基于傅立叶描述子和HMM的手势识别

针对家庭服务机器人平台中人机交互的问题,提出基于视觉的手势识别作为人与机器人交互的方式,研究利用傅立叶描述子对手势形状进行描述,并结合支持向量机和隐马尔可夫模型分别对静态手势和动态手势进行分类,实现了静态手势和动态手势的识别。该系统基于新型传感器Kinect,在图像分割阶段结合图像深度信息,可以有效的将手势区域提取出来,在一定范围内具有较强的鲁棒性,特征提取阶段基于傅立叶描述子,使手势识别具有旋转、缩放、平移不变性。针对七种常见静态手势和四种动态手势进行测试,平均识别率分别达到98.8%和96.7%,实验结果表明该系统具有较高的准确度。     

复杂背景下基于傅立叶描述子的手势识别

人的手势是人们日常生活中最广泛使用的一种交流方式。由于在人机交互界面和虚拟现实环境中的应用,手势识别的研究受到了越来越广泛的关注。但是目前基于单目视觉的手势识别技术中,手势分割要求背景简单或者要求识别者戴着笨重的数据手套。而该文结合了运动信息和基于KL变换的肤色模型,在复杂背景下进行手势分割,与传统的基于RGB肤色模型的手势分割相比,在复杂背景环境下得到了很好的分割效果。在对分割的手势区域进行预处理后,该文使用了一种归一化的傅立叶描述子进行手势的特征提取,相比传统的傅立叶描述子更加准确,最后采用了传统的三层BP网络作为模式识别器,手势训练集和测试集的识别率分别达到了95．9％和95％。     

傅立叶描述子识别物体的形状

傅立叶描述子是分析和识别物体形状的重要方法之一，利用基于曲线多边形近似的连续傅立叶变换方法计算傅立叶描述子，并通过形状的主方向消除边界起始点相位影响的方法，定义了新的具有旋转，平移和尺度不变性的归一化傅立叶描述子，与使用离散傅立叶变换和模归一化的传统傅立叶描述了相比，新的归一化傅立叶描述于同时保留了模与相位特性，因此能够更好地识别物体的形状，实验表明这种新的归一化傅立叶描述子比传统的傅立叶描述子能够更加高效，准确地识别物体的形状。     

基于傅立叶描述子的步态识别

提出了基于傅立叶描述子的步识别方法。用背景差方法得到运动人体的轮廊,通过步态周期分析提取步态序列的关键帧。利用傅立叶描述子处理关键帧的轮廊线序列,并进行数据维数压缩,得到匹配模板。用最近邻近法进行分类和识别。应用上述方法在Soton步态数据库上进行了实验,结果表明所提的步态识别方法具有罗高的识别性能。     

基于多尺度形状描述子的手势识别

随着计算机性能的提高和人机交互技术的发展,手势识别越来越受到人们的重视,尤其是基于视觉通道的手势识别,使人机交互变得更加便捷。但由于人手是复杂形变体,现有的方法对运动过程中手的形变的描述不够充分。该文从视觉角度提出了一种新的手势建模的方法-多尺度形状描述子。从分析手的基本形状入手,利用了圆形的轴对称和中心对称的几何特点,具有旋转和尺度不变性。该描述子从多个尺度对手势进行形状描述,在一定程度上解决了手势的精细区分问题。     

基于LSSVM的静态手势识别

支持向量机(Support Vector Machine，简称SVM)，是基于统计学习理论的一种新的模式识别方法，较好地解决了小样本学习问题。通过使非线性空间变换为线性空间，降低了算法的复杂性。LSSVM(Least Squares Support Vector Machine)由于使用线性等式代替了标准的SVM算法中的线性不等式，进一步降低了运算量。利用傅立叶描述子获取静态手势特征向量，通过LSSVM大尺度算法求解方程组来得到LSSVM分类器，进行静态手势识别，取得了较高的识别率。说明如何把静态手势识别结果应用到机器人远程控制中，提高人机交互的友好性。     

基于Euclidean距离的手势识别

提出了一种在距离空间内采用Euclidean距离计算的手势识别算法。手势图像经过边缘检测后,对边缘图像实施Eu-clidean距离变换（EDT）,在距离变换空间内计算距离映射图与样本之间的Euclidean距离。最后,对基于单目视觉的30个手指语字母手势进行识别,最好识别率达93.33%。     

结合CSS与傅里叶描述子的手势特征提取

目前常用的基于视觉的静态手势特征提取方法只从单一方面进行描述,缺乏全局信息和局部信息的有效结合。为此,提出一种结合CSS形状描述子与傅里叶描述子的手势特征提取方法。将CSS形状描述子与傅里叶描述子相结合,以此作为一种融合手势局部特征和全局特征的新的静态手势特征。实验结果表明,与传统方法相比,该方法的正确率更高,达到98.3%。     

一种基于多级弦长函数的傅立叶形状描述子

提出了一种用于形状检索的基于多级弦长函数的傅立叶形状描述子(MCLFD).它产生于对形状轮廓线的等弧长分割.相对于其它的傅立叶描述子,MCLFD不仅计算非常简单,而且对形状的整体特征和细节信息都能进行很好的描述.作者用MPEG-7的标准轮廓线形状测试集和从野外采集的植物叶片形状库,对MCLFD进行了检索性能测试,并和其它的傅立叶描述子进行了对比,实验结果表明,MCLFD具有更优的检索性能,通过加噪声实验也证明了其鲁棒性.     

基于自适应子空间在线PCA的手势识别

基于视觉的手势识别系统的学习一般是离线的,导致系统对新手势的正确识别需要重新离线学习,因此系统实时性、可扩展性和鲁棒性较差,不适合认知发育的智能框架。文中提出了基于自适应子空间在线PCA的手势识别方法。该方法通过计算样本投影系数向量的PCA来实现子空间在线更新,并根据新样本与已学习样本的差异程度,调整子空间更新策略,使算法自适应于不同情况,减少计算和存储开销,实现增量的在线学习和识别手势的目的。实验表明,本文方法能处理未知手势问题,实现手势在线积累和更新,逐渐增强系统识别能力。     

基于矩-傅里叶描述子人脸图像识别

本文介绍了在Radon变换下的图像矩特征的抽取方法，并得到图像的矩特征矩阵；进而对矩特征矩阵按行向量进行傅里叶变换组成矩－傅里叶描述子特征矩阵，采用矩阵的加权欧氏距离作为人脸图像的匹配识别的算法，产生较好的结果。     

傅立叶变换在粘连文字图像切分中的应用

对于已具有相当识别率的手写体文字识别系统来说切分算法已成为一个关键技术之一,它的正确率对系统性能有着极大影响。该文主要对文字图像的傅立叶变换的性质进行了讨论,提出了消除交换中笔画宽度影响的算法。在此基础上建立了基于傅立叶变换的单／多字图像的判定的基本准则以及基于此准则的粘连文字判别算法。实验表明该算法的粘连文字判断正确率达到９６％。为粘连文字的正确切分开辟了新的途径。     

纹理豪斯多夫距离在人脸识别算法中的应用

很多经典的人脸识别方法难以适应姿势变化及人脸错位的情形。为了解决这一问题,提出一种基于纹理豪斯多夫距离(THD)的人脸识别算法。将人脸图像的空间量及纹理特征相结合,使其在深入的头部转动和人脸错位中都有很高的容错度。在FERET及Yale两大人脸数据库的实验表明,与其他经典的方法相比较,所提出的方法取得了更好的识别效果。     

模式识别在过程控制系统中的应用

模式识别方法本质上是一种分类方法,它不需要过程的数学模型就可做出高级决策。模式识别方法已在过程控制中的许多领域得到了应用,如非线性和分布参数系统的结构辨识、在未知环境下运行系统的控制、自适应控制、智能控制、动态建模、状态估计、优化控制、故障诊断等。本文将概述模式识别方法在以上各方面(?)情况,并指出今后可能的研究方向。     

基于神经网络的肺癌细胞识别方法的研究

细胞识别是图像处理和模式识别领域的一个研究热点,有着十分广泛的应用前景。本文提出了基于神经网络算法FTART2的肺癌细胞识别方法,讨论了FTART2的网络结构、输入矢量的标准化及分类算法。用513个样本对网络进行训练,再用716个样本组成测试集进行测试,实验结果表明:本文提出的基于FTART2的肺癌细胞分类器与基于标准BP的分类器相比,具有学习速度快、分类精度高的特点。     

人脸自动检测与识别技术的研究及应用

本文提出了一种基于可疑人脸区域发现算法和结合投影图的人脸识别算法,算法在标准的人脸库上进行了实验,实验结果表明该算法能在人脸库中正确检测到绝大多数人脸的位置,并且在识别过程中体现了比标准特征脸方法更高的识别率和更小的计算量。以此算法为基础,研制和开发了一种计算机自动考勤系统。     

一种解决人脸识别误匹配灾难问题的方法

人脸识别过程中由于外界环境、样本数量以及扰动条件等因素的影响,分类器的分类错误率会出现急剧增加,导致误匹配灾难现象的出现。针对这一问题,采用一种改进型感知器与预识别算法,在人脸无拒识闭集识别的基础上改善和解决了这一问题。在VC++平台设计出的实时人脸识别系统上经过多次测试,结果表明,所设计的分类算法具有很好的自适应性与鲁棒性,误匹配率低、速度快,便于实际应用。     

一类模式识别方法及其在EEG分析中的应用

本文研究的一类问题可归之为波形鉴别法。研究的基本内容是模式分类,分析采用的数学方法是统计决策方法。文中侧重论述了三个问题。一是波形鉴别的特征选择,提出一种从时域抽提波形特征的方法,采用相关滤波和波形分析相结合的方法来抽提特征;二是分类器的设计,讨论如何利用自组织迭代动态聚类法对各模式进行分类,所采用的聚类准则与聚类算法;三是波形鉴别。作为一应用实例,对正常人与癫痫患者的EEG波形特征、模式分类、模式特征、模式组成、状态分析等诸问题进行了详细的讨论与分析。     

基于MATLAB软件的罗马数字模式识别

提出了利用神经网络的分类功能,并借助于MATLAB软件的神经网络工具箱,采用具有自适应学习速率和附加动量因子的BP型神经网络,实现罗马数字模式识别的新方法.该方法同样适用于其它符号的模式识别.