基于深度信息与DBN的手势检测与识别

提出基于深度信息与深度置信网络(DBN)的手势检测与识别算法.首先通过Kinect提供的深度信息定位手势区域,并找出手势区域的方向线,根据方向线的角度把手势旋转成垂直向上.结合手掌形状特征实现手势分割得到二值化的手势图像.在此基础上,利用深度置信网络进行识别.通过深度信息,去除了复杂背景的干扰.利用方向线使得手势具有抗旋转性.利用深度置信网络无需其他特征提取.实验结果表明,本文检测手势区域准确,计算量较小,能够快速地实现手势识别,并能够获取较高的识别率.     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

一种基于深度图像的左右手同步分割改进方法

基于深度图像的手势识别技术是下一代数字媒体设备的主要交互手段, 从深度图像中准确定位出"干净"的手部图像显得尤为重要. 提出了一种同步进行左右手分割的改进方法, 在传统 SegNet 算法的基础上, 加入了类别权重、转置卷积、混合式空洞卷积组合和编解码器之间的拼接合并跳层连接, 使左右手的 F2-Score 相较基准方法分别提高了 7.6% 和 5.9%. 推理速度在 GPU 上达到了 20.5 ms/帧, 可以实时处理深度图像序列. 实验证明本方法对深度图像进行左右手同步分割时可以得到更加精准的分割结果.     

基于卷积神经网络的单幅图像室内物体姿态估计

单幅图像的目标检测和物体姿态估计一直是计算机视觉领域中非常重要的研究内容.利用卷积神经网络对单幅室内场景图像进行研究分析,提出了一种基于卷积神经网络的单幅图像室内物体姿态估计算法.该算法采用直接分类预测的方法来实现物体的姿态估计.通过改进Faster-RCNN网络结构,利用室内场景数据集SUNRGB-D训练网络,实现端到端单幅室内图像目标检测和姿态估计.实验结果表明,该算法目标检测平均准确度为70%,姿态估计结果中平移估计准确度为28%,旋转角度估计准确度为30%.     

人机交互过程中数字手势的识别方法

为了获得简单、高效的数字手势识别方法,增加使用者舒适的体验,提出一种基于Kinect融合深度信息和骨骼信息的数字手势识别方案.首先,使用Kinect进行深度数据的采集,建立深度图像;其次,结合骨骼追踪系统,提取人体轮廓,运用深度阈值法从轮廓中分割出手部区域,并进行二维图像的重建;再次,利用手腕和手掌骨骼点准确分割出手掌区域,并运用图像形态学开运算进行处理,得到不含手指的图像,进而提取掌心坐标;最后,计算半径,确定掌心圆,采用圆的边界和手指相交次数的方式识别手指个数.实验结果表明:数字手势识别方案能够准确、高效地识别数字手势.     

Kinect骨骼信息下的动态手势识别研究

针对复杂环境中存在的手势识别问题,提出一种利用Kinect传感器获取深度信息并进行动态手势识别的方法。该方法通过对Kinect传感器获取的深度信息进行分析,获取人体主要骨骼点的3D坐标,从中选取六个点作为手部运动的特征参照;为提高手势识别系统的识别速度,提出了一种基于查表的DTW算法对得到的特征数据进行模板训练并实现动态手势识别。实验结果表明:该方法具有较高的识别速度和识别率,对复杂背景及光照强度变化具有较强的鲁棒性。     

面向手语自动翻译的基于Kinect的手势识别

提出了一种基于3D体感摄像机Kinect设备实现面向手语自动翻译的手势识别方法,利用Kinect体感外设提供的深度图像实现手的检测,并通过OpenNI+NITE框架中函数获得手掌质心在三维空间中的位置,然后通过等值线追踪算法(又称围线追踪算法)和三点定位算法识别出手指实现了手势跟踪,最后通过矢量匹配方法识别手指名字,并设计了三层分类器来实现静态手势语的识别.相较于传统的基于数据手套和单目摄像机的方法,本方法识别的更准确.基于上述方法,实现了一个手势识别系统.实验结果显示,本文提出的方法更加简洁且行之有效.     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

面向翻书机器人的手势控制指令的识别算法

所控制的翻书机器人是一种辅助特殊人群阅读的服务机器人,对其提出一种基于表观特征的手势控制指令识别算法.从Kinect(体感外设)获取的手部深度图像中利用最小深度点分割手势区域,用轨迹圆提取指尖个数及夹角等表观特征并通过决策树分类,同时利用手和肩膀的骨骼数据及其运动轨迹判定翻页方向.经过多次试验,手势控制指令识别率达到98.4%,该算法无需训练样本也能在复杂环境下快速准确地识别手势控制指令,完全可以应用于辅助特殊人群阅读时的翻书控制.     

基于深度信息的无标记手势分割与3D定位

基于Kinect深度信息提出一种精确稳定的无标记手势分割和3D定位方法.基于深度阈值方法在实验空间中检测出手部二值图像.根据一般手势行为特性,提出基于目标手势端点检测和动态阈值算法无标记地分割出精确手势.为避免不精确的分割结果,对分割手势基本形态阈值限定.选取精确目标手势的重心坐标和纵向平均深度灰度值对手势3D定位.实验表明:该手势分割方法比已有无标记方法更精确稳定,3D定位比Kinect SDK的骨骼点手势定位稳定可靠、无奇异点.