KPCA和SVM在人脸识别中的应用

支持向量机（SVM）适合处理小样本的问题，并且基于核函数主元分析能够处理原始数据的高阶统计量，在图像识别中它可以描述多个像素之间的相关性，因此提出了一种基于核函数主元分析（KPCA）与支持向量机（SVM）的人脸识别方法。     

基于支持向量机数据分析红外手势识别方法研究

该文提出了利用支持向量机结合仿生六点手势模型优化红外体感控制设备手势识别的方法。采集空间手势信息,仿生六点手势模型提取手势特征向量,利用支持向量机分类及校对数据,引用核函数将低维空间不可分信息映射至高维空间实现线性可分。结果表明,运用基于支持向量机的红外体感设备手势方法能有效识别手势,减轻计算机通信的传输负荷。     

基于SVDD多类分类新方法的研究

提出了一种基于支持向量数据描述算法的SVM新方法.对基于支持向量机区域描述算法的多类分类方法进行了研究,分析了它的优缺点,并深入讨论了其推广性能一般的原因.     

基于特征融合的手势识别

在手势识别的过程中,手势的多样性和复杂性会对识别的可靠性和准确性带来较大影响.基于视觉的手势识别通常采取单一特征用于手势分类,但是单一特征无法较好地描述整个图像.因此本文提出多种特征融合的方法,分别提取改进后的梯度方向直方图(HOG)特征和MB-LBP特征,并进行特征融合,结合支持向量机(SVM)分类器完成手势图像的识别.实验结果表明,提取的融合特征包含手势图像的局部区域梯度信息和图像的纹理信息,可以更加全面地描述图像的手势特征.相较于单一特征识别方法而言,基于特征融合的方法有着更高的识别率.     

一种基于SVM的遥感影像分类技术

支持向量机（SVM）应用到高光谱图像分类中有较好的识别效果。但用它来分类数据量大、维数高的高光谱图像时,就会遇到如何选择最佳惩罚因子和最优权向量系数的问题。提出一种改进的多类支持向量机分类方法,在OAO-SVM分类结果的基础上进行二次分类,以改善错分样本较多的类别之间的混淆程度。实验表明,二次分类的多类支持向量机方法是有效的。     

一种基于SVM向量机的手势识别算法

在传统的手势识别中,多数是通过人工神经网络,隐Markov模型和几何边缘特征等算法。以一种改进的SVM统计向量机算法对手势特征集进行精确识别,通过进行适当函数子集的选择,使判别函数的识别率达到最优,得到一个具有推广泛化能力和最优分类能力学习机,该方法能够保证特征子集的划分的识别效果等价于对整个样本集。通过Kinect进行手势识别测试,结果表明基于改进的SVM向量机手势识别算法具有较好的精确性和准确度。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题,研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究,分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别,通过多组蒙特卡罗试验,获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

运用高阶累积量和SVM的调制自动识别

针对数字信号调制模式识别问题,提出了运用高阶累积量和二叉树支持向量机（SVM）进行 自动识别的算法。该算法首先使用信号的四阶、六阶、八阶累积量构造了5个新的分类特征 ,然后利用二叉树支持向量机分类器实现了8种信号的有效分类。仿真结果表明,该算法优 于直接多类分类支持向量机算法,在信噪比大于5 dB时,识别率达到90%以上。     

FCM聚类的模糊SVM法在雷达信号识别中的应用

支持向量机(SVM)是一种新的很有效的模式识别方法,将其应用到雷达信号识别中可以较好地解决此类问题.由于传统的支持向量机由两类扩展到多类问题时,会出现不可分区域.针对雷达信号的多类识别这一实际问题,提出解决这一现象的模糊支持向量机理论(FSVM),并定义输入向量对于某类的隶属度函数,更符合实际情况.此外,支持向量机理论本身对于支持向量的选择并没有指导性,对此利用模糊C均值(FCM,Fuzzy C-Means)聚类,对训练样本进行预处理,可以大大减少训练样本的数量,从而提高支持向量机的训练速度.仿真对比实验和结果证实了结合FCM对训练样本预处理的FSVM法对雷达信号识别具有训练速度快、识别准确率高的特点.     

一种基于SVM的雷达目标识别算法

针对目前支持向量机多类分类方法存在的缺点,丈中对支持向量机的高斯核函数进行改进,并提出一种结合留一法和单一验证法的参数选择新方案.基于3种雷达目标的HRRP数据,设计了相应的预处理算法,利用改进的SVM分类法用于高分辨距离像的雷达目标识别.从实验目标姿态稳定性、训练集大小稳定性和抗噪能力三个方面验证改进SVM的稳健性.     

Hand gesture understanding by weakly-supervised fusing shallow/deep image attributes

Accurately recognizing human hand gestures is a useful component in many modern intelligent systems, such as identification authentication, human–computer interaction, and sign language recognition. Conventional approaches are typically based on shallow visual features and relatively simple backgrounds, which cannot readily recognize partially occluded hand gestures with sophisticated backgrounds. In this work, we propose a unified hand gesture recognition framework by optimally fusing a set of shallow/deep finger-level image attributes, based on which a weakly-supervised ranking algorithm is designed to select semantically salient regions for gesture understanding. More specifically, given a rich number of hand gesture images, we employ the well-known BING object proposal generator to extract hundreds of object patches that potentially draw human visual attention. Since the hundreds of object patches are still too many for building an effective recognition system, a weakly-supervised metric is proposed to rank them by extracting multiple shallow/deep features. And visual semantics are encoded at region-level by transferring the image-level semantic tags into various human gesture image regions by a weakly-supervised learning paradigm Apparently, the top-ranking highly salient object patches are highly indicative to human visual perception of human hand gesture, Thus we extract their ImageNet-CNN features and further concatenate them. Finally, the concatenated deep feature is fed into a multi-class SVM for classifying each hand gesture image into a particular type. Comprehensive experimental validations have demonstrated the effectiveness and robustness of our proposed hybrid-feature-based hand gesture categorization.     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

基于多特征融合与支持向量机的手势识别

针对手势识别中人的手部特征描述易受到环境因素影响,手势识别率低等问题,并考虑到单个特征的局限性,提出了一种基于Hu矩和HOG特征融合的支持向量机手势识别新方法。该方法首先对处理后的手势图像提取局部的HOG特征,然后针对手势的轮廓提取全局Hu矩特征,再将两种特征融合成混合特征,并通过主成分分析法对混合特征进行降维形成最终分类特征,并将新特征输入到支持向量机中进行识别。实验表明,该方法具有较好的鲁棒性和较高的识别率。     

On an algorithm for Vision-based hand gesture recognition

A vision-based static hand gesture recognition method which consists of preprocessing, feature extraction, feature selection and classification stages is presented in this work. The preprocessing stage involves image enhancement, segmentation, rotation and filtering. This work proposes an image rotation technique that makes segmented image rotation invariant and explores a combined feature set, using localized contour sequences and block-based features for better representation of static hand gesture. Genetic algorithm is used here to select optimized feature subset from the combined feature set. This work also proposes an improved version of radial basis function (RBF) neural network to classify hand gesture images using selected combined features. In the proposed RBF neural network, the centers are automatically selected using k-means algorithm and estimated weight matrix is recursively updated, utilizing least-mean-square algorithm for better recognition of hand gesture images. The comparative performances are tested on two indigenously developed databases of 24 American sign language hand alphabet.     

Viewpoint-independent hand gesture recognition with Kinect

The advent and popularity of Kinect provide new choice and opportunity for hand gesture recognition research. Aiming at the effective, accurate and freely used hand gesture recognition with Kinect, this paper presents a viewpoint-independent hand gesture recognition method. Firstly, based on the rules about gesturers posture under optimal viewpoint, the gesturers point clouds are built and transformed to the optimal viewpoint with the exploration of the joint information. Then Laplacian-based contraction is applied to extract representative skeletons from the transformed point clouds. A novel partition-based algorithm is further proposed to recognize the gestures. The promising experiment results show that the proposed method performs satisfyingly on scale and rotation variant in HGR with robustness and high accuracy.     

基于双分类器的自适应单双手手势识别

针对传统卷积神经网络(CNN)中仅有对单手手势语义进行识别的算法和深度学习手势识别算法中CNN的收敛性差和识别精度低的问题,提出了一种基于两个分类器的自适应单双手手势识别算法以对单手和双手进行识别.该算法的核心是联合两个分类器进行单双手手势识别.首先,采用手数分类器对手势进行分割分组预测,将手势识别转化成部分手势图像识...     

Research on unified recognition model and algorithm for multi-modal gestures

In gesture recognition,static gestures,dynamic gestures and trajectory gestures are collectively known as multi-modal gestures.To solve the existing problem in different recognition methods for different modal gestures,a unified recognition algorithm is proposed.The angle change data of the finger joints and the movement of the centroid of the hand were acquired respectively by data glove and Kinect.Through the preprocessing of the multi-source heterogeneous data,all hand gestures were considered as curves while solving hand shaking,and a uniform hand gesture recognition algorithm was established to calculate the Pearson correlation coefficient between hand gestures for gesture recognition.In this way,complex gesture recognition was transformed into the problem of a simple comparison of curves similarities.The main innovations:1) Aiming at solving the problem of multi-modal gesture recognition,an unified recognition model and a new algorithm is proposed;2) The Pearson correlation coefficient for the first time to construct the gesture similarity operator is improved.By testing 50 kinds of gestures,the experimental results showed that the method presented could cope with intricate gesture interaction with the 97.7% recognition rate.     

结合手势二进制编码和类-Hausdorff距离的手势识别

针对目前动态手势识别方法受手势旋转、平移、缩放的影响,并解决手势识别的实时性问题,提出一种基于手势二进制编码和类-Hausdorff距离模板匹配的手势识别方法.首先,把分割好的手势图像进行标准化处理,求出标准化图像中的手势主方向,建立二维手势直角坐标系,提取空间手势特征;其次,根据前五帧手势图像中手势像素点个数的变化量识别出动态手势类型;然后,用手势二进制描述子从动态手势类型中再筛选出可能的候选手势集合;最后,用类-Hausdorff距离模板匹配方法从候选手势集合中识别出最终手势.主要创新点在于：提出的动态手势类型识别和手势二进制描述子匹配的方法,大大缩短了动态手势识别的时间;提出的结合手势主方向的类-Hausdorff距离方法,不仅对旋转、平移和缩放手势具有不变性,而且对区分度较小的手势也具有较高的识别准确率.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确的实现动态手势识别,总体识别率达到95%以上,对发生缩放的手势识别率能达到92%以上,对发生旋转的手势识别率能达到87%以上.本文算法已经在一个基于手势的人机交互界面中得到应用.     

基于骨架运算的动态手势定位及识别算法

为满足在不同背景条件下用户的手势识别需求,提出了一种对于动态手势定位及识别的算法。在摄像头固定、目标移动的前提下,采用ViBe算法对背景建模后结合肤色检测,对手势目标区域进行检测。文中提出了掌心的定位方法,算法利用形态学骨架运算提取图像特征,为解决用户不同衣着和动作造成判断区域的多样性和不确定性,进行有效区域选取后定位掌心坐标,根据掌心坐标通过似圆度和掌心极坐标进行手势定位和识别。实验结果证明,所提算法能够在复杂背景下准确地对手掌高于手肘的手势判断出掌心点,分割出手掌并进行手势识别,该算法同时拥有较好的鲁棒性和实时性。     

一种基于改进DTW算法的动态手势识别方法

结合Kinect传感器提出了一种基于改进的DTW算法的动态手势识别方法。首先,通过SDK对Kinect传感器获得的深度信息进行分析,获得人体骨骼点3D位置,选取其中4个点作为手部运动特征;然后,用加权距离和全局路径限制的方法对传统的DTW算法进行改进;最后,用改进的DTW算法进行模板训练和实现动态手势的识别。实验表明：该方法能很好地实现动态手势的识别,实时性好,在背景干扰和光照方面有较强的鲁棒性,较传统的DTW算法在识别速度和识别正确率方面有所提高。