基于多路卷积神经网络的手势识别方法

为提高利用表面肌电信号(sEMG:Surface Electromyography)进行手势识别的准确率并解决其受不同提取特征影响的问题,提出了一种基于多路卷积神经网络(MB-CNN:Multi-Branch Convolutional Neural Networks)的手势识别方法.首先,使用MYO手环采集8种不同手势的sEMG信号;然后,利用滑动窗口法对sEMG信号进行活动段提取,生成大小为64×8的原始训练样本;其次,作为对比实验,提取7种不同的时域和频域特征,利用机器学习算法进行手势识别.最后,在避免常规特征提取的情况下,构建了一种多路卷积神经网络模型用于手势识别,测试集上准确率达97.89％.实验表明,针对手势识别问题,该方法高效可行.     

基于EEMD和多域特征融合的手势肌电信号识别研究

人造假肢技术目前已成为一个研究的热点,手势肌电信号的识别为人造假肢的研究做出了贡献.提出基于总体经验模态分解(EEMD)的信号处理方法,首先将采集到的信号经EEMD分解成若干个固有模态函数分量(IMF),然后在得到的前三阶IMF的基础上提取时域、频域和希尔伯特域特征,融合提取的特征组成多域特征向量组,最后送入支持向量机分类器中来分类6种手势动作,识别率最高可达到98.7%.实验结果表明,通过EEMD分解原始信号提取的多域特征用来识别手势动作是可行的.     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率,通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数,并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上,提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号,并引用Nina Pro DB2公开数据集进行对比。实验结果表明,无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度,并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

基于MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

基于快速傅里叶变换的剪接特征提取

挖掘剪接特征是剪接位点识别算法的基础,在频域空间挖掘对位点识别有帮助的特征至关重要.利用基于快速傅里叶变换的剪接特征提取方法对其进行特征提取,该方法能够将时域信息转化到频域中,以此来构建所需的频域特征,为了比较还构建了位置特征与统计特征. 实验结果表明将频域特征加入剪接位点识别中能够有效地提高识别精度,这也表明将信号处理方法应用于生物信息学领域是可行有效的.      

基于TSVM的多特征融合超声金属防伪识别

利用超声技术对金属材料进行防伪识别最大的优点就是非破坏性.针对单一特征值表达能力差的情况,从时域和频域对超声脉冲作用于金属材料上产生的回波进行了分析和处理,将2种信号的特征进行融合作为防伪识别信息.为实现对金属自动识别分类,以3种不同金属试样为例,利用对支持向量机构造的二叉树分类器进行识别,其正确识别率达到了93.3%.结果表明,该方法具有一定的实用价值,为金属的防伪识别提供了一种可行方法.     

车辆传动系监测信号突变与渐变识别

为识别车辆传动系运行状态的变化,讨论利用小波变换处理传动系监测信号,提取信号在时域的突变特征;利用折中阈值法对监测信号进行消噪处理,从而识别监测信号的渐变趋势,并提出了一种阈值改进方案. 从能量谱和特征频率分布的角度,研究了监测信号的变化趋势在频域的表征,并提出了一种解决小波包混频现象的方法. 研究结果表明,利用小波变换能同时在时域和频域上提取出监测信号所隐含的表征系统运行状态变化的信息.     

再认记忆的事件相关电位多域特征值研究

为了更好地了解再认记忆状态下的事件相关电位(ERP)在时域、频域和空间域的性质,与传统的ERP信号特征提取方法往往都局限于时域特征不同,该研究采用非负张量分解(NTF)技术,提取再认记忆实验中与"Old"和"New"刺激相关的ERP的多域特征值。多域特征值是从多个导联ERP信号的时频转换中提取的,因此可以同时反映ERP在时域、频域和空间域上的性质。研究结果发现,多域特征值可以明显地反映出不同刺激类型下ERP信号的差异,与额区新旧效应相关的FN400在"New"刺激下的多域特征值显著大于"Old"刺激下的,与顶区新旧效应相关的P600在"Old"刺激下的多域特征值显著大于"New"刺激下的,说明多域特征值能很好地用于区分和识别再认记忆中的新旧刺激,这不仅为再认记忆的研究提供了一个新方法,而且为基于ERP的认知功能研究提供了新的思路和途径。     

利用表面肌电进行手势自动识别

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于Fisher Score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与SVM组合的分类模型获得最高分类正确率99.92%;与LDA组合的分类模型不仅获得99.24%的分类正确率,而且花费最短的训练时间1.44ms,该模型可为手势的实时自动识别提供理想的方法和途径。     

辅助室内定位的关键人体姿态识别

基于步行者航位推算的室内定位方法中位移的计算一定程度上依赖于人体姿态的正确识别。原地踏步和走路是其中主要的关键姿态,两者的加速度信号相似,传统方法很难进行高精度的区分,导致航位推算的步长计算错误。基于惯性传感器进行室内场景中八种人体姿态识别研究,根据运动强度的不同采用分层分类法。首先将原地踏步和走路归为一类,通过时域特征结合支持向量机(SVM)进行姿态分类;然后利用加速度的时域和小波特征以及磁场特征,结合Ada Boost方法进行二分类。关键姿态的识别准确率超过96%,对包含复杂运动姿态的步行者室内定位起到更佳的辅助作用。     

移动终端交互设计中手势指令识别方法改进研究

传统的手势指令识别在缩放、旋转、平移等转换过程中,一直存在手势图片出现形变使识别不准确。提出一种新的移动终端交互设计中手势指令识别改进方法。将质心距离函数看作全局特征对二维空间下的手势运动轨迹特征提取,对其进行改进,获取三维空间下手势轨迹特征,増加移动终端交互设计中第三维的手势轨迹信息,得到手势轨迹特征向量。将手势轨迹特征向量作为输入,通过随机森林方法对手势指令识别分类器进行训练,利用训练完成的分类器实现移动终端交互设计中手势指令的识别。实验结果表明,所提方法不仅能够保证移动终端交互设计中手势指令识别的实时性,而且识别精度高,认证效果好。     

基于手势识别的智能输入系统

随着虚拟环境的发展,人机交互中键盘远远不能满足人们的要求,本文提出了一种基于手势识别方法的智能输入算法.该算法采用肤色分割提取出手部区域,检测大拇指和伸出的手指数目识别出手势的含义,把各种手势组合起来实现智能输入.该算法能够使用户根据自己的习惯来定义手势,更好的实现人机交互.实验结果表明该算法对获取手势图片时的外界干扰具有一定的鲁棒性,并能达到较高的成功率.     

Active Appearance Model Based Hand Gesture Recognition

This paper addresses the application of hand gesture recognition in monocular image sequences using Active Appearance Model （AAM）, For this work, the proposed algorithm is composed of constricting AAMs and fitting the models to the interest region. In training stage, according to the manual labeled feature points, the relative AAM is constructed and the corresponding average feature is obtained. In recognition stage, the interesting hand gesture region is firstly segmented by skin and movement cues. Secondly, the models are fitted to the image that includes the hand gesture, and the relative features are extracted. Thirdly, the classification is done by comparing the extracted features and average features. 30 different gestures of Chinese sign language are applied for testing the effectiveness of the method. The Experimental results are given indicating good performance of the algorithm.     

基于改进概率神经网络的手势动作识别

为寻找一种快速且高识别率的手势识别方法,提出一种基于改进的概率神经网络手势识别算法。该算法采用K-W检验方法实现sEMG（Surface Myoelectrogram Gestures）的特征选择,利用粒子群优化方法对传播率参数进行优化。在7种手部姿势识别的实验中,该算法平均正确识别率均在90%以上,而传统BP算法的正确率仅为85.7%。仿真实验结果表明,改进的概率神经网络算法具有更短的训练时间和更强的分类能力。     

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。     

基于模糊条件随机场的手势标注

在连续手势自动识别中,如果可以借助自然语言对手势进行描述,这将更接近于人们对手势认知的方法,这在一定程度上将有助于提高识别的准确性。通过使用模糊集与条件随机场相结合的方法实现了对连续手势的标注、分割。FCRF首先采用模糊集对手势进行描述,实现了自然语言对手势的描述,然后通过对条件随机场中状态和状态转移参数的修改实现了采用模糊特征的连续手势序列标注。实验结果显示,与现有的分割模型相比较,FCRF模型对手势序列标注具有较高的正确率,通过ROC特性曲线的分析,FCRF有较好的分类性能。     

复杂背景下基于肤色检测的动态手势分割与识别

在类肤色的复杂背景下,基于肤色检测的动态手势识别会因肤色干扰导致识别效率较低。提出了一种基于YCbCr颜色空间的改进三帧差分法的动态手势识别方法。首先利用改进的三帧差分法对动态手势进行分割,有效去除类肤色背景;然后根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法有效去除非肤色背景,分割出手势区域。通过双特征提取,有效去除大范围的肤色背景,最终得到完整的手势;最后利用BP神经网络较强的自学习能力,对分割的动态手势进行检测识别。实验结果表明,此方法在应对环境变化时具有较好的实时性和抗干扰能力,拥有较高的识别率。     

一种快速手势识别算法的实现与验证

基于大多数的手势识别算法,需要提取高维度的特征,限制了手势识别在实时系统中的应用。文中针对这种问题,提出一种快速的手势识别算法。首先,在原始图像上提取轮廓块边缘对目标区域进行分割。其次,提取目标区域的形状特征。然后,在数据库中,对每种手势只记录一幅标准的参考图像。最后,通过比较参考图像与待检测图像中的手势特征,来匹配和标记手势的含义。实验结果表明,文中提出的快速算法能够准确地识别手势。     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.