基于改进链码的新型手形图像分割方法

为精确定位手形图像中的分割拐点并避免检测出伪拐点,改进了基于链码的拐点检测方法,并应用于手形图像的指尖、指跟点定位.采用多阶差分方法,改进基于Freeman链码的拐点检测方法,以去除伪拐点和精确定位拐角点;对手形图像进行二值化和边缘提取后,利用改进的链码法检测手形轮廓点中具有局部曲率极值的拐点,作为手形分割的特征点.通过实验对比,该方法在手形分割和识别中达到了较好的效果,身份识别率达到95.95％.     

基于振动信号SVM分类的变压器状态识别

为提高基于振动信号的变压器状态识别准确率,提取振动信号的峰峰值、均值、偏度等时域特征量和主频率幅值占比、基频幅值占比、50 Hz及其奇次倍频幅值占比等频域特征量构成特征向量,运用支持向量机(SVM)分类方法对变压器进行状态识别。采集了变压器正常与故障运行状态下的振动信号,结合实测信号分析了各特征量随变压器状态的变化,最后对比了单个特征量与多特征量结合对变压器正常短路、正常空载、故障短路、故障空载4种状态的识别准确率。结果表明,结合振动信号多个特征量的SVM分类对变压器的状态识别准确率显著高于单个特征量的识别准确率。     

基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

基于随机森林与长短时记忆神经网络的真空接触器故障诊断方法研究北大核心CSCD

针对真空接触器的渐发性故障识别准确率不高的现状,提出了一种基于随机森林与长短时记忆神经网络的故障诊断方法。文中分析了某型号12 kV真空接触器在机械保持工作情况下合闸线圈电流信号的故障特征,构建了两层诊断模型,在初步诊断中利用随机森林分类器,识别特征明显的突发性故障,利用长短记忆神经网络模型发掘数据时序特征的特点,识别渐发性故障,在最终诊断中利用证据融合将两者结果融合。文中提出的故障诊断模型有效解决了传统故障诊断方法对渐发性故障识别困难的不足,实验表明,该方法对渐发性故障识别准确率达到了91.1%以上,整体故障识别的准确率达到93.3%以上,该方法具有一定的应用价值。     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低。并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值。因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高。首先构建了融合卷积注意力模块的双路异构卷积神经网络,强化了对仪表图像特征的提取,改善了特征的类型和分布,提高了仪表读数识别的准确率;然后采取了软区间分级回归的策略,极大地简化了模型的体积,使得模型易于部署;最后通过算例对比了所提方法和基于指针线段检测的深度学习、机器学习模型识别仪表读数的准确率和效率。算例表明,所提方法在仪表图像读数识别准确率和效率之间取得了较好的平衡。     

视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于MEMD和TK能量算子的肌电信号手势识别

为提高肌电信号手势识别的准确率,提出基于时频域分析的肌电信号特征提取方法。该方法利用无线肌电信号采集装置获得肌电信号,采用基于多元经验模态分解(multivariate empirical mode decomposition, MEMD)和TK(Teager-Kaiser)能量算子的肌电信号特征提取方法,利用多维尺度分析(multi-dimensional scaling, MDS)对多通道特征降维,采用线性判别分类器(linear discriminant analysis, LDA)对手势特征分类识别。将该算法应用于UCI数据库,手势识别准确率达98.96%,应用于自主采集数据库准确率达99.37%,同时F1 score具有明显提升。实验结果表明,与典型方法相比,所提出的肌电信号特征提取方法对手势识别的准确率更高。     

注意力机制 CNN 结合肌电特征矩阵的手势识别研究

当前基于卷积神经网络(CNN)的手势识别研究集中于增加网络深度,较少关注改善样本数据分布带来的性能提升。 针对此类问题,提出一种量化表面肌电信号(sEMG)特征相关性的肌电特征矩阵(EFM)样本输入有效通道注意力(ECA)机制 CNN,用于识别 NinaproDB1 中 52 类手势。 首先使用时间窗截取低通滤波后的 sEMG,计算多种信号时域特征;然后利用笛卡尔 积组合并相乘不同特征,对特征相乘值进行归一化后得到 EFM。 同时,引入 ECA 机制使网络关注重要的深层特征,从而提升手 势分类效果。 分别输入 sEMG、肌电时域特征和 EFM 到注意力机制 CNN 进行手势识别,EFM 识别准确率最高,达到了 86. 39%, 高于近年来手势识别研究方法精度。 验证了提出方法的有效性,为多类别手势准确分类提供可行新方案。     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

基于相关性和类间差异度的放电声信号特征量选择与降维

为准确高效地诊断电气设备放电故障类型，实现多维特征的有效降维，提出了基于相关性和类间差异度的特征量选择与降维方法。首先，搭建模拟放电可听声信号采集平台，利用交叉小波变换分析信号的相关主成分，获得信号特征频带及其对应的离散小波重构时域分量，提取不同类型放电声信号的多维时域特征；然后，利用Pearson相关系数矩阵分析特征量之间的相关性，结合各特征类间差异度和类内离散度，优选出特征量进行识别效果检验；接着，以参数优化的支持向量机识别准确率为维度选择判据，依据准确率变化规律确定最终维度和特征；最后将该文方法与传统降维算法进行对比，并探究不同干扰模式对该文方法的影响。结果表明：所提方法相对传统降维算法保留了原始特征属性，最终所选特征的识别准确率超过96%，为特征降维提供了有效判据。     

基于人脸比例特征提取与匹配的身份鉴别

针对人脸识别身份鉴别中的小样本问题,提出基于人脸比例特征提取与匹配的身份鉴别方法。首先基于图像灰度分布统计特征方差分析为阈值对图像进行二值化处理,然后基于主动形状模型算法实现人脸检测与特征点定位,构建脸型、鼻型、眼型共7项人脸比例特征并作为身份鉴别特征向量,最后利用基于层次分析法的相似度匹配模型实现身份鉴别。在Yale和MD图像集上的测试表明,所提方法适用于复杂背景下人脸面部特征的提取和身份鉴别应用。     

基于卷积神经网络和语义特征的眼型分类

眼睛是人脸特征最重要的构成部分,研究眼睛的特征点定位和形状分类问题,对扩充智能模拟画像系统中的眼睛库起着至关重要的作用。提出一种基于级联卷积神经网络与语义特征的人眼分类方法,采用三级的级联卷积神经网络,检测并由粗略到细致地定位出106个特征点,根据定位眼睛的20个特征点对眼睛进行形状建模并定义3个确定眼型的形状参数,对这3个参数进行分段处理,通过每一区间对应不同的语义描述来达到眼型分类的目的。实验结果表明,此方法定位准确,能达到良好的眼睛分类效果。     

基于宽带检测的局放脉冲波形快速特征提取技术

根据电工设备绝缘存在多局放的工况,提出研制基于单个脉冲的局放宽带检测与模式识别在线监测系统.并指出研制该系统需要解决脉冲群快速分类这一关键技术,其由脉冲波形的快速特征提取以及基于波形特征的快速聚类分析组成.本文针对100Ms/S采样率获取的宽带脉冲波形、-时间序列,提出分别使用幅值参数法、等效时频法和时频熵法对局放脉冲波形的特征参数进行提取.在对人工设置的多局放源产生的脉冲群数据进行波形特征提取后,使用模糊聚类对脉冲群波形特征提取结果进行了对比分析.结果表明:三种波形特征提取方法均能在一定程度上很好地分离干扰源而提取出局放数据.GIS母线尖刺缺陷的试验数据处理同样证实了该技术的有效性和可行性.这为研制基于单个脉冲的宽带局放检测与模式识别在线监测系统提供了实用的脉冲波形快速特征提取技术.     

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。     

基于不变矩和SVM的圆形交通标志识别方法研究

针对道路交通标志的自动识别问题,通过不变矩和支持向量机(SVM)方法对圆形标志图像识别方法进行研究。首先根据交通标志的颜色和形状信息对采集到的原始图像进行颜色分割、形态学去噪和形状检测等处理,获得图像中包含交通标志的区域。然后分别对标志图像进行Hu矩和Zernike矩的特征值提取,将特征值输入SVM中进行训练并采用网格搜索法对SVM进行参数优化,最后使用优化后的支持向量机方法实现交通标志的识别。实验表明,与现有的其他交通标志识别算法相比,采用高阶Zernike矩与优化后SVM的识别方法有更好的识别效果。     

基于表面肌电和加速度信息融合的手势识别

针对现有手势识别方法中人为提取特征具有局限性的问题,考虑到MYO臂环稀疏多通道的特点,提出一种融合表肌电信号(sEMG)和加速度(ACC)信息的手势识别方案。首先由5位受试者佩戴MYO臂环,同步采集8组不同手势的多通道sEMG、ACC数据;其次采用一种新的数据预处理方法,使用高能量滑动窗将数据进行分割,得到短时有效活动段;最后设计出一种并行多层的LSTM网络,对两类数据进行特征提取和融合,实验准确率达96.87%。结果表明,所提出的手势识别方案简便可行。     

基于HS-CrCb空间的手指数量检测方法研究

手势识别成为未来人机交互的重要方式,本文主要对复杂背景下手指数量的检测方法进行研究。首先通过对比分析不同颜色空间下的手势区域提取方法,提出一种基于 HS-CrCb 肤色模型的手势区域提取方法,并在实验中提取了更清晰和完整的手势区域;其次,采用凸缺陷、手势形状以及手指夹角等特征对手势进行建模和手指数量检测,算法能准确识别出不同手势下对应的手指数量。在Qt和OpenCV环境下建立算法平台,算法在实验测试中取得了良好的效果,具有较好的工程参考和应用价值。     

手部抓取动作特征提取算法研究

针对人手抓取动作问题,如何有效地提取表面肌电信号特征是提高其模式识别率的关键。通过对前人不同手部抓取动作的分类方法及日常生活工作中使用的频度进行统计学分析,决定选取8种抓取动作进行研究。实验显示,随着手部动作姿态种类的增加,基于表面肌电信号的不同特征提取算法分类能力出现不同程度的下降甚至失效。为取得更为理想的抓取动作分类效果,提出将抓取动作分割为预抓取和抓取两个动作过程。选择采集预抓取动作前臂肌电信号,除对其时域、频域及时频域常用特征量进行分析对比外,还增添了对时频域中小波系数最大模值的分析,旨在找出最有效表征肌电信号动作分类的特征量。实验结果表明,小波系数最大模值量最有特征可分性,区分效果比较理想。     

基于FPGA的快速图像纹理特征提取方法的研究

图像特征的一个重要分支就是纹理特征,它体现了不同图像和物体的形态、大小、分布、方向等重要参数,对图像特征识别起到决定性因素。但是纹理特征提取的过程十分复杂且计算量巨大,为了解决这个难题,提出了一种在现场可编程逻辑门阵列(FPGA)平台下实现纹理特征提取新方法。首先对基本图像特征算法做了并行化的优化,从算法的数值范围和表示精度两个角度,做了相应的分析和误差控制,从而适应FPGA的运行。然后对FPGA的数据流传输提出了一个高效率的解决办法,该方法对其中的主要模块采用了流水线优化,并采用寄存器配置模式,从而在线地修改参数,适应不同的图像大小和卷积核等环境变量。结果表明,在同等功耗条件下,可以达到10倍于CPU的性能,达到了快速提取特征的目的。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。