WiNet：一种适用于无线感知场景的步态识别模型

针对现有基于Wi-Fi信号感知步态识别研究存在的特征获取不足、多人场景下单目标识别准确率低的问题,提出了一种基于频率能量图的步态识别模型WiNet。在对信道状态信息影响因子分析的基础上,选取其中的振幅数据作为步态识别的基础数据;采用频率能量图对原始采集数据进行有效重构使其能够同时容纳步态行为对子载波内和子载波间扰动而产生的有效特征,步态特征的个体辨识度得到较大增强;将频率能量图作为卷积神经网络模型的输入矩阵,经过多组卷积、正则和激活操作,再使用Softmax方法进行分类,得到步态行为对应的个体身份,实现了Wi-Fi环境下高准确率的多人场景单目标步态识别。与全连接神经网络、循环神经网络及基于卷积神经网络的步态识别模型进行了比较,结果表明:WiNet在40人场景实验中识别准确率达到98.5%,识别准确率得到明显提升;在典型强/弱多径效应环境及5种人体状态的对比实验中,WiNet均能达到92%以上的识别准确率,具有良好的识别效果和鲁棒性。     

基于车载毫米波雷达动态手势识别网络

基于Transformer提出一种车载毫米波雷达手势识别方法,可用于车内人员进行人机交互.毫米波雷达信号不受车内光照变化影响,同时能够保证乘客隐私.首先,毫米波雷达采样信号经过二维傅里叶变换和滤波获得距离—多普勒（RDM）和距离—角度图(RAM);然后,将连续多帧RDM和RAM经过三维卷积网络后进行特征融合与拼接得到特征向量,利用Transformer模块进行位置和序列编码;最后通过全连接层获得手势概率分布向量.采集了基于实际路况和多种干扰环境下的雷达数据制作了手势识别分类的数据集,实验结果表明该方法可以有效的检测与识别多种典型手势,识别准确率可以达到97.14%以上.     

基于隐马尔可夫模型的非接触手势识别方法

非接触手势识别是一种新兴的人机交互技术,在很多领域正发挥着巨大作用.基于商用的WiFi设备目前应用广泛,但很多因素会影响识别性能.本文探讨了隐马尔可夫模型理论,提出了一种基于WiFi物理层信息的手势识别系统(non contact ges,NCGes),使用菲涅尔区域模型来学习手势特征.首先收集信道状态信息(chann...     

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。     

复杂场景下基于R-FCN的手势识别

为了解决复杂场景下手势识别的问题,将基于区域的全卷积网络(R-FCN)用于手势识别.为了使网络适应复杂场景,利用在线难例挖掘技术对手势识别过程中产生的难例进行在线学习,并结合手的特征对网络参数进行优化调节.实验结果表明:基于R-FCN的手势识别方法能准确地从复杂场景中识别手势,识别率达到99.73%.     

一种适用于细节丰富图像的水印算法

提出了一种新的算法,有效地模拟了人眼对图像中“细节”与“纹理”的区分,从而可以在图像的纹理中嵌入较强的水印,在图像的细节中嵌入较弱的水印．该算法在保证水印的不可见性和鲁棒性的同时,有效地保护了图像的细节信息．     

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。     

基于神经网络的手势识别技术研究

以数据手套为基础,分析了手形的几何关系,建立了虚拟手的模型,由数据手套的数据接口获取各指节的曲伸角度,建立手势标准样本库,并提出了基于BP神经网络的手势识别方法,用手势标准样本加以训练,使其具备识别手势的功能,并利用VC 编程实现BP神经网络,用Matlab验证实验结果的正确性.     

一种改进YOLOv3的手势识别算法

为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。     

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。     

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。      

基于时间序列手势轮廓模型的动态手势识别

针对动态手势在时间尺度上的多变性和复杂性,提出了一种动态手势识别框架.该框架利用时间序列上提取的手势轮廓构造动态手势轮廓图像,获得不同动态手势在不同时间尺度下其轮廓图像的均值图像和方差图像,并将这些图像用于构成动态手势轮廓模型库,在此模型库基础上,利用相关信息方法和改进的动态时间规整方法完成动态手势的识别.实验结果表明,文中提出的动态手势轮廓模型对不同时间尺度的动态手势具有较强的鲁棒性,改进的动态时间规整方法较传统方法具有更高的识别率.     

一种基于改进的Fibonacci变换的数字水印算法

为提高置乱算法的安全性，提出一种广义的二维矩阵置乱算法．．该算法有多个可选的矩阵，通过逆变换实现图像还原操作，攻击者想破解置乱算法是十分困难的。将所选用的矩阵和迭代次数作为水印的密钥，提高了算法的安全性、实验表明，在不同图像处理和攻击下，该算法具有鲁棒性好、安全性高、提取水印时不需要原始图像等优点。     

一种快速手势识别算法的实现与验证

基于大多数的手势识别算法,需要提取高维度的特征,限制了手势识别在实时系统中的应用。文中针对这种问题,提出一种快速的手势识别算法。首先,在原始图像上提取轮廓块边缘对目标区域进行分割。其次,提取目标区域的形状特征。然后,在数据库中,对每种手势只记录一幅标准的参考图像。最后,通过比较参考图像与待检测图像中的手势特征,来匹配和标记手势的含义。实验结果表明,文中提出的快速算法能够准确地识别手势。     

一种应用于2D-DWT的减少规整化乘算法

提出了一种应用于基于Lifting的二维离散小波变换(2D-DWT)硬件设计的算法,即减少规整化乘.该算法能够大大减少2D-DWT处理过程中的乘法运算次数,降低系统功耗.给出了应用该算法的新型9/7小波结构,该结构通过适当的配置可以既作为正向变换滤波器又作为反向变换滤波器,既能实现5/3小波又能实现9/7小波.对该结构使用Verilog HDL语言进行RTL级描述,在SMIC 0.18μm工艺下综合得到最高工作频率为150MHz,等效门数是15 500.     

基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform, HHT)和改进概率神经网络(probabilistic neural networks, PNN)的信道状态信息(channel state information, CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm, GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

融合多特征和压缩感知的手势识别

基于压缩感知理论,提出了一种新的手势识别方法,考虑到单个特征的局限性,结合Zernike矩和HOG描述符从全局和局部角度描述手势外观和形状.训练阶段提取手势训练图像的Zernike矩和HOG特征构建字典,识别阶段提取待测样本特征,将其表示成相应训练字典的稀疏线性组合,采用求解l1范数的最优化问题实现分类.实验结果证明,和目前应用较广的手势识别方法相比,该方法具有较强的竞争性,而且通过融合两种形状特征,对光照、尺度、旋转等变化更具鲁棒性.     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。