混合Adaboost算法与Kalman滤波的头势人机交互

在基于头势的智能轮椅的人机交互中,头势识别是人机交互的重要研究内容。提出一种新的用于控制智能轮椅的头势识别方法,通过Kalman滤波器预测由Adaboost算法检测到的唇部窗口在下一帧图像可能出现的位置,进行下一帧图像的唇部检测,进而通过唇部窗口的位置与整个检测窗口中一个固定的矩形窗口进行比较确定头势。Kalman滤波器的使用克服了单纯使用Adaboost检测算法检测每一帧待检测窗口时将整个窗口的所有的位置都要搜索的问题,提高了唇部检测时间及检测精度,使智能轮椅在被头势控制过程中运动连续、正确。     

基于头势的机器人的人机交互

为了实现机器人的和谐人机交互,通过头势去控制机器人实现人与机器人的和谐交互。采用Adaboost(adaptive boosting)算法实时检测人的唇部,通过比较唇部与预先设定好的参考矩形框的相对位置关系对机器人的运动状态进行控制（前进、后退、左转、右转）,实现了基于头势的机器人的人机交互。实验结果显示,通过头势的控制的机器人运动的鲁棒性很好。     

基于腕势控制的智能轮椅无障碍人机交互系统

将人机交互与智能轮椅结合,设计了一种智能轮椅人机交互系统.自行开发了一种腕部控制器,采用模糊推理方法实时检测腕部的弯曲变化,通过腕部的弯曲变化对智能轮椅的运动状态(前进、后退、左转、右转、停止)进行控制,实现了基于腕势控制的智能轮椅无障碍人机交互,实验结果表明基于腕势控制的智能轮椅运动更稳定.     

基于手势跟踪的智能轮椅控制系统

针对智能轮椅运动控制的特点,提出并实现一个基于手势跟踪的智能轮椅控制系统.基于皮肤颜色模型和手势轮廓特征进行手势的检测和分割,将分割出的手势作为跟踪的初始化窗口,采用Camshift算法实现手势的自动跟踪,并用Kalman滤波预测下一时刻的手心位置,结合手心位置和手势的几何特征识别出不同的控制指令.实验证明,该方法能实...     

人体关节运动跟踪

基于计算机视觉的人体关节运动跟踪是建立在计算机基础上的可移植、可拓展的智能人机交互模式.通过极值点确定、初始位置确定、粗定位、精定位、带宽确定,获取运动人体关节的中心和带宽,从而识别人体关节.采用改进的Mean Shift算法对人体运动时的关节进行跟踪,应用改进的Kalman滤波器跟踪算法对运动目标的状态进行估计,解决了快速运动或突然变向的目标丢失的问题.最后,对改进前后Kalman滤波器跟踪算法的跟踪效果进行对比,验证了改进Kalman滤波器跟踪算法的优越性.     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

基于机器视觉的人眼瞳孔定位研究

人体生物特征识别技术作为一种智能的人机交互技术,越来越受人们重视。人脸识别和瞳孔定位在视频监控系统和门禁系统中有着广泛的运用。本文所研发的人眼瞳孔定位检测系统采用Adaboost算法,分别检测获得了人脸、眼睛,并通过检测眼睛区域连通体面积来判别眼睛的睁闭,并定位瞳孔位置。     

基于级联Adaboost和神经网络PCA算法的人脸检测系统研究

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络PCA算法的人脸检测新方法以提高人脸检测的正确率。该方法采用两级检测器对人脸进行区分检测,首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并,然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口,最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,此时的检测率为88%;基于SVM检测正确率为54%,此时的检测率为89%;基于FSS检测正确率为66%,此时的检测率为92%。实验结果表明,本方法能够很好的区分人脸模式和非人脸模式。因此,在这种意义上来说,级联的Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

基于级联Adaboost和神经网络主元分析算法的人脸检测系统

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络主元分析(PCA)算法的人脸检测新方法以提高人脸检测的正确率。采用两级检测器对人脸进行区分检测:首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并。然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口。最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,检测率为88%;基于SVM检测正确率为54%,检测率为89%;基于FSS检测正确率为66%,检测率为92%。实验结果表明,本方法能够很好地区分人脸模式和非人脸模式。因此,级联Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

跨道监控系统设计与应用

设计了一套基于视频的机动车跨道违章监测系统,系统的硬件平台由工控机,摄像机组成.首先由平均算法得到良好的动态背景图像,并由Hough变换法提取车道线;在车辆检测过程中提出了背景差法与边缘提取法相结合,车道线辅助识别的两次目标轮廓提取算法,从而获得完整准确的运动目标轮廓;在违章判别中提出了简易准确的跨道违章判别算法;最后使用均值漂移算法对运动车辆进行跟踪,并结合卡尔曼滤波器预测车辆在下一帧的位置.通过实际道路测试,该系统具有一定的实时性、准确性和智能性,可应用于智能交通监控领域.     

基于Kalman滤波器与肤色模型的手势跟踪方法

有效和鲁棒的手势跟踪是动态手势识别的前提,针对手势及其运动的特点,提出了结合Kalman滤波器和肤色模型的手势运动目标跟踪方法.首先通过背景差法和YCb’Cr’空间上的椭圆肤色模型检测出手部运动目标,通过目标区域的空间结构参数来设置Kalman滤波器的各项运动参数,然后计算空间结构特征的跟踪匹配函数对目标预测位置进行修正,获得运动手势目标区域及其运动轨迹.实验结果表明,所提方法能有效地跟踪手势,并能较好地适应手势在运动过程中的手形变化、轨迹转弯等情况,检测准确,鲁棒性高.     

基于实时手势识别与跟踪的人机交互实现

为了实现对手势目标的自动识别和连续跟踪,提出了一种手势识别与跟踪算法。首先,通过离线训练手势目标检测器来实现手势目标的自动识别。接着,通过改进的Shi-Tomisi算法,在目标区域提取可靠稳定的特征点。然后,通过KLT跟踪器对特征点进行跟踪。当特征点跟踪成功时,通过求解仿射变换矩阵确定手势目标的新位置;当目标出现遮挡和大尺度旋转时,特征点丢失,此时在KLT跟踪器中加入卡尔曼滤波器来预测手势目标的位置,实现对手势目标的连续跟踪。同时对手势目标可能存在的区域进行估计,缩小检测器的检测范围,提高检测速度。最后,将算法应用于人机交互系统中,实现了机器人的远程控制。实验结果显示,算法在简单背景下的跟踪正确率为99.54%,复杂背景下的跟踪正确率为98.24%。实验结果表明,算法能够快速准确地对手势目标进行检测和跟踪,满足了实时性、连续性以及抗干扰能力强等要求,对于旋转及遮挡均具有较强的鲁棒性,为实现基于手势控制的人机交互提供了一种有效方法。     

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.     

基于Agent的多功能感知环境研究

多功能感知是指计算机不仅可以通过键盘和鼠标 ,而且可以用手势、表情、语音等其它方式与人进行交互。给出了统一的感知Agent模型 ,提出了一个基于Agent的多感知系统结构 ,且建立了系统运行的网络环境 ,并介绍了一个基于语音识别Agent和手势识别Agent的多感知系统     

粗糙集理论在中国手语合成中的应用

粗糙集理论是处理模糊和不确定知识的一种重要工具,约简是它的核心方法之一．在人机交互中,手势交互的难点在于手势表示的复杂性和逼真性,在将粗糙集理论应用于中国手语合成中,利用约简发现了手运动中的一类约束,降低了手语表示的复杂性,也增强了手语合成的逼真性．     

车载手势识别中基于小波变换和双边滤波的图像去噪方法

手势识别是人机交互中的重要研究领域,车载手势识别系统可以减少驾驶员手动操作仪表导致的分心,提高驾驶安全性。受光照变化、汽车环境、摄像头成像质量等各因素的影响,车载手势图像中常会存在大量复杂噪声。这些噪声严重影响后续手势分割、特征提取和手势识别的准确性。针对手势图像中存在的噪声问题,本文提出了一种适用于车载手势图像处理的新方法。该方法先对小波分解后的各高频子带采用不同方向的一维非线性扩散滤波处理得到初步去噪手势图,在此基础上用多尺度双边滤波对图像再次处理。实验结果表明,本文方法可以较好地去除车载手势图中噪声,抑制车载手势图细节的模糊。      

基于Hu不变矩扩展的交通标志识别

交通标志的识别是智能交通系统(ITS)的组成部分之一，具有十分重要的意义，对Hu提出的区域不变矩和Chen提出的区域不变矩快速算法进行了扩展，得到一组新的描述形状特征的参数，这些参数具有平移、缩放和旋转不变性，并且具有较低的计算复杂性，具有Hu和Chen方法的综合优点．     

基于Transformer模型的手势脑电信号分类识别

基于无创脑电信号的精细手势动作识别是脑卒中患者运动功能康复的重要技术手段。本文通过设计实际手势动作,以手指精细运动时的运动功能区长时程脑电信号作为数据处理对象,改进了一种基于自我注意的Transformer模型识别方法,分别从时间维度和空间维度构建了基于自我注意模块的Transformer模型及其变体Top-k稀疏Transformer模型,并结合脑电数据结构特点设计了一种基于MEMD-CCA的混合去伪影方法,改进的Transformer模型取得了优异的分类识别结果。     

多尺度模型与矩描绘子相结合的手势识别算法

提出了一种基于单目视觉的手势识别算法.通过用户初始化过程获取基本识别参数,结合视频跟踪的过程实时获取用户手势区域,在该区域内采用矩描绘子与多尺度模型相结合的方法进行特征提取,对于提取出的特征采用分类识别规则,实现对手势1～10的正确识别.经过试验证明,该算法可以适用于不同用户,识别正确率达到93.5%.