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。     

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。     

SVM与组合矩在工件识别中的应用研究

针对工件识别问题,提出了一种应用支持向量机(Support Vector Machine,SVM)与组合矩对工件进行识别的方法;通过对提取图像的Hu不变矩进行处理,形成利用组合矩进行工件识别的新方法;改进后的算法降低了特征维数,缩减了识别时间,提高了识别准确率;结合试验比较了两种方法的分类效果,其中提取Hu不变矩作为特征的识别率为82.3%,而采用组合矩作为特征的识别率高达94.1%,高于Hu不变矩作为特征的识别率.     

基于肤色特征和卷积神经网络的手势识别方法

传统手势识别方法需要人工选取特征,选取的特征往往很难适应手势的多变性,从而极大地影响了手势的识别率;提出了一种基于肤色特征和卷积神经网络的手势识别方法;首先采用椭圆肤色模型对复杂背景下的手势样本进行分割,将分割出的手势区域进行二值化和归一化处理,然后构建了一种卷积神经网络对处理过的手势样本进行迭代训练,提取出各类手势关键的高维特征,进而得出手势识别模型;通过该方法训练出的手势模型能够自主地对给定的手势图像进行特征提取和手势分类;实验表明:该手势识别方法在测试集上具有较高的识别率;在现实场景的测试中,该方法也取得了良好的手势识别效果,且实时性和鲁棒性较好。     

基于时频特征的Wi-Fi手势识别技术

随着人工智能的快速发展,手势识别已经成为重点关注和研究的对象,利用Wi-Fi信号进行手势识别的技术无需额外的设备以及光照的条件,逐渐成为手势识别的主流.针对传统基于时域统计特征的方法,将经过噪声抑制后的信号进行短时傅里叶变换(short-time Fourier transform,STFT)构建手势信号的频域特征,结合时域和频域特性选择动作持续时间、频谱熵等特征作为特征值,采用支持向量机(support vector machine,SVM)的分类方法对特征值进行训练并完成手势识别.实验结果表明,在复杂的室内环境与室外空旷环境均能有效对手势进行识别,手势的识别率达90％以上.     

结合过完备字典与PCA的小样本语音情感识别方法

针对稀疏表示识别方法需要大量样本训练过完备字典且特征冗余度较高的问题,提出了结合过完备字典学习与PCA降维的小样本语音情感识别算法.该方法首先用PCA降维方法将特征降维,再将处理后的特征用于过完备字典训练与稀疏表示识别方法,从而给出了语音情感特征的稀疏表示方法,并确定了新算法的具体步骤.为验证其有效性,在同等特征维数下,将方法与BP、SVM进行比较,并对比、分析语音情感特征稀疏化前后对语音情感识别率、时间效率以及空间效率的影响.试验结果表明,所提出方法的识别率比SVM与BP高;与采用稀疏化前的特征相比,稀疏化后的特征向量更便于处理,平均识别率提高约15%,时间效率提高近原来的1/2,空间效率提升近原来的1/3.     

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%.      

基于改进主成分分析网络的手写数字识别方法

针对人工特征对于多样性的变化没有很好鲁棒性,并且主成分分析网络提取的特征维数过高导致分类效率低且对内存消耗大的问题,提出了一种主成分分析网络和压缩感知结合的手写数字识别方法.首先,利用改进的主成分分析网络对图像进行特征提取;然后,用一个非常稀疏且符合压缩感知RIP条件的随机测量矩阵对抽取的特征空间投影,得到一个低维压缩子空间,该子空间可以保留高维图像特征空间的信息;最后,采用支持向量机对降维后特征进行训练和识别.实验结果表明:该方法识别率高、训练时间短;同时,该方法在加入池化层并进行压缩感知后,特征维数更低,模型内存占用更小,分类识别的速度更快.     

基于HOG/PCA/SVM的跨年龄人脸识别算法

为了实现跨年龄的人脸识别,通过梯度幅值和梯度方向这2个重要的图像特征测量图像相似度,建立了一种方向梯度直方图 (HOG)、主成分分析 (PCA)和支持向量机（SVM）相结合的人脸识别算法.首先对从FG-NET数据库中选取的人脸图像作预处理,然后用HOG算法提取特征值,用PCA方法降维特征值,最后将样本输入到SVM中进行训练,人脸识别匹配度最高可达90.91%.实验结果验证了算法的有效性.     

一种基于分块小波的人脸识别算法

提出一种基于分块小波的人脸识别新算法.在充分考虑提取局部特征,又克服小样本问题的基础上,提出分块小波的概念.首先,对小波分解后的低频子图进行分块,提取局部特征,从而降低图像维数并除去冗余噪声;将其先后进行PCA和LDA变换,得到组合特征向量;最后,根据KNN的快速分类能力及SVM在少数类别分类上的优势,提出KNN+SVM融合分类器对组合特征向量进行分类识别.研究结果表明:该方法识别率高,识别速度快,具有一定的实用价值.