基于视角不变的三维手势轨迹识别

提出了一种新颖的基于视角不变的三维手势轨迹识别方法,手势分割采用Kinect传感器获取图像深度信息,通过先定位起始点再定位结束点的方法定位手心点,使手势轨迹点定位有自动无延时的特性。采用改进的质心距离函数表示视角不变的三维轨迹特征,隐马尔可夫模型用于训练和识别有效的轨迹。实验结果表明,该方法具有光照及复杂背景鲁棒性,数字0～9的平均识别率可达97.7%。     

基于Kinect传感器的智能轮椅手势控制系统的设计与实现

利用Kinect深度传感器所获取的图像深度信息实现手部从背景中的分割,并通过在Hu矩基础上加入3个表达式,使不变矩包含更多细节特征,对手势目标进行识别,最后把得到的识别结果转换成控制指令通过Ad-Hoc网络传送给智能轮椅,实现运动控制.实验表明,通过该方法实现的手势识别在图像旋转、缩放、平移的情况下具有不变性,对背景干扰具有较强的鲁棒性.     

关于语音数字综合业务网中语音包长的进一步探讨

利用汉语语音的统计特性,对文献[3]中提出的语音包化协议进行了改进,在理论上证明了最佳语音包长的存在并给出了最佳语音包长所必须满足的数学表达式。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

基于改进的形态学灰度图像边缘检测算法

针对传统形态学在边缘检测算法上存在的检测边缘错位、较粗等缺点,在传统形态学的基础上,提出了一种具有方向估计性的梯度算子。该算法通过改进的梯度算子及多结构元素模式来获取梯度方向,并沿边缘梯度方向进行非极大值抑制,以此细化边缘宽度,最终获取图像边缘。实验结果表明,相对传统形态学边缘检测算法,该算法具有更精细的检测结果与较强的抗噪能力。     

基于于移动通信网络无线定位的研究

无线定位技术是第3代移动通信研究的一个重要方面,也是当今十大热门电信技术之一,基于移动通信网络的无线定位技术是其中的重要组成部分.首先点明了移动通信系统中无线定位的意义,然后介绍了基于移动通信网络无线定位的原理和技术,并重点阐述了基于移动通信网络无线定位的方法、结构及特点,从而为其他定位技术的研究和开发提供了新的思路与方法.     

视觉注意力检测技术研究综述

近年来,为实现服务机器人智能人性化的人机交互、用户认知障碍诊断等,视觉注意力(Visual Focus of Attention,VFOA)检测技术已成为国内外的热点研究课题。重点分析了该技术的流程及相关方法实施细节,给出了目前VFOA检测研究时使用到的数据集情况,并对视觉注意力检测技术的应用场景进行了梳理。通过对当前视觉注意力检测系统优缺点的分析,指出了该技术的研究难点与未来研究方向。     

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型(HMM)进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.     

MEMS光开关及主要工艺技术的研究

光开关是实现全光网络的核心技术之一,目前光开关采用的主要技术方案有MEMS、铁电液晶、气泡、热光、全息、声光、热毛细管等,其中MEMS光开关因具有体积小、集成度高、能大规模生产等优点成为光开关研究的关键之一。本文对MEMS光开关的类型、特点及研究现状进行介绍,并重点对MEMS光开关涉及的工艺技术进行研究,认为工艺问题是MEMS光开关研究成败的关键。     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。