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。     

基于深度学习的学生课堂行为识别

随着教育步入智能时代,智能化的学生课堂行为识别变得越来越重要。但由于学生的课堂行为复杂多变,使得智能化的学生课堂行为识别存在困难。为了提高智能化学生行为识别的精度,文章首先采集了300名学生的7种典型课堂行为图像,并进行了数据预处理。随后,文章将已在ImageNet数据集上训练好的经典深度网络模型——VGG16网络模型迁移到学生课堂行为识别任务中。最后,通过与其它深度学习模型进行实验对比,文章验证了VGG16网络模型对学生课堂行为具有较高的识别精度。上述研究表明,基于深度学习的学生课堂行为识别能及时、精准地反馈学生的课堂学习情况,有利于教师改进教学方法、优化课堂教学与管理,从而提高教与学的效率,助力教学改革。     

基于迁移学习技术的面部表情识别算法

针对面部表情识别算法存在模型结构复杂、训练参数过多等问题,在对卷积神经网络各层分析的基础上,将迁移学习算法融入到面部表情识别模型中,从而对面部表情进行识别和分类.该文提出的算法首先通过数据增强的方法扩充面部表情图片的数量,然后将VGG16模型在ImageNet图像数据集上训练得到的权重参数,通过参数微调的方法,传递到面部表情识别模型中.最后采用全局平均池化层代替传统的全连接层,对表情图片通道信息进行求和运算实现降维,减少模型的网络参数.实验结果表明：提出的模型在KDEF数据集中取得了优异的识别效果,平均测试准确率达到96.23%.     

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。     

手势识别实验平台设计

为培养创新实践班学生创新意识,引导学生接触人工智能算法,采用模块化思想设计了手势识别实验平台。平台硬件采用STM32F103作为核心,利用红外距离传感阵列采集手腕轮廓数据;软件采用C#编写应用演示界面框架,提供播放器控制器、手语识别器等案例的应用;算法部分提供决策树、SVM、神经网络等算法的C++/Matlab演示代码。模块化设计使得学生可根据兴趣选择学习方向合作完成作品研发。学生基于平台开发的手势识别作品具有可穿戴属性。在机电创新实践班教学中实验平台取得良好效果。     

基于Kinect传感器和HOG特征的静态手势识别

手势识别是人机交互领域的一种重要手段。针对现有算法识别率低,鲁棒性弱的问题,本文基于Kinect传感器获取的手势深度图像,对复杂背景干扰下的手部区域进行分割,然后利用梯度方向直方图(HOG)对手部灰度图像进行特征提取,最后利用最小马氏距离分类器进行建模、分类,实现静态手势识别。根据Kinect传感器获取的深度信息结合阈值分割法,能够准确地检测手部区域,为后续识别打下良好的基础。而HOG特征适应光照的变化,且具有几何不变矩的特性。实验结果表明,本文提出的手势识别方法在光照变化和复杂背景干扰下具有较强的鲁棒性和较高的识别率。     

基于样本轨迹的Kinect手势识别算法

实现基于序列图像的手势轨迹识别,提出一种基于位置关系的手势轨迹识别方法,利用Kinect体感设备传感器提取轨迹序列,分析坐标序列的轨迹样本,通过黄金分割实现轨迹的匹配与识别。实验结果证明,该方法能有效识别手势轨迹。     

基于Kinect深度图像信息的手势轨迹识别及应用

本文提出了一种新型的利用Kinect获取深度图像并进行手势轨迹识别的应用方法,该方法称为HMM(隐马尔可夫)手势轨迹识别方法,具体操作步骤为:首先利用Kinect传感器获取深度图像,然后通过OpenNI的手势生成器的手势分析模块获取完整的手势信息,对手部进行形态学处理,识别并跟踪手势,提取手势轨迹,最后运用HMM手势轨迹识别方法进行识别.实践证明,该方法可快速有效地实现手势轨迹的识别.     

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。     

基于深度学习的天气雷达回波外推的研究进展

基于深度学习的天气雷达回波外推预测降水的性能实现了新的进展。综述了常见的循环神经网络、卷积神经网络、深度生成模型和多个网络的组合深度学习模型,并从实际应用角度分析了不同深度神经网络在天气雷达回波外推预测降水量任务中的优点与不足。此外,简要分析了天气雷达回波外推的过程机理,并对最新的研究进展进行了介绍。并分析了天气雷达回波外推面临的一些挑战和潜在的解决方案,为相关研究人员提供有益的参考和借鉴。     

基于深度学习的Android平台车牌识别系统设计

在自然场景下,车牌信息易受光照、旋转、拍摄角度等复杂背景噪声干扰,提取车牌信息难度较大.因此设计一种基于深度学习的车牌识别方法,并将模型移植到Android移动端以满足复杂场景实时准确识别的需求.首先使用U型网络实现车牌区域与背景的语义分割,然后利用OpenCV对提取的车牌图像进行校正,最后利用共享Loss的卷积神经网...     

基于视觉手势识别技术的实践研究

本文首先简单介绍了市面上手势识别技术的应用状况,接着分析了计算机手势识别的技术具体内容,介绍了手势识别技术常见的几种方法,分析手势建模方式,最后研究了现实生活中手势识别技术的在人机交互中的应用情况.     

基于深度学习的指关节纹识别算法实验研究

针对传统机器学习算法特征提取烦琐且普遍存在特征单一、识别准确率低的问题,采用能够自行提取图像特征的卷积神经网络模型,对指关节纹识别分类的任务进行实验研究.首先对指关节纹图像进行预处理;其次,设计并搭建了一个9层卷积神经网络模型,对网络模型进行编译、训练后,发现网络的过拟合现象严重,并针对过拟合,提出了优化网络结构方案,...     

基于毫米波雷达的室内老人轨迹追踪算法

为了实现对室内老人运动状态的实时与准确追踪,提出一种基于毫米波雷达的多目标人物轨迹追踪（multi-objective human trajectory tracking, MOHTT）算法。首先利用静态杂波滤除算法移除雷达数据中的环境干扰;其次根据自适应聚类（self-adaptive clustering, SAC）算法实现人物质心位置识别,基于质心在二维平面中的坐标信息确定人物状态向量,利用多目标离散追踪（multi-objective discrete tracking, MODT）算法实现人物运动状态估计;再利用CNN-GRU校正（CNN-GRU correction, CGC）算法对人物质心状态进行实时校正,得出准确的人体质心位置坐标;在此基础上,通过足迹获取（footprint acquisition, FA）算法得出足迹坐标,经拟合操作后给出完整的人物“质心+足迹”运动轨迹。实验结果表明,MOHTT算法对1、2、3、4个人的检测成功率分别为99.8%、95.6%、93.7%和87.3%,对单人位置检测误差的RMSE为0.152m,且在不同类型干扰下仍能提供具有信服力的检...     

基于深度学习的无人机目标识别算法研究

目前无人机已经广泛应用于各行各业,但传统无人机识别方法存在成本高、识别率低、适应性差等问题导致无人机进入禁飞区域的事件时有发生,严重影响我国空域安全。针对无人机识别过程中存在的不足,提出基于深度学习的无人机识别算法,通过对LeNet-5模型进行改进,以无人机图像样本集作为网络模型训练和测试对象,构建无人机特征识别模型。模拟实验中,当网络模型学习率为0.1时,在经过150次迭代后,深度学习模型目标识别率为96.95%,经典LeNet-5模型识别率为91.18%。实验结果表明,基于深度学习的识别算法能够有效提高对无人机的目标识别率。     

基于回调函数实现计算机触屏的手势识别

回调函数是软件设计中一种非常重要的函数调用方式.利用回调函数可以改善软件的结构,提高软件的复用性,还可以实现程序间复杂的通信.回调函数可以把调用者与被调用者分开,调用者不关心谁是被调用者,所有它需知道的,只是存在一个具有某种特定原型、某些限制条件（如返回值为int）的被调用函数,降低了模块间的耦合性.基于此,可通过回调函数实现计算机触屏手势的识别,提高软件的复用性和灵活性.     

基于学生学习表现识别的"深度提问"模型构建与应用策略

关于课堂提问的研究首先要考量其限度,包括空间限度、动态限度和影响限度,基于学生表现识别的"深度提问"模型的构建,一方面是在已有研究的基础上实现以上三个方面的最大适切度,更重要的是为了促进课堂教学改革的推进,提高"一堂好课"的普及率.从"过程水平"和"任务类型"两个维度构建基于学生表现识别的"深度提问"双螺旋模型,前者指向学生学习过程中某一节点的思维表现,后者关注的是学生学习过程中某一节点的内容表现,它们之间的联系依赖深度提问的设计而推进.模型在应用的过程中还需要应用"互逆学习"促进结构要素的关联,通过"学习表现互动"促进结构的动态平衡,通过"提问主体互换"促进结构的日趋完善.     

基于深度学习的智慧城市关键目标识别研究

智慧城市管理模式的提出,意味着基于深度学习的目标识别技术将在城市发展中起到重要作用.为提高识别技术的精确度,提出一种利用RNN的空间结构特征提取方法,利用CUDA的并行加速器来提高实时性能,将提取器耦合进目标特征提取基础网络模型,形成多融合特征的目标检测网络,最后提出一种快速排序算法来加快网络的整体运行速度.检测结果显...     

手势识别车载人机交互系统虚实结合实验教学项目研究与实践

将手势识别车载人机交互系统虚实结合实验教学项目引入到数字电路实验教学中,设计了基础实验、能力提高和延伸拓展3层次、递进式实验任务。虚实结合实验教学项目面向电子信息类学生开放,在培养学生设计复杂数字系统能力方面取得了一定成效。