次颜色检测策略,通过两次颜色检测确定珍珠颜色类别。通过对比实验结果表明,珍珠体色色系检测准确率达到100%,珍珠颜色检测准确率达到98.7878%。     

基于空间灰度重心推进的线结构光中心提取

利用线结构光对工件进行三维测量时,快速、准确提取激光光条中心是测量系统的关键技术之一。提出一种基于空间灰度重心推进的激光中心提取方法。该方法基于激光条纹空间灰度重心向前推进,结合八邻域判定法进行光条空间区域的选取,接着对选取的区域进行新的空间灰度重心坐标提取;在完成整幅图像提取后,采取3σ准则剔除异常中心点,最终获得激光中心坐标信息。实验结果表明,所提算法对不同类型条纹的适用性强,提取效果稳定。提取中心均方根误差为0.492 pixel,相较于提取精度最优的Steger改进算法提升了9.8%,提取速度提高了5倍;相较于处理速度最优的内部推进算法,在保持提取速度基础上,提取精度提升了24.1%。同时,所提算法极大增强了对欠曝光光条图像的处理能力,有效降低了环境对线结构光测量的限制。     

基于C-SIFT特征向量图像复制粘贴篡改取证算法

如今网络时代中充斥着大量经篡改的图像,目前检测方式如局部不变性特征描述、Harris角点算法对复制粘贴篡改地检测准确率较低。通过对彩色图像分块、色彩空间边缘化提取、图像灰度化得到完整的灰度化局部图像。利用对不同图像块中的特征向量集提取、标记、匹配和归一化处理,在欧氏距离达到某一阈值后特征向量匹配成功,即检测到图像具有复制粘贴篡改的痕迹。最后选择3类不同的照片仿真测试,说明该算法可有效提升复制粘贴篡改图像的检测成功率、检测速率。     

一种基于改进SIFT的图像检索算法

为了实现高准确率要求的数字出版物中引用图片的侵权审查,提出了一种基于改进SIFT算法的图像检索算法。该改进算法首创性地提出了在特征提取过程中加入图像SIFT特征点的邻域颜色特征,并设计了双匹配的特征点匹配策略,增强了特征点匹配的可靠性,提升了图像检索的性能。该改进算法被分为3个步骤来实现：基于灰度和HSV彩色空间的双尺度空间的生成,结合传统SIFT特征点描述子和特征点颜色特征向量的新特征点描述子的生成,特征点搜索与双匹配。实验结果表明,与原始的SIFT算法相比,本文改进算法的检索精度更高,并且检索速度没有明显下降。     

一种基于图像增强的交通信号灯识别方法

针对现有传统算法在光照不均匀、背景复杂的情况下对交通信号灯的识别精度低、漏检率高的问题,本文提出了一种基于图像增强的交通信号灯识别方法。首先采用改进的迭代法对原图像进行处理;接着在HSV颜色空间中增强原图像的V通道亮度信息,利用自调节的颜色阈值范围筛选出交通信号灯的颜色候选区域;最后,分别提取原图像经过双处理后获取到的图像轮廓,结合两张图像中的轮廓信息筛选出信息相同的候选区域,并通过计算候选区域的面积、宽高比判断出交通信号灯的区域,从而完成交通信号灯的识别。实验结果表明,在光照不均匀和复杂背景条件下,该算法比现有其他传统算法的识别准确率提升了1.05％,并具有良好的实时性。     

基于背景和像素的彩色车牌定位

提出结合车牌的背景差和像素分类实现彩色车牌定位算法。首先采用背景差法,即原图与背景图像相减,去除大量疑似车牌颜色特征的背景区域,缩小定位范围;然后统计车牌颜色RGB值,利用像素分类对车牌进行水平和垂直精确定位,确定车牌区域。实验表明,该方法定位准确率高,适用于任意背景、位置和光照下的车牌定位,明显克服了用车牌单一特征分析时难以解决的车牌区域变大的问题。     

色彩传递算法在不同色彩空间中的成像效果研究

为了在红外与可见光图像融合系统中,评价不同色彩传递算法在不同色彩空间中的成像效果,分别在YCbCr色彩空间和lαβ色彩空间中,采用全局色彩传递算法和点对点色彩传递算法分别对一组图像进行效果对比研究,并使用客观评价方法对处理结果进行计算分析,所得到的评价结果与主观评价结果基本一致。经过实验对比,客观评价方法的结果与主观评价方法的结果一致,色彩空间的选择对色彩传递算法的最终效果有显著的影响,在YCbCr空间中,全局色彩传递效果好于点对点色彩传递效果;在lαβ空间中,点对点色彩传递效果好于全局色彩传递效果。     

基于肤色分割与AdaBoost算法的人脸检测

提出了一种将肤色分割与AdaBoost算法相结合的人脸检测方法。该方法利用肤色的聚类特性在YCbCr色彩空间中建立肤色高斯模型,通过形态学处理完成图像肤色区域的筛选;然后利用AdaBoost算法训练弱分类器并构成强分类器,对强分类器进行组合,形成级联分类器并对候选区域进行人脸检测,排除非人脸肤色区域,实现对不同角度人脸的正确检测。该方法可同时解决肤色分割方法对复杂背景图像的高误检率与AdaBoost算法对多姿态人脸图像的低检测率的问题。仿真实验表明,该方法具有检测率高、误检率低、适应性好及鲁棒性强的优点,对具有多姿态、多人脸和复杂背景信息的图像具有较好的检测效果,实用性得到增强。     

基于改进完全局部二值模式火焰特征提取的 转炉炼钢终点碳含量预测

转炉炼钢火焰图像特征的准确提取是预测终点碳含量的关键,针对于火焰图像相似性高进而难以区分碳含量相近的火焰图像,导致无法准确精准预测碳含量的问题,提出一种改进完全局部二值模式(improved complete local binary pattern,ICLBP)的彩色纹理特征提取方法,用于提取不同碳含量下更具区分性的炉口火焰图像特征并进行终点碳含量的预测.首先,在不同颜色通道下采用局部相位量化(local phase quantization,LPQ)提取图像相位信息,与CLBP提取的图像幅值信息组合成融合特征ICLBP_MP,以增强CLBP算法结构的鲁棒性;然后,通过改进的颜色信息加权策略对其进行加权,以增强火焰图像的颜色对比度信息;最后,使用K近邻回归模型对碳含量进行预测.实验结果表明,碳含量预测在0.02％误差范围内的准确率为83.9％.