基于梯度聚类的有序点云边缘优化提取方法

应用传统的2D边缘检测器检测低分辨率深度图中物体边缘时,边缘检测精度较差,召回率低;而当前基于3D点云的边缘提取方法也存在实时性差、抗干扰能力弱等缺点。为此,提出一种基于梯度聚类的边缘优化提取方法,实现从有序点云中快速、稳定地检测物体的边缘。首先,通过邻域点距离分析滤除飞行像素噪声,消除边缘误检;其次,提出一种基于梯度聚类的边缘点/非边缘点分离方法,快速获取物体的粗边缘;最后,结合快速平行细化算法与掩膜滤波,优化粗边缘,获得物体精确边缘。在公共数据集和TOF相机实测数据上进行实验验证。结果表明,提出方法的实时性与检测精度均优于现有方法,在实测数据中的边缘检测精度达89%,FPS达28 fps。     

基于单通道sEMG分解的手部动作识别方法

表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。     

融合长短时记忆机制的机械臂多场景快速运动规划

针对快速扩展随机树(rapid-exploration random trees,RRT)算法难以有效解决多场景环境下的机械臂快速运动规划问题,提出一种融合长短时记忆机制的快速运动规划算法.首先,采用高斯混合模型(Gaussian mixture models,GMM)在规划的初始阶段通过随机采样构建环境的场景模型,并利用该模型进行碰撞检测,以提高运动规划效率;然后,根据人类的记忆机制原理,对多场景的不同GMM按照即时记忆、短期记忆和长期记忆进行存储,并通过场景匹配算法实现不同场景GMM的快速自适应提取,提高对变化环境的适应能力;最后,通过在Matlab以及ROS仿真环境下6自由度柔性机械臂的运动规划仿真实验对所提出的算法进行验证.实验结果表明,所提出算法可以快速提取场景的记忆信息,有效提高多场景环境下的运动规划效率,具有较强的适应性.     

基于Myo旋转偏移估计与自适应校正的手势识别方法

在基于表面肌电信号(Surface electromyography, sEMG)的手势识别系统中, 针对Myo环形电极多次实验间旋转位置不同导致的识别精度降低问题, 提出了一种基于极坐标系的电极位置偏移估计与自适应校正的识别方法. 该方法首先建立相对于环形肌电传感器的极坐标系, 提出了极坐标系下活跃极角(Activation polar angle, APA), 用于估计实验中传感器相对于初始位置的横向旋转偏移角度; 进而建立基于偏移角度的线性变换模型, 在肌电信号特征空间内, 对电极偏移位置下的样本进行自适应校正. 在8 种常用手势识别应用中, 设计了两种实验范式: 利用传感器各通道数据循环平移模拟电极横向旋转偏移实验和肌电传感器在小臂肌肉上的真实旋转偏移实验. 结果均表明所提出方法的识别精度远高于未进行校正的模型识别精度. 因此, 所提出的电极偏移估计与自适应校正识别方法, 不仅有效提高了表面肌电交互系统识别的鲁棒性, 也降低了使用者在多次使用时训练成本与学习负担.     

基于表面肌电的运动意图识别方法研究及应用综述

表面肌电信号 (Surface electromyography, sEMG) 是人体自身的资源, 蕴含着关联人体运动的丰富信息, 用它作为交互媒介以构建人机交互 (Human-robot interaction, HRI) 系统有天然的优势.通过肌电信号实现人机自然交互的关键是由肌电信号识别出人体运动意图, 通常包括离散动作模态分类、关节连续运动量估计及关节刚度/阻抗估计等三方面内容.本文详细归纳基于表面肌电的运动识别方法研究成果, 总结当前研究的特点; 随后, 介绍基于表面肌电的运动识别技术的应用现状, 并探讨制约其推广的主要问题; 最后, 展望该技术的未来发展.     

基于肌电信号容错分类的手部动作识别

针对肌电交互系统中因电极断开、损坏及数据传输中断等故障造成的数据错误/丢失问题,提出一种基于高斯混合模型的肌电信号容错分类方法,通过对肌电信号特征样本中错误/丢失数据边缘化或条件均值归错实现非完整数据样本分类.应用所提出的方法识别5种手部动作,实验结果表明,该方法的动作识别精度要高于传统的零归错与均值归错方法.最后,融合容错分类机制开发了肌电假手平台,在线实验验证了提出的方法可以有效提高肌电交互系统的鲁棒性.     

基于视频帧连贯信息的3维人体姿势优化估计方法

针对基于视频的3维人体姿态估计问题,传统方法是先估计出每帧图像中的3维人体姿态,再将估计结果按帧序排列,获得视频中的3维人体姿态.这种方法没有考虑连续帧间人体动作的连贯性,以及人体关节连接的空间一致性,估计结果中常会出现人体的高频抖动及动作的较大偏差.针对该问题,提出一种基于视频帧连贯信息的3维姿态优化估计方法.首先利用2维姿势估计结果优化人体3维关节点坐标,以减少抖动;其次引入前后帧关节点运动的逆向与正向预测,以保持动作连贯性;最后,加入骨骼连接约束,建立可保持人体动作轨迹光滑且优化前后关节连接结构一致的模型,实现对3维人体姿态的精确估计.在公共数据集MPI-INF-3DHP上的测试结果显示,与基准3维姿态估计方法相比,本文方法估计的关节点平均误差降低3.2％.在公共数据集3DPW上的测试结果显示,与未优化情形相比,加速误差降低44％.     

融合显著性图像语义特征的人体相似动作识别

目的 基于骨骼的动作识别技术由于在光照变化、动态视角和复杂背景等情况下具有更强的鲁棒性而成为研究热点。利用骨骼/关节数据识别人体相似动作时,因动作间关节特征差异小,且缺少其他图像语义信息,易导致识别混乱。针对该问题,提出一种基于显著性图像特征强化的中心连接图卷积网络（saliency image feature enhancement based center-connected graph convolutional network,SIFE-CGCN）模型。方法 首先,设计一种骨架中心连接拓扑结构,建立所有关节点到骨架中心的连接,以捕获相似动作中关节运动的细微差异;其次,利用高斯混合背景建模算法将每一帧图像与实时更新的背景模型对比,分割出动态图像区域并消除背景干扰作为显著性图像,通过预训练的VGG-Net(Visual Geometry Group network)提取特征图,并进行动作语义特征匹配分类;最后,设计一种融合算法利用分类结果对中心连接图卷积网络的识别结果强化修正,提高对相似动作的识别能力。此外,提出了一种基于骨架的动作相似度的计算方法,并建立一个相似动作数据集。结果 ...     

基于表面肌电的意图识别方法在非理想条件下的研究进展

在基于表面肌电信号(Surface electromyography, sEMG)的意图识别研究领域, 目前大多数的研究主要集中在提高肌电识别的准确性方面. 然而, 在实际应用中, 基于sEMG识别的交互系统往往受到诸多非理想因素干扰, 肌电识别的准确性大大降低. 本文主要关注在非理想条件下肌电识别的鲁棒性研究, 首先详细归纳了肌电识别方法受到的非理想干扰因素(如电极偏移、个体性差异、肌肉疲劳、肢体姿态或其他综合性干扰), 总结了当前研究的抗干扰方法; 随后讨论了非理想干扰因素研究现状中的主要问题; 最后在构建肌电数据集、探索深度学习和迁移学习以及肌电分解研究等方面, 对未来的关键技术进行了展望.     

基于自更新混合分类模型的肌电运动识别方法

传统基于肌电（Electromyography,EMG）的运动识别方法多是利用训练后的固定参数模型,分类已预先定义的有限个目标动作,但对肌肉疲劳导致的肌电变化,以及未定义的外部动作等干扰因素无能为力.针对这一问题,提出一种自更新混合分类模型（Self-update hybrid classification model,SUHC）,该模型融合了用于排除外部动作干扰的一类支持向量机（Support vector machine,SVM）,以及用于分类目标动作数据的多类线性判别分析（Linear discriminant analysis,LDA）,并引入自更新机制以对抗肌电时变性干扰.通过手部动作识别实验验证提出方法的效果,在肌电大幅变化干扰下,SUHC的目标动作识别精度达到89%,对比传统的支持向量机、多层感知器（Multiple layer perceptron,MLP）和核线性判别分析（Kernel LDA,KLDA）,提高了约18%,并且SUHC具备排除外部动作干扰能力,排除精度高达93%.