基于多通道表面肌电信号的手势识别方法研究

为验证基于表面肌电信号控制智能假手的可靠性,构建一种基于网格划分(Grid Search)优化支持向量机(SVM)的手势动作识别模型.从Ninapro数据集中截取部分动作信号数据,通过提取5种时域特征和基于小波包的时频域特征,利用SVM和Grid Search-SVM对不同种手势动作进行分类,并对比分类模型的可靠性.实验结果表明,在训练集数据量不同时,分类效果不同;且在训练程度相同时,优化后的分类模型较未优化模型分类效果更好,平均准确率相比提高了21.37％.该模型的建立为以后实时控制智能假肢奠定了基础.     

改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

基于深度学习的单目摄像头动态手势识别与交互

现有手势识别的应用多为基于特定设备实现的,如Kinect、Leap motion等,因其价格和实用性的原因,无法得到大规模的普及.而单目摄像头则是电脑或移动设备最为常见的配件,结合相应手势识别与交互算法,便可以进行手势交互.因此文中研究了基于单目摄像头的手势识别与交互算法,通过单目摄像机捕捉图像,利用肤色进行图像分割,...     

一种改进的残差网络手势识别方法

为了提高手势识别的准确性、鲁棒性以及收敛速度,提出一种基于改进残差网络和动态调整学习率的手势识别方法研究.改进原始残差块中的ReLU激活函数,通过降低改进后残差块与卷积核的数量来减少卷积层参数;对改进后的残差网络模型进行动态学习率的调节和动量的优化选择;将重建好的网络模型进行训练测试,验证手势识别的准确率.实验结果表明...     

人机交互中基于可穿戴式计算的手势和活动辨识

人与机器人交互是机器人技术领域、尤其是生活辅助机器人领域的重要课题。本文以辅助老年人、病人和残疾人为应用背景,提出了"智能辅助生活系统"(SAILSystem),并解决了该系统中人的手势识别和日常动作识别两个重要问题。对于手势识别问题,本文采用一个惯性传感器来采集被试验人手指部位活动的信号,运用人工神经网络进行手势捕捉,并应用一个分层隐马尔可夫模型结合前后手势的关联信息,来提高手势识别的准确率。对于动作识别问题,数据来源于位于被试验人一侧的脚面和腰部的两个惯性传感器,并采用多传感器融合方法识别各种日常动作。在对两个传感器的数据进行融合的粗分类之后,细分类应用了隐马尔可夫模型和启发式方法来进一步识别各个动作类型。该穿戴式传感器系统经过实验测试,结果证明了本识别算法的有效性和精确性。     

基于高采样率惯性测量单元的手部状态与手势识别

为了同时实现手势识别与手部状态识别，针对高采样率惯性测量单元具有同时采集动作信号与振动信号的特点，搭建基于单惯性测量单元的手势识别与触摸识别原型设备.可视化分析手部状态数据与手势数据在时域与频域上的差异，建立手部状态、划动手势与画圈手势数据集.针对数据特征的差异，提出差异化特征提取方法，分别构建手部状态分类与手势分类的神经网络结构.使用数据集训练神经网络模型，在手部综合状态识别任务中正确率达到99%，在划动手势识别任务和画圈手势识别任务中的正确率均达到98%.提出实时数据流处理、状态转移、未知类别判断的原型程序框架，基于手部状态识别模型实体与手势识别模型实体搭建实时程序，测量实际运行整体计算延时与单模型计算延时，验证模型实时运算能力.模型评估实验与实时运算能力验证实验结果表明，使用高采样率惯性测量单元准确且实时地识别手部状态与手势具备可行性.     

人体学输入设备轨迹识别与功能增强

随着机器学习技术在轨迹识别中的广泛应用,提出了一种基于人工神经网络的浏览器鼠标手势扩展算法.该算法通过对轨迹进行分类并与动作建立映射来实现鼠标手势功能,可有效地识别各种复杂的轨迹并准确执行相应的动作.实验结果表明,该方法明显提高了用户的操作体验.     

基于Kinect深度信息的动态手势识别

针对复杂动态手势识别问题,本文首先通过体感传感器Kinect获取人体深度图像,利用阈值分割法分割出手势深度图像,然后建立由隐马尔可夫模型(HMM)和模糊神经网络(FNN)相结合的HMM-FNN模型进行动态手势识别。本文的动态手势主要是针对虚拟变电站中对设备的常用操作手势来进行人机交互研究的。HMM-FNN模型将复杂动态手势特征分解为三个子特征序列,分别建立HMM模型,然后进行模糊推理对手势进行分类识别。经实验验证,HMM-FNN模型能快速有效识别复杂动态手势,且鲁棒性强,识别效果明显优于HMM模型。     

一种新的室内机器人手势指令识别系统

针对室内机器人手势指令识别系统识别率低、算法复杂等问题,提出一种新的设计方案.利用固定在室内某一位置的图像采集设备获取手势图像,采用YCbCr皮肤颜色模型进行手势分割,再通过八邻域边界追踪及傅里叶变换得到特征向量,最后通过最小距离法进行识别,并以此为基础,给出了手势指令识别的基本框架.实验表明,该系统的识别率较高,在90%以上,是一种简单合理的识别系统.     

移动虚拟现实中虚拟化身的分布式渲染

为了实现手持设备三维虚拟化身的实时渲染,引用动画替代物技术进行了化身的绘制.利用电脑端/手持端的分布式架构减小了手持端纹理内存的占用,通过采用动作层次细节模型和一种简单的纹理压缩算法降低了对无线网络传输带宽的要求.试验结果证明,这种渲染方法能很好地满足手持设备上渲染虚拟化身的实时性要求.     

基于Log-Gabor和ULBP改进算法的人脸识别

为进一步提升人脸识别系统的识别率,加强其对光照、表情、姿态变化的鲁棒性,针对人脸识别中的特征提取问题,提出一种基于Log-Gabor与均匀局部二值模式（Uniform Local Binary Pattern,ULBP）改进算法的人脸识别方法。该算法采用多尺度、多方向Log-Gabor滤波器对图像进行滤波来提取Log-Gabor特征,再通过旋转不变均匀模式的LBP进行运算编码,并利用局部空间直方图来描述人脸,最后通过加权的卡方距离对直方图匹配完成人脸识别。在Yale、GT人脸数据库上的测试结果表明,该方法具有更好识别性能,且对环境鲁棒性较好。     

基于卷积姿态机的潜航员作业姿态识别方法

针对现有潜航员作业姿态识别分析方法中识别过程繁琐、识别精度低的问题,提出基于卷积姿态机的潜航员作业姿态识别分析方法. 对人体姿态特征进行结构化编码,构建空间及投影坐标系进行解析,定义肢体角度计算公式与肢体特殊状态判断流程. 通过搭建潜航员作业姿态识别算法,实现作业姿态RGB图像空间特征与纹理特征的提取,输出潜航员作业姿态关节点、肢体角度与状态数据. 通过采集潜航员作业姿态图像构建潜航员作业姿态样本数据集,对所提方法进行应用验证. 在算法测试中,识别算法的PCK指标值达到81.2%. 在应用验证实验中,算法识别关节点的平均准确率达到87.7%. 该方法在潜航员作业姿态识别分析上是可靠的,可以有效地识别与分析潜航员作业姿态中的危险因素.     

基于动作轮廓特征的人体动作识别

提出了一种人工挑选关键帧的人体动作识别方法.先从标准视频中提取出能代表姿势的关键动作,然后对待测视频中每一帧图像中人体动作和关键动作比较分类来确定动作时间的相关度和相似度.实验结果表明人工挑选关键帧具有数量少和动作代表性强的特性,基于动作轮廓特征的人体动作识别方法在识别速度上比传统的方法快,识别率也较高.     

基于线性加速度的多节点人体行为识别

针对当前基于加速度人体行为识别方法中存在的行为数据易受重力加速度影响以及空间信息欠缺等问题,提出一种基于线性加速度的多节点人体行为识别算法。通过分段双向去除重力加速度算法,去除传感器加速度中的重力加速度得到线性加速度;使用滑动均值滤波器滤除线性加速度与传感器加速度的颤抖运动,并对两种加速度中的冗余动作进行裁剪;分别从两种加速度中提取不同关节点数据间的动态时间规整算法(dynamic time warping, DTW)距离特征以及7种常规时域特征;利用支持向量机对人体行为进行分类。试验结果表明,该方法能有效提高人体行为识别的准确性。     

基于傅里叶与局部特征结合的人体姿态识别方法研究

为了提高对人体姿态的识别,提出了一种以人的姿态序列图像的轮廓为特征,包括轮廓的外接矩形的宽高比、形状复杂性变化率、离心率以及傅里叶描述子相结合的人体行为识别方法。首先运用自适应的混合高斯背景建模和形态学结合的方法,利用Canny算子进行边缘检测,实现目标人体轮廓的特征提取。然后采用基于质心边缘距傅里叶描述子与k-means聚类算法与SVM分类器结合的方法,对目标人体轮廓的参数建立具有13个特征值的一维的特征向量,并和RBF神经网络的分类效果进行对比。实验表明,SVM进行分类较为准确,且不需要进行多次的迭代训练,速度较快、识别性能也很好,相比于RBF神经网络而言。运用该方法可以让人体行为识别的正确率在91%以上,该方法简单可行。     

基于灰度标准差的光流模型的步态识别算法

步态识别主要是通过人体走路的姿势来识别人的身份.提出了一种改进的光流法和隐马可夫模型相结合的技术,使用背景减除和阈值化为目标和背景图像建立模型,由使用灰度标准差筛选的光流法模型提取每一个运动目标的特征,取得时间序列的特征向量,把特征量化和状态分类的结果交给隐马可夫模型来判断运动目标的姿态.仿真实验表明,本算法识别率高,速度快.     

基于STEP的相交特征识别

目的构建基于STEP的制造特征识别系统,研究系统中的特征识别尤其是相交特征识别的实现方法．方法在VC＋＋6．0和ST—Developer集成环境下,应用MFC类库和ROSE库等进行系统的构建及程序和数据的处理,并以STEP中性文件AP203和AP224分别作为系统的输入和输出文件．结果所构建的系统实现了具有相交特征的制造特征识别,其特征识别技术是采用基于图的特征识别方法;针对特征相交中两种不同类型的相交实体,分别采用不同的方法对加工面邻接图进行了有效的分解．结论以AP203文件作为特征识别系统输入文件,实现特征识别系统与CAD系统的无缝连接;经过特征识别所生成的特征符合AP224中所定义的制造特征模型,有力地支持了基于STEP的CAD＼cAPP＼CAM数据集成技术,所采用的制造特征识别方法能够识别普遍的相交特征．     

基于混合现实交互的指挥棒位姿跟踪

为解决目前混合现实系统交互的自然性、直观性与准确性不高的问题,提出一种基于指挥棒的交互方式,其实现的关键是能够实时、准确地对指挥棒位姿进行测算与跟踪.为此,重点探讨一种基于双色标的视觉跟踪方法对指挥棒位姿进行测算.具体思路是先对颜色标进行快速轮廓提取,然后采用最小面积矩形法修补轮廓,从而得到颜色标在平面投影的位姿.最后利用双目视觉定位原理计算出颜色标在三维空间上的位姿即为所求的指挥棒的三维位姿.为验证所提方法的有效性,采用实验对该算法的实时性、准确性进行了分析.结果表明,该方法的实时性与准确性均能满足交互需求.     

An infrared human face recognition method based on 2DPCA

Aimed at the problems of infrared image recognition under varying illumination,face disguise,etc.,we bring out an infrared human face recognition algorithm based on 2DPCA.The proposed algorithm can work out the covariance matrix of the training sample easily and directly;at the same time,it costs less time to work out the eigenvector.Relevant experiments are carried out,and the result indicates that compared with the traditional recognition algorithm,the proposed recognition method is swift and has a good adaptability to the changes of human face posture.     

基于胶囊的英文文本蕴含识别方法

提出了一种基于胶囊的英文文本蕴含识别方法.分别为每一种蕴含关系构建一个胶囊,用于模拟此蕴含关系的识别,并将其指定为该胶囊的属性.给定两段文本,经过highway编码层和序列编码层获取语义表示,分别输入胶囊中,依次通过其内部的交互模块、比较模块和聚合模块.交互模块利用交互注意力机制提取文本间的局部交互特征,比较模块和聚合模块使用前馈神经网络进行语义信息比较和聚合.最后对所有胶囊的输出归一化,得到两段文本的蕴含关系.该方法在SNLI测试集上的准确率为89.2%,在MultiNLI匹配测试集和不匹配测试集上的准确率分别为77.4%和76.4%.对交互模块中注意力关系矩阵的可视化分析结果验证了胶囊在英文文本蕴含识别任务中的有效性.