基于卷积神经网络的手势识别初探

提出一种用于手势识别的新算法,使用卷积神经网络来进行手势的识别。该算法避免了手势复杂的前期预处理,可以直接输入原始的手势图像。卷积神经网络具有局部感知区域、层次结构化、特征抽取和分类过程等特点,在图像识别领域获得广泛的应用。试验结果表明,该方法能识别多种手势,精度较高且复杂度较小,具有很好的鲁棒性,也克服传统算法的诸多固有缺点。     

基于区域协方差的车位识别方法

提出了一种基于区域协方差的车位状态监测识别方法。车位状态监测识别的难点在于光线的变化、阴影、以及环境的干扰,通过提取YCbCr色彩空间的亮度Y分量,用Sobel算子获得各个像素点水平跟垂直方向的的亮度梯度,进而构建特征向量,然后用区域协方差矩阵来描述车位所在的区域,最后用协方差矩阵的距离测度特性做出车位状态(空闲/占领)判决,与以前的方法比较具有一次采集实现多车位识别的突出优点,且该方法对光线不明感,鲁棒性较强。     

快速混合高斯模型的运动目标检测

针对经典混合高斯模型算法在实际应用中计算量大实时性差,且对光线变化和运动物体速度敏感的缺点,提出一种改进的快速检测算法。通过选取合适的间距,先用帧间差分法提取出完整的运动区域和背景区域,只对前者进行混合高斯模型匹配,来降低计算量。对背景图像不同区域采用不同背景更新率,及时响应背景变化。最后引入一个光线突变参数,来预防光线突变给检测带来的干扰。通过实验,证明本算法在实时性,鲁棒性,稳定性等上有了很大的改善,能够很好的检测出运动目标。