基于体感交互的虚拟操作实验系统设计

系统采用以计算机视觉为基础的体感交互技术,选用微软公司研发的3D摄像机Kinect,通过对人体动作的即时动态捕捉,建立以20个关节点为核心的人体骨架模型,据此,对设定的4种人体动作进行识别,并将动作与PPT演示播放控制命令相结合,实现了基于体感交互的PPT播放虚拟操作。测试结果表明,操作者在2m至4m的范围内控制PPT文件播放操作,其识别的正确率达到90%以上。为虚拟操作实验的进一步开发奠定了基础。     

基于DTW优化积分直方图动态捕捉的持续人体动作识别研究

针对现有持续人体动作识别算法实时性不高的问题,提出了一种基于动态时间规整(DTW)积分直方图的动态捕捉方法.首先,利用积分直方图对原始动作进行分类;然后,聚类各种时空姿态建立动作的统计表示,并采用巴氏距离测量两个直方图的相似性;最后,根据动态时间规整方法设计了动态程序识别算法.通过大型数据集的测试以及与几种最新方法的比较证明了方法的高效性,即使在数据库包含噪声和相似动作的情况下,方法仍然取得了很好的识别效果.     

基于运动矢量分析的动作识别技术

改进人体行为识别传统模板匹配方法的算法,提出一种基于运动矢量分析动作识别技术,并对其识别效果进行实验验证.该技术把标准人体动作的百分比运动矢量作为模板,将待识别动作的百分比运动矢量与已知的模板进行对比,从而得到动作识别结果.该技术可以正确识别摆头、点头和摇头动作,动作重复3次的识别率可以达到95%以上.该技术进行实时动作识别具有效果好、算法简单、识别速度快、抗干扰性强等优点.     

基于机器学习的人体动作深度信息识别方法研究

为了实现人体动作的准确检测识别,提出基于机器学习的人体动作深度信息识别方法,构建人体动作的三维图像采集模型,建立人体动作三维重建图像的表面结构重构模型,结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解,采用三维空间结构重组的方法进行人体动作细节特征识别,建立人体动作图像的多维分割模型;采用机器学习算法进行人体动作的细节特征分类识别,建立人体动作深度信息的提取和分类模型,在机器算法下实现人体动作的深度信息检测和多维识别。仿真结果表明,采用该方法进行人体动作深度信息识别的准确度较高,特征分辨力较好,具有很好的人体动作信息检测和辨识能力。     

基于手势识别的虚拟环境体感交互控制

结合体感交互与虚拟环境技术,提出了一种基于手势识别的虚拟环境体感交互方法,采用Kinect体感设备,实时获取用户的手势数据,通过改进的动态时间规整算法,对所定义的手势语义进行识别,并根据识别结果,发出实时控制指令,实现与虚拟环境的自然交互.在此基础上,实现了基于Kinect手势识别的虚拟矿井交互系统,对交互方法进行测试.实验测试结果表明,手势识别正确率平均高达95.1%,实时性较好,所定义的虚拟矿井手势语义符合人们正常操作习惯,能实现与虚拟环境更加自然的人机交互,可以实现与虚拟矿井自然交互控制.     

基于动态时间规整(DTW)优化积分直方图动态捕捉的持续人体动作识别研究

针对现有持续人体动作识别算法实时性不高的问题,提出了一种基于动态时间规整(DTW)积分直方图的动态捕捉方法。首先,利用积分直方图对原始动作进行分类;然后,聚类各种时空姿态建立动作的统计表示,并采用巴氏距离测量两个直方图的相似性;最后,根据动态时间规整方法设计了动态程序识别算法。通过大型数据集的测试以及与几种最新方法的比较证明了方法的高效性,即使在数据库包含噪声和相似动作的情况下,方法仍然取得了很好的识别效果。     

基于体感交互的公路真三维设计与系统架构

引入自然交互这一人机交互领域的最新概念,基于Kinect传感器强大的人体识别与关节点空间运动跟踪及坐标定位能力,提出采用体感人机交互技术在三维虚拟空间中进行公路线形几何设计的方法,并给出了公路真三维设计系统架构.讨论了采用手势进行公路设计的流程以及手势识别、视角控制、线形实时动态交互优化编辑等功能模块的功能设计与相互关系.并采用微软SDK和Google Earth作为第三方软件,开发了系统原型并进行实验,实现了人机交互手段与公路设计平台由二维向三维转变,验证了基于体感交互的公路真三维设计方法的可行性.     

基于多元时间序列融合的飞行动作识别方法

针对飞行动作数据随机性强与长度不一致的问题,提出通过减小动态时间规整(DTW)算法的搜索空间,并定义不同特征参数贡献度的概念,实现对飞行数据的多元时间序列融合,从而完成对战术机动动作的识别。通过引入预分类和细分类结合的方式,对动作数据进行预处理,然后根据改进的动态时间规整(WDTW)算法对待测数据进行识别。仿真实验表明,相比传统DTW算法,WDTW算法通过降低算法复杂度,识别计算时间变化明显;对核密度与精准度系数的分析表明识别准确率亦有所提高。实验结果验证了所提方法的准确性。     

无约束手写体支票金额汉字串识别系统

针对手写支票金额汉字串分割和识别都十分困难的特点 ,提出了一种基于隐 Markov模型的 ,分割与识别相结合的算法。该算法具有如下的突出优点 :在分割方面 ,将偏旁部首作为分割的基本单位 ,充分考虑无约束手写汉字分割的各种交叠和粘连情况 ,降低了金额汉字串分割的难度 ;在识别方面 ,通过对字符识别结果采用多选 ,利用动态规划算法来对整串字符进行识别 ,提高了汉字串的识别率。作为处理分割困难的汉字串的一种新思路 ,该方法对于其他手写字符识别问题也具有重要的借鉴意义。     

基于SVM和CRF的双层模型中文机构名识别

提出了一种基于支持向量机(SVM)和条件随机场(CRF)的双层模型进行中文机构名识别的方法.第一层模型采用CRF识别简单机构名,并将识别结果传至第二层辅助下一步的识别;第二层采用基于驱动的方法,将SVM和CRF结合进行复杂机构名的识别;最后将两层的识别结果合并,并通过一个后续处理对置信度较低的识别结果进行修正.大规模真实语料的开放测试表明,精确率达到94.83%,召回率达到95.02%,证明了该方法的有效性.     

面向专利文献的汉语分词技术研究

针对专利文献专业术语多、领域广的特点, 采用基于领域词典与统计相结合的方法探讨了专利文献的汉语分词问题。利用NC-value算法抽取专业术语, 使用条件随机场模型(CRF)提高专业术语识别率, 提高分词精度。实验结果表明, 提出的方法在开放测试下分词的准确率为95.56%, 召回率为96.18%, F值为95.87%, 大大提高了专利文献的分词精度。     

基于SVM和CRF的双层模型中文机构名识别

提出了一种基于支持向量机(SVM)和条件随机场(CRF)的双层模型进行中文机构名识别的方法．第一层模型采用CRF识别简单机构名,并将识别结果传至第二层辅助下一步的识别;第二层采用基于驱动的方法,将SVM和CRF结合进行复杂机构名的识别;最后将两层的识别结果合并,并通过一个后续处理对置信度较低的识别结果进行修正．大规模真实语料的开放测试表明,精确率达到94.83 %,召回率达到95.02%,证明了该方法的有效性．     

基于BSN和CHMMs的人体日常动作识别方法研究

应用人体传感器网络(body sensor networks,BSN)识别人体日常动作可以有效地提高对老年人、慢性病人,以及术后病人等特殊人群的医疗监护质量.为此建立了一个基于BSN的人体日常动作监督平台,应用采集到的加速度信号识别9个常见的人体日常动作.针对动作识别过程中存在的多传感器数据融合问题,提出一种基于耦合隐马尔可夫模型(coupled hidden Markov models,CHMMs)的动作识别方法.实验结果显示,与已有动作识别方法相比,提出的基于CHMMs的动作识别方法的识别正确率有明显的提高.     

基于BSN和神经网络的人体日常动作识别方法

基于人体传感器网络(BSN)对人体动作的识别,在远程医疗服务中具有重要应用．搭建了一个基于BSN的人体动作监测平台,实验中通过固定在人体腰部和大腿上的两个加速度传感器节点,来采集人体日常生活中的7个动作所产生的加速度信号．特征提取包含传感器节点在3个轴上信号的时域和频域信息,并采用神经网络和分层的方法融合信息对7个动作进行分类和识别．实验结果表明,应用所搭建的BSN平台和识别方法,采用两个传感器节点识别人体日常生活中的7个动作具有很高的正确率．     

基于统计阈值的鲁棒性语音识别

近几十年来,语音识别系统已由实验室环境走向真实的世界中.在不同的环境噪声下,识别性能却仍不尽人意,尤其是在低信噪比的环境中.为解决在低信噪比情况下的低识别率的问题,以声学参数MFCC( Mel-frequen-cy cepstrum coefficient)为基础,提出了一种基于统计阈值的倒谱均值方差归一化算法,该算法...     

基于彩色分割的车牌自动识别技术

提出一种采用彩色分割及多级混合集成分类器的车牌自动识别方法．该方法由彩色分割、目标定位、字符识别及后处理模块组成．采用多层感知器网络（ＭＬＰＮ）对输入彩色图象进行彩色分割,通过投影法分割出潜在的车牌区域并进一步切割出字符,由多级混合集成分类器给出字符识别的初步识别结果及置信度,经后处理得到最终结果．该方法识别正确率高、鲁棒性好,车牌定位正确率达９８．６％,字符识别正确率达到９５％以上,具有很好的实用技术指标．     

基于多尺度注意力的皮肤镜图像自动分割算法

针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。本文提出了一种基于多尺度注意力融合的分割网络MAU-Net(Multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过本文设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给与一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。本文提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。     

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面.这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的.探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs.根据E值和训练分数进行蛋白质家族的识别和分类.     

结合上下文词汇匹配和图卷积的材料数据命名实体识别

材料领域的文献中蕴含着丰富的知识, 利用机器学习和自然语言处理等手段对文献进行数据挖掘是研究热点. 命名实体识别(named entity recognition, NER)是高效利用挖掘和抽取数据中信息的首要步骤. 为了解决现有实体识别方法中存在的向量表示无法解决一词多义、模型常提取上下文特征而忽略全局特征等问题, 提出了一种基于上下文词汇匹配和图卷积命名实体识别方法. 该方法首先利用 XLNet 获取文本的上下文动态特征, 其次利用长短期记忆网络并结合文本上下文匹配词汇的图卷积神经网络(graph convolutional network, GCN)模型分别获取上下文特征与全局特征, 最终经过条件随机场输出标签序列. 2 种不同语料对模型进行验证的结果表明, 该方法在材料数据集上的精确率、召回率和 F1 值分别达到 90.05%、88.67% 和 89.36%, 可有效提升命名实体识别的准确率.