排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
目前,在视频分析和处理过程中,运动物体的实时检测和与轮廓跟踪作为计算机视觉分析识别的基础,已变得越来越重要了.改进了传统的射线矢量法表示物体形状的方法,并结合拆分法和聚合法对单帧图像进行分割,以得到完整而准确的手部曲线,在相邻帧之间采用了Kalman滤波器估计帧间手部运动的轨迹来实现跟踪过程.该方法很好地克服了传统射线矢量法所无法表示的形状的缺陷,能够准确地跟踪手部的运动以及各种手势. 相似文献
2.
响应面优化银杏叶中黄酮的提取工艺 总被引:6,自引:0,他引:6
为研究银杏叶中黄酮的提取工艺条件,以黄酮提取量为指标,采用乙醇回流法做实验。通过单因素试验及响应面分析,探讨乙醇体积分数、固液比、提取时间和提取温度对黄酮提取量的影响。同时应用响应面交互作用,分析优化得出该方法的最佳提取条件是:乙醇体积分数83%,固液比1∶22g/mL,提取时间98min,提取温度71℃。在此条件下银杏叶黄酮提取量为18.38mg/g。将样品纯化,用红外光谱对其结构进行表征。 相似文献
3.
范例集作为近年来视觉跟踪器的一种表示方法,已应用于手势跟踪与识别。但是基于范例集的手势跟踪往往不能实现复杂场景下手部轮廓特征的精确提取,并且不能在手部位置与方向任意变化情况下实现手部轮廓的提取与跟踪,极易造成手部动作的不准确预测,从而影响手势跟踪效果与手势识别率。本文提出一种新的基于范例集的跟踪器:CEE(CAMSHIFT Embedded Exemplar)跟踪器,实现复杂场景下的动态手势跟踪。在学习阶段,利用ICAMSHIFT(Improved CAMSHIFT)算法提取手部轮廓特征并生成范例集,同时建立手势的动态HMM模型;在跟踪阶段,首先利用由ICAMSHIFT算法获取的手部特征和HMM概率模型预测手势动作,然后根据学习所得范例集获取当前手部轮廓。实验结果表明,算法能实现复杂场景下的准确手势跟踪,并能在手部位置与方向任意变化情况下实现手部轮廓的提取与跟踪。此外,在严重遮挡情况下也能取得不错的跟踪效果。 相似文献
1