基于ICODENSATION算法的人手跟踪与手势识别算法

为实现基于手势的智能人机交互，提出了一种基于视觉的人手跟踪与手势识别算法．该方法以ICON—DENSATION算法为基础，融合颜色与深度信息进行重要采样，结合轮廓信息并通过ASM模型的能量函数进行观测，根据最大后验概率对几种预定义的手势进行识别．实验结果表明，该算法能够有效地实现复杂背景下的人手跟踪与手势识别，为进一步实现智能人机交互奠定了基础．     

基于穿戴视觉的人手跟踪与手势识别方法

为了解决人与穿戴计算机的自然交互问题,提出了一种基于穿戴视觉的人手跟踪与手势识别方法.该方法以Icondensation算法为基础,综合利用穿戴视觉系统输出的深度和灰度信息进行人手跟踪,并引入了手势变换模型.该模型可以在几种预先定义的手势之间进行动态变换.实验结果表明,该方法可以有效地实现动态和复杂背景下的人手跟踪与手势识别,为穿戴计算机系统提供自然友好的手势交互途径.     

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CW-RNNs网络的手势识别算法

该文在分析表征手势特征和神经网络理论基础上,根据手运动轨迹的连续性规律来研究适用于手势识别的关键技术——基于手势轨迹模型的新型神经网络算法。针对手势识别的模糊性和准确性问题,基于手势局部区域跟踪结果,采用一种新型神经网络算法,实现用于人机交互的动态手势识别。手势识别部分的研究是采用一种新型的循环神经网络(CW-RNNs)对手势运动的轨迹进行识别。根据跟踪部分提取的手指运动轨迹坐标,定义手势模版,采用该方法对手势模版进行学习。首先定义连续动态手势模版,采用时间频率循环神经网络对手势模版进行学习,对每组孤立的动态手势模版进行学习,形成手势识别模型。对影响CW-RNNs模型的因素进行了实验验证和深度分析,通过与多层RNNs、三层RNNs的识别效果进行比较,论证了本文模型对手势轨迹模版识别的优越性。     

基于深度图像的手势识别综述

手势是一种自然直观的人机交互方式,手势识别是新一代人机交互中的重要技术.深度图像可以方便的实现前景和背景的分割,提高手势识别的性能.从人手分割、特征提取和手势识别三个方面介绍了基于深度图像手势识别的研究现状及其应用,并对其中存在的难点展开讨论.     

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...     

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%.     

利用Kinect手部跟踪构造手势空间点集进行指尖定位的研究与实现

利用Kinect实现非接触式人机交互是当前研究的热点,手势识别是Kinect应用程序的核心,但是Microsoft Kinect for Windows SDK提供的手部深度图像跟踪算法中没有手指的描述子集,因此不能进行有效的指尖定位.基于此,本文提出利用Kinect手部跟踪点获取真实坐标,进而构造空间点集来提取手势信息,其中空间跟踪点集是指满足目标特征且与局部跟踪信息相关的空间坐标集合.在此基础上,利用K-曲率算法实现手势的指尖定位,并通过9个经典手势对该方法进行验证.实验结果表明,通过本文提出的实现方法所获取的指尖位置准确率可达到91%,指尖定位速度可以达到30FPS,完全可以满足体感游戏、页面自动换页等功能的需要.     

基于粒子滤波与改进GVF Snake的人手跟踪算法

为实现在复杂背景下对人手进行准确、快速的位置跟踪与轮廓跟踪,并针对粒子滤波无法获取人手目标的准确信息与人手深凹区域获取难的问题,提出一种基于肤色自适应梯度矢量流主动轮廓(Gradient Vector Flow Snake,GVF Snake)模型的粒子滤波算法实现人手跟踪.该算法首先对粒子滤波得到的人手区域进行肤色灰度增强,弱化背景梯度信息,然后对该区域利用引入自适应梯度矢量流场和肤色自适应外部引导力的GVF Snake模型,获取人手的真实轮廓以及准确的系统观测和系统状态,减少了粒子退化的可能,完成了更加准确的位置跟踪.实验表明:在复杂、运动背景甚至大范围遮挡的情况下,该改进算法获得了更加准确的人手轮廓,同时对人手跟踪的实时性提升了13%,均方根误差降低了48%.     

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.     

港口目标特征提取与识别

港口目标的识别包括两个方面：识别港口轮廓和识别轮廓两侧的港口纹理,轮廓链码表示轮廓的走向及轮曲线的曲率,经过自适应平滑后由波变换的极大值检测得到角点,即大曲率点,港口轮廓的基元是一种连续四个角点的结构,基元的识别取决于这些角点有关的三个特征,这些特征只与角点的角度正负性质有关。     

基于复杂网络和图像轮廓的形状识别方法

基于轮廓的图像识别方法具有过程简单、识别效率高等特点.但随着人脸表情变化、光照强度以及遮挡等因素的改变,提取图像轮廓形状的难度增大,从而使方法的有效性受到影响.本文提出一种基于复杂网络和图像轮廓的形状识别方法,通过提取形状图像的轮廓点,建立相应的复杂网络模型,计算相关参数来识别图像.实验表明,该方法具有对轮廓图精确度依赖性低、复杂网络规模小、阈值参数少、能有效适应边界形状改变等优点.     

基于环绕数约束模型的轮廓识别算法研究

为了解决当前图像轮廓识别算法中由于区域标记和轮廓标记性质不同,导致难以将多标记融合识别技术应用于图像轮廓识别中的问题,本文提出了一种基于环绕数约束的能量最小化模型,用以精确识别目标轮廓.在这种模型中,区域标记(如颜色和纹理均匀性)和轮廓标记(如局部对比度和连续性)通过一个目标函数进行描述,实现多标记融合识别.首先,将环绕数作为约束,将其引入到能量最小化模型中,得到区域标记与轮廓标记的线性约束;然后,对区域标记、轮廓标记以及曲率标记进行融合,实现对图像中目标轮廓的识别;最后,将能量最小化模型与标记相结合,通过比率能量函数对算法进行实例应用分析,验证算法的有效性.实验结果表明:与传统轮廓识别算法相比,所提算法具有更高的轮廓识别精度.     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于车辆轮廓定位匹配的车型识别方法

采用背景减法提取运动车辆目标的轮廓,用外接矩形对目标轮廓进行定位,选取轿车、客车和货车3种车型的侧面轮廓作为标准样本,分别计算待识别车辆的侧面轮廓与3种标准样本的匹配程度系数,保留系数较小的两类标准样本,然后采用Hausdorff距离算法计算待识别车辆轮廓与剩余两类样本之间的匹配程度,认定Hausdorff距离较小的两者具有相同的车型.实验结果表明,该方法准确、有效且实时性较好,在高速公路收费站、自动收费停车场等场合具有较大的实用价值.     

单像素人体轮廓提取方法研究

在步态识别中,常用轮廓信息来描述人体运动的细节,而单像素人体轮廓是决定步态识别精度的一个关键环节。提出了一种单像素人体轮廓提取方法。首先,使用灰度图像背景差法获取人体区域图像;然后利用数学形态学的方法对人体区域图像进行修复处理;最后,利用边缘像素邻域信息提取单像素的人体轮廓。仿真实验结果表明,提出的方法能够有效地提取不同步态图像的单像素人体轮廓。     

基于形位特征的机械零件加工位置识别

不同形状零件具有个性特征,为了对具体形状零件的准确定位进行进一步研究,首先通过霍夫变换提取给定零件轮廓中发直线和圆特征,进而利用峰值检测和K-means聚类分析方法准确识别有效的直线和圆特征;依次建立零件轮廓的绝对坐标系和零件标准位置模板坐标系;分别采用基于零件全特征和基于零件主要特征的方式提取零件轮廓的有效像素点,并通过模拟退火算法求解了不同迭代次数下采用这两种方式识别零件位置的速度和精度。为提高识别速度,建立基于零件几何特征的快速识别模型,即将目标函数简化为被测零件的圆心与标准位置模板圆心的最短距离和为最小,通过模拟退火算法进行求解。结果表明,零件的识别时间为0. 321 s,最低识别精度为98. 7%,可见该方法识别精度高,识别速度快。