基于傅立叶描述子-BP神经网络的手势识别方法

针对手势识别中人手是复杂变形体,手部特征描述容易受到环境因素影响的特点,提出了一种基于傅立叶描述子-BP神经网络的手势识别方法.首先根据YCbCr和Nrg肤色模型的互补性以及背景模型有效去除复杂背景中的类肤色的特点,利用多特征相融合的手势分割方法提取手势区域;然后结合傅立叶描述子具有较好的轮廓描述能力和BP神经网络较强的自学习能力,利用傅立叶描述子-BP神经网络方法对手势进行识别.实验结果表明此方法具有较好的鲁棒性和较高的识别率.     

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。     

一种复杂背景下的手势提取方法

介绍了一种在一般复杂背景条件下将手势与背景分离的新方法.该方法首先在一般背景下对获得的手势图片进行卷积滤波处理,验证了肤色的聚类特性,然后综合利用手势的肤色特征和其特有的几何特征,成功地将手势与背景分离,最后通过不同背景、不同手势提取实验验证了该方法的有效性.将该手势分割方法用于8种于形手势识别实验,静态手势识别率能达到99%.     

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。     

基于深度学习的应急手势识别算法研究

本文提出了一种基于深度学习的应急手势识别算法.首先采用深度图像传感器做手势分割获取应急手势数据集,其次采用肤色分割算法和本文提出的应急手势识别算法做实时性测试.与常规算法不同的是,本文构建了一个应急手势数据库,并建立了深度卷积神经网络模型,提出了7种应用于多种场景的应急手势识别算法.实验结果表明,本文应急手势识别算法优于现有的机器学习算法,识别率达99.95%,可广泛应用于人机交互场景.     

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。     

基于计算机视觉技术和支持向量机的手势识别算法研究

针对现有的手势识别方法在复杂环境中识别效率不理想的情况，提出一种双通道卷积神经网络模型，该模型同时采用灰度世界算法和离散小波变换对输入数据进行预处理，减少照变化对图像的影响并提高识别效率和模型稳定性。然后通过高维特征融合模块将提取的图像信息进行融合，再利用帝国竞争算法对支持向量机分类器进行优化，提高分类效果。实验结果显示，在实验环境中，该模型的平均识别率达95%,收敛速度快，效率高。经过消融实验对比，性能比基准模型提高4%以上。在实际测试中，对于简单手势的识别率均在90%以上，对于复杂收手势的识别率在80%以上。     

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%.      

基于深度图像HOG特征的实时手势识别方法

手势识别是模式识别领域的一个热点研究方向。提出了一种利用Kinect传感器深度图像进行手势分割的方法,并研究了基于灰度图像HOG特征的手势识别模型;深入研究了HOG特征,分析其特征向量特点,探讨了不同特征维数对训练机的影响及处理效率;通过SVM机器学习方法实现手势的分类识别,经过对大量实验样本的优化训练,获得了最优SVM参数,并进行分析、对比识别率。本文方法维数少、识别率高、运行速度快、性能稳定,能满足实时性手势识别的要求。     

基于深度卷积神经网络的手写哈萨克文字母识别方法

利用卷积神经网络在图像识别方面的优势,提出了一种基于深度卷积神经网的哈萨克手写字母识别方法(DCNN-KLR),成功建立了一种哈萨克手写文字识别模型。 与传统的方法(SVM+HOG)相比,不仅训练方便、速度快,而且提高了哈萨克手写文字的识别率。在5708个数据样本上进行训练和测试,将样本分为33类和100类,正确识别率分别达到93.29%和92.38%。     

基于卷积神经网络的大容量汉语孤立字语音识别方法

使用录音设备对1 605个常用汉字进行录音,得到920个孤立字发音、3 680个非特定人的语音样本库.采用语音语谱图作为汉语单字语音识别的特征,构建了6层卷积神经网络应用于模型库的语音识别.通过深度学习方法对语音样本进行了训练和识别.实验结果表明,所构造的20-40-3500结构的卷积神经网络模型对语音样本库具有最好的识别效果,对测试样本的识别率达到97.87%,对全部样本的识别率达到99.32%.     

结合肤色分割和ELM算法的静态手势识别

针对目前复杂背景下手势图像识别率不高、识别困难等问题,基于ELM(extreme learning machine),提出了一种快速手势识别方法。结合RGB与HSV两种颜色空间模型,从复杂背景中去除大部分类肤色的干扰,实现手势分割;采用改进的Hu不变矩以及指尖个数对获取的手势轮廓进行描述;利用ELM进行特征数据分类,从而实现实验所采用手势的识别,其中ELM是在单隐层神经网络的基础上提出来的一种新型前馈神经网络,网络结构比较简单,输入权值和偏差随机给定的。在采用ELM识别的同时又用传统的BP网络进行了识别,结果表明:相对于BP网络,ELM具有较快的学习速度和良好的抗差能力,同时识别率比较高,适合静态手势识别。     

一种模块化神经网络的人耳识别方法

提出了一种基于模块化神经网络的人耳识别方法。对人耳图像进行一系列的预处理后,采用PCA方法对图像进行特征提取。构建了模块化神经网络模型,并用分层遗传算法对该模型进行优化,选择训练阶段样本和测试阶段样本对人耳图像进行训练和测试,得出识别率。实验结果表明,基于模块化神经网络的人耳识别相对于传统的神经网络优化了设计参数,得到最优体系结构,提高了人耳识别率。     

在线多线索动态手势识别

文章提出一种将运动和肤色特征相融合的多线索识别方法,利用差分运动检测降低复杂背景干扰,利用肤色在HSV空间中的聚类特性,采用多高斯模型,对每一个输入视频,将前50帧作为学习样本,在线学习出该视频的肤色分类器,解决了泛化性能低的问题;利用手势固有形状特征进行静态手势分割,采用基于仿射变换的块匹配法对动态手势进行跟踪。结果表明该算法能够较好地适应不同光照及复杂背景,同时满足实时要求。     

基于深度学习的无人机遥感影像水体识别

针对无人机遥感影像分辨率高、信息量大易造成错分、漏分现象,导致识别分类精度不高的问题,采用一种基于深度学习的水体识别方法进行无人机遥感影像水体识别。该方法首先选取大量样本训练并构建深度卷积神经网络模型(DCNN),然后利用最大稳定极值区域(MSER)对无人机遥感影像进行分割得到待识别目标子区,最后根据深度卷积神经网络模型对分割后影像目标进行水体识别,并且将识别结果与目前常用方法进行比较。实验结果表明,该方法能有效识别水体目标,减少错分、漏分现象,提高识别精度,优于其他方法。     

基于CNN与K-means聚类的非侵入式电器负荷识别方法

针对目前非侵入式负荷监测仅能识别单个家用电器、多种家用电器同时运行识别率低的问题,提出一种基于卷积神经网络（CNN）与K-means聚类结合的非侵入式家用电器识别方法。首先,通过改进的CUSUM边沿检测算法对获取的用户用电数据进行时间检测,提取负荷发生投切事件的功率波形;其次,通过高斯滤波法对提取的功率波形进行滤波处理,并将处理后的波形转化为像素图作为负荷特征库,一部分作为训练集用来训练K-means算法改进后的CNN模型,一部分作为测试集测试模型识别的精度;最后,利用搭建的实验平台进行实际测试分析。实验结果表明,所用模型对7种家用电器的识别率均为100%,验证了模型的有效性。通过K-means算法对卷积神经网络进行改进,增大相似特性负荷特征之间的区别,提高负荷辨识的准确率,为非侵入式负荷检测技术开发提供了参考。     

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CNN与MFCC的城市场景声音识别

城市环境中包含着各种各样的杂音,针对这种复杂的声音识别环境,该文提出一种基于MFCC与CNN的声音识别方法.首先对城市环境声音样本进行梅尔特征提取,取得特征图之后由卷积神经网络进行训练、测试获得CNN特征,最后由SVM分类器识别分类,并将其与常见的音频识别方法对比分析,在识别速度和识别率上均有所优化,实验表明,此方法在复杂环境下能够得到较好的声音识别效果.     

基于改进的卷积神经网络的负面表情识别方法

为了解决传统的基于人工特征的负面表情识别方法在面部无遮挡、姿态非倾斜的人脸表情图像上表现良好,但是在复杂场景下的识别效果较差的问题,提出了一种基于改进的卷积神经网络的负面表情识别方法.首先利用卷积神经网络的无监督特征学习的特性,预训练两个不同拓扑结构的卷积神经网络,用以提取表情特征;然后融合这些特征,训练分类性能更强的支持向量机.改进后的卷积神经网络算法具有较好的鲁棒性和泛化能力,在训练数据库ICML-fer2013上取得了86.2%的识别率,在测试数据库CK+,GENKI和JAFFE上分别取得了81.6%,87.0%和80.8%的识别率.     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。