基于神经网络的手势识别系统研究

随着计算机视觉科技的日益发达及电子设备的广泛应用,手势识别成为一种重要的交互方式。为了提高手势识别的准确率,基于PyTorch深度学习平台,对比了BP神经网络和卷积神经网络（CNN）在手势识别方面的效果。实验结果表明,CNN的准确率可达92.5%,相较于BP神经网络更具优势。优化后的CNN在识别率方面进一步提升,并具有广阔的拓展空间。     

基于穿戴式加速度传感器的手势识别系统

采用ez430-chronos智能手表作为开发平台,利用其内置功能,读取手部运动产生的加速度数据,并将其传送至处理器。对目标手势采集一定量的数据,同时采集同样量的负样本—人手的自然动作,比较二者不同之处,确定目标手势的特征,并利用该特征识别目标手势。实验结果表明:该系统对目标手势有较高识别率,而对负样本有较高的误识别率,但可以通过设定更详细的识别特征进行改善。     

复杂背景下BP神经网络的手势识别方法

针对手势图像的肤色特点,结合肤色在RGB空间的阈值分割和YCbCr颜色空间上的聚簇特性,以及背景模型的应用,有效减少了背景中类肤色的干扰,完成了手部图像在复杂背景下的检测和分割;并采用图像的7个不变Hu矩描述子来表征不同二值化的手势轮廓;最后采用BP神经网络进行手势识别。实验结果表明该方法有较好的识别率和鲁棒性。     

基于BP神经网络的水果识别系统

近些年,计算机视觉发展迅速,在水果识别方向进行了广泛的应用和研究.本文设计基于BP神经网络的水果识别系统,选取生活中常见的三种水果:苹果、橘子、香蕉作为对象.首先,通过网络资源等搜集水果图像建立样本库;然后通过MATLAB对图像进行预处理,为后续的特征提取做好准备.水果特征的提取选择纹理、形状、颜色三种特征进行提取;同...     

基于FPGA的实时手势识别系统

本文构建了一个基于FPGA的实时手势识别平台,并在该平台上实现了一种基于表面肌电(sEMG)信号和加速度(ACC)信号的手势识别算法。具体实现过程中,无线sEMG传感器和无线三轴ACC传感器穿戴于两手前臂实时获取sEMG信号和ACC信号,并以无线方式发送到数据处理模块。数据处理模块充分利用FPGA的并行处理优势,融合ACC和sEMG信息特征,实现了单双手手势的实时识别。经测试,本文所用的手势识别算法移植到FPGA中以后,识别速度明显提高,16个中国手语手势动作达到了95%以上的识别率。     

基于BP神经网络的智能车牌识别系统

车牌识别是智能交通中信息化管理车辆的重要环节,对构建智慧城市具有重要意义.针对国内车牌的结构特点,设计了一种基于BP神经网络的智能车牌识别系统.系统利用去噪算法及数学形态学方法对车牌照片中的车牌位置进行定位,针对国内车牌特征分割字符,然后基于白像素点提取13维特征并将车牌不同位置的字符分别输入到不同的BP神经网络进行分...     

基于模糊神经网络的手势识别

本文通过对人手结构和手关节运动的分析,建立了手模型及其相应的数据结构。     

基于神经网络的手势识别

本文在对手结构和关节运动作了深入分析的基础上, 建立了对其施加约束的手模型．根据所定义的约束及运动类型,建立了适合于手势合成的手 数据结构．并采用神经网络理论进行手势识别,取得了较好的效果．     

基于BP神经网络的手套式手势识别技术研究

该文以数据手套为基础,分析了手形的几何关系,建立了虚拟手的模型,提出了基于ＢＰ神经网络的手势识别方法,并给出了实验结果。     

基于核独立成分分析和BP网络的人脸识别

用基于非线性子空间的核独立成分分析方法（KICA）对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别。在简单介绍基本的独立成分分析（ICA）的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计。最后为了验证KICA+BP网络的效果,进行对比实验和分析。实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法。     

基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

基于遗传算法和BP网络的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大.结合遗传算法的神经网络方法,充分利用GA的全局搜索能力、BP算法的局部搜索能力和鲁棒性强的特性,提出了一种用遗传算法全局优化神经网络拓扑结构和网络权值的新编码方案进行物体识别方法.仿真结果表明,该方法既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又加快GA.BP网络的收敛速度,提高收敛精度且识别率较高,从而验证了该方法的有效性.     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

基于不变矩和BP神经网络的剪纸纹样识别

针对剪纸纹样艺术夸张变形的特点,将剪纸图像进行预处理,提取7个不变矩作为剪纸纹样的特征向量,采用LM算法优化BP神经网络,通过归一化后的不变矩对BP神经网络进行训练,应用训练后的神经网络作为分类器对剪纸纹样进行模式识别,实验证明该方法能够较好地识别有一定艺术变形的剪纸纹样。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

基于样本熵和模式识别的脑电信号识别算法研究

脑-机接口BCI是一种实现人脑和外部设备通信的新兴技术。基于时频特性进行特征提取的传统方法无法体现EEG信号的非线性特征。为了进一步提高分类的准确率,首先采用小波阈值降噪的预处理方法提高了EEG信号的信噪比。然后结合非线性动力学的样本熵参数,对3种想象运动的脑电信号进行特征提取,保留了脑电信号的非线性特征。其中,运动想象MI脑电信号的研究一直都是BCI这一高速发展领域的重点目标。还研究了支持向量机、LVQ神经网络和BP神经网络3种分类器。通过实验结果对比发现,BP神经网络具有较高的识别率,更适用于脑电信号的分类识别。     

结合肤色模型和卷积神经网络的手势识别方法

在手势识别研究过程中,人工选取特征难以适应手势的多变性。提出了一种结合肤色模型和卷积神经网络的手势识别方法,对采集的不同背景下的手势图像,首先用肤色高斯模型分割出手势区域,然后采用卷积神经网络建立手势的识别模型,该模型融合了手势特征提取和分类过程,模拟视觉传导和认知,有效避免了人工特征提取的主观性和局限性。识别模型以手势区域的灰度信息为输入,同时利用权值共享和池化等技术减少网络权值个数,降低了模型的复杂度。实验结果表明,卷积神经网络（CNN）方法能够有效进行特征学习,在不同数据集下对手势的平均识别率都达到95%以上,与传统方法进行对比实验,表明该方法具有较高的识别率和实时性。     

基于Gabor滤波器和BP神经网络的人脸皮肤皱纹区域自动识别

由于色斑和毛孔等强噪声的干扰,人脸皱纹识别特别是对面部细纹理的识别受到了严重影响。针对上述问题提出了一种基于Gabor滤波器和BP神经网络相结合的人脸皱纹识别算法。通过训练好的BP神经网络人脸皮肤图像首先识别是否存在皱纹,再分别自动标注存在皱纹的区域。本算法首先基于不同年龄的多幅人脸照片创建皱纹样本库,采用样本库训练神经BP网络。其次分别选取含皱纹和不含皱纹的图片,然后用Gabor滤波器组计算出图片的频谱特征,将它们作为训练样本,训练得到用于识别的BP神经网络。大量测试结果表明,本算法能够消除或减少色斑、毛孔等噪声的干扰,对有皱纹区域和无皱纹区域的识别率可达到85%以上。     

应用BP神经网络的目标识别效果评估

根据图像处理目标识别领域的实际应用和需求,确定了目标识别效果评估的指标及其计算方法。针对现有目标识别效果评估方法中存在过多的人工干预,使得评估结果带有较强主观性的问题,提出了一种基于BP神经网络的目标识别效果评估模型,该模型可以减少评估过程中人为因素的影响,提高评估结果的可信度。通过对实测数据进行实验,验证了该模型的评估结果与专家的定性评判具有较高的一致性。