基于手机加速度传感器的手势识别系统研究

基于智能手机上的加速度传感器,设计并实现了一种手势识别系统。采用时间数列方法对加速度数据样本建模,对数据进行降噪和优化处理,包括使用抽取突变消除平缓强调动作的变化;利用门限值差分方法进行手势动作动态自截取;利用特征提取简化数据,提高识别正确率;利用模板匹配方式,基于动态时间规整(DTW)算法进行手势检测。实验结果表明,该系统方便可行,具有较高的识别率。     

基于STM32的手势识别系统的研究与设计

以STM32F103ZET6作为主控芯片,电源模块采用限流可调稳压开关电源,提供稳定的电压,电流.通过覆铜电容极板采集信号,经过FDC2214电容式传感器的转换,通过硬件电路和软件电路的设计,采用卡尔曼滤波,冒泡排序等算法进行数据处理,设置动态设定阈值和环境值,设计实现猜拳、划拳人机交互手势识别等功能,手势判别结果稳定实时显示于TFT-LCD显示屏.     

基于机器学习的手势识别系统及其在移动终端上的应用

手势识别技术可有效提高移动终端操作效率。通过移动终端加速度传感器捕获手势执行过程中的三维加速度信号,经过预处理、特征提取之后,采用机器学习方法SVM,建立相应的SVM分类模型,并利用该识别模型实现手势动作。实验结果表明,该方法具有较高的识别率并在移动终端上得到应用。     

基于LPC2214的LED显示屏控制系统硬件设计

采用基于嵌入式实时操作系统的ARM微处理器技术,提出一种全彩LED显示屏控制系统硬件设计。该系统以ARM微处理器LPC2214为核心,完成显示数据传输与更新、循环扫描显示等功能。系统能实现全彩LED显示屏的异步控制,画质稳定,色彩分辨率高,刷新频率高,性能稳定、可靠。     

基于arm的LPC2214的传输模块硬件设计

基于arm的LPC2214的传输模块的硬件设计,包括RS232接口,RS422接口,串行口UART0,UART1,USB接口的设计,以及外围存储模块的扩展.文中还包括各类电源和旁路电容的辅助设计,GALI6LV8控制器的abel编程.     

基于射频识别系统的防碰撞算法分析

标签冲突是射频识别系统中经常出现的问题,目前对防碰撞算法分析方法有许多种,包括:动态多杈树搜索算法、后退式二进制搜索算法、序列号对时隙数搜索算法等,每种算法都有自己的特点。笔者分析了射频识别系统的优点,对基于射频识别系统中的防碰撞算法进行分析。     

基于学习分析技术的手势计算教学应用

学习分析技术已经广泛运用于课堂教学各个层面,手势计算紧密联系实践教学环节。运用学习分析技术,准确把握学习者的学习状态,搭建了基于Kinect的3D手势计算环境,对人手的复杂运动形态进行捕捉、分割、追踪与识别,并与实际进行对比验证。阐述了3D手势计算的内涵与特征,论证了其应用于教育的理论与实践基础,为进一步改进课堂教学策略,推动理论知识与教学实践相融合提出了建议。     

基于arm的LPC2214的传输模块硬件设计

基于arm的LPC2214的传输模块的硬件设计,包括RS232接口,RS422接口,串行口UART0,UART1,USB接口的设计,以及外围存储模块的扩展.文中还包括各类电源和旁路电容的辅助设计,GAL16LV8控制器的abel编程.     

基于一维光子晶体掺杂结构的单通道滤波特性分析

采用传输矩阵的计算方法,研究了一维光子晶体掺杂结构对光传输特性的影响,利用MATLAB绘制不同结构参数的一维光子晶体第一带隙透射率图谱.通过绘图发现：对称一维光子晶体的周期结构（（BA）m（AB）m）,在带隙内部出现光子局域,在中心波长处产生共振隧穿效应;增加对称周期层数,能够降低隧穿效应的透射率,降低光子局域带宽;提高掺杂层折射率,降低光子局域带宽,局域中心向短波方向移动;增大入射角,光子局域中心向短波方向移动;选择适当的结构参数能够实现在1 550 nm光波附近的窄带滤波器的设计.     

基于视频流的车型识别系统研究

在智能交通系统中,车辆信息的获取对车辆自动监控和全自动收费系统的建立起着关键的作用。因此,车辆图像检测技术的研究对提高公路交通的自动化程度,促进智能交通系统的发展有重大的实际意义。主要讨论如何通过背景建模的方法提取车辆轮廓信息来达到车型识别的目的,并指出了下一步的研究方向。     

基于OPENCV的智能车牌识别系统

智能车牌识别系统是结合数字图像处理技术、计算机视觉和模式识别为一体的综合系统,包含对车牌图像进行预处理、车牌区域定位、字符分割以及字符识别等功能。在车牌识别技术中,采用了BP神经网络技术,能快速根据提取的车牌字符特征与已知样本中特征进行比对以获取车牌字符。通过运用OPENCV计算机视觉库,大大降低了系统实现复杂度,实现了快速准确识别车牌号码。     

冯特手势理论的语言学分析

冯特认为人生下来之后,除了把自己的感情、情绪表现于外部之外,还有要把自己内心想法传给别人的冲动;其表现手段最初使用的是"手势",即使完全没有言语时,手势也可传达人自己的意志。因此,冯特在他的《民族心理学》中从手势的词源学(词汇学)与句法学以及手势语言的起源与语意变迁的语言史等角度出发,建构了自己独特的手势语言理论体系。     

基于BP神经网络的Kinect手势识别方法

为了提高人机交互中手势动作的识别率,基于Kinect平台所构建的人体骨骼模型,提出一种基于时间线的相关关节数据表示方法。以几种常见交互手势为分类基础,在BP神经网络中使用样本数据进行训练。实验结果表明,该算法取得了较好的识别效果。     

基于MATLAB的车牌识别系统研究

为了提高车牌识别准确率,以MATLAB为平台,对车牌识别系统部分算子选择及算法进行调整和优化。在具体处理中,通过灰度拉伸、顶帽变换、二值化等实现车牌预处理,用边缘检测、形态学处理等实现车牌定位,通过多种算法对比选择合适的车牌矫正方法,结合车牌垂直投影法、模板匹配法完成车牌识别系统设计。该系统对车牌识别的准确率由96.5%提升至97.5%,识别效果较好。     

基于深度学习的杂草识别系统

田间除草技术在农业生产中具有重要意义。针对复杂背景下农作物与杂草识别率低、算法鲁棒性差等问题,提出一种图像分割网络 Res-Unet。该网络为 unet 网络的改进版本,采用 resnet50 网络代替 unet 主干网络,解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡、变形问题。将图像的平均交并比、准确率、训练时长作为评价指标进行实验。结果表明：使用 Res-Unet 模型的平均交并比为 82.25%,平均像素准确率为 98.67%。改进的 Res-Unet 模型相对于 Unet 平均交并比高出 4.74%,相较于 segnet 平均交并比高出 10.68%,训练时间减少 3 小时。该方法对复杂背景下甜菜杂草检测效果良好,可为机器人精确除草提供参考。     

基于MATLAB的结构模态分析与损伤识别系统软件开发

为采集反应结构服役状况的相关数据,发现结构的损伤并评估其安全性,本文研究了空间网格结构健康监测系统的设计和具体实现方法,阐述了空间网格结构健康监测系统的基本组成和监测内容,将健康监测系统开发的重点放在数据处理、模态分析和损伤识别等模块上,成功地开发了一套基于MATLAB的结构模态分析与损伤识别系统(Structural Modal Analysis and Damage Identification System-SMADIS 1.0)。软件主要功能包括:环境振动实测数据的预处理、时频域数据分析、模态参数识别、结果后处理及振型动画显示、模型缩聚和实测振型扩充、有限元模型修正、有限元数据提取、损伤定位及评估等。结果表明:整个软件系统采用模块化的程序设计理念,具有功能全面、界面友好、灵活实用和可继承性等特点,值得在结构健康监测领域进行推广。     

基于Adaboost实现的实时手势识别

随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboost的学习分类模块来实现对特定握拳手势的实时识别和精确定位。本方法使用的迭代算法将弱分类器训练组合为强分类器,经过基于正负样本图片的过程后,所得的级联分类器首先可以根据摄像头捕捉的视频中的实时手势位置,能够识别手势的类型并进行对应画笔轨迹的跟踪实验,并且通过具体的算法,在已识别的各个位置中,实现了去除可能的误差位置,从而使得画笔的轨迹更为流畅。根据统计,所进行的实验对室内环境下握拳手势的识别率可以达到90%,取得了良好的效果。     

基于深度学习的手势识别研究

目前一些相对成熟的手势识别算法,如基于模板匹配的方法、基于人工神经网络的方法以及基于隐马尔科夫模型的方法,都存在计算复杂的劣势,而基于深度学习的手势识别具有一定优势。通过深度学习提取多层网络简化的高价值易用特征,通过向量等表示,简化算法以实现良好的识别效果。通过摄像头采集室内复杂背景下的手势图像,在计算能力、存储能力强大的PC平台通过深度学习处理图像,提取特征,然后进行分类识别,能提高识别准确率。通过改进硬件或算法还可提高识别效率及安全性。     

基于MEMS惯性传感器的手势识别

针对基于MEMS惯性传感器的手势识别问题,提出了一种基于门控循环网络的手势识别模型架构。以智能手机为载体,通过其内置的MEMS惯性传感器获取手势运动数据,构建了基于LSTM网络的LSTM-D模型和基于GRU网络的GRU-D模型,实现了在三维空间中的手势识别。提出的两种模型均有较好的分类效果,在自建数据集上,LSTM-D模型和GRU-D模型分别可获取81%和85%的准确率,综合分析发现GRU-D模型参数更少,训练时间更短,模型识别更快更准确,模型的稳定性更高,为基于MEMS惯性传感器的手势识别研究提供了一定的参考价值。     

基于Kinect骨骼信息的手势识别

为了提高手势识别的精度和鲁棒性,设计了一套基于Kinect获取的骨骼信息的手势识别算法。该算法首先检测手势的起始点与结束点,然后在截取的图像中提取手势特征,最后用距离加权动态时间规整算法计算测试样本与模板的相似度,得出手势识别结果。通过对常用鼠标手势进行测试表明:本方法可以取得较高识别率,而且不受光照条件影响。