基于PLS特征筛选和改进结构PNN的步态识别

采集单侧大腿截肢患者髋关节有代表性的加速度信号(双轴)和角速度信号,并同时采集足底压力信号,进行多运动模式识别,经信号预处理提取出特征参数,利用偏最小二乘法(PLS)进行特征筛选,最后利用改进的概率神经网络(PNN)步态模式识别和分类,实现对下肢假肢在行走、上下坡、上下台阶的不同运动模式的有效识别。     

步态识别算法研究及FPGA实现

步态识别是一种根据人行走方式的不同来进行身份识别的生物特征识别技术。本文构建了一个FPGA控制的步态识别系统,实现了对人的自动、准确、实时的识别。系统的功能为：在简单背景下,从视频序列中分离运动目标,计算其特征值,并与步态数据库数据进行逐一比对,进行鉴别。采用构建的系统对中科院自动化研究所的步态数据进行识别,达到了90％的识别率。     

改进的惯性运动传感器步态识别

针对现有步态识别研究中步态识别率低、算法单一等问题,提出了一种基于惯性运动传感器的步态识别方法。首先,该方法结合动态时间规整与人工神经网络,通过前者提取固定长度的步态特征,并设置成本函数的阈值来判别后者的正负输入,提取得到波形特征。其次,运用列文伯格-马夸尔特算法改进标准BP神经网络,最终完成步态识别。实验证明所提的改进步态识别方法将平均步态识别率和相等错误率维持在91.5%和9.1%,较好地提高了步态识别的准确率。因此,该方法可作为高级认证方法的补充,以增加个人信息的隐私和安全性,适合实验室仪器安全管理应用。     

基于步态特征提取方法的研究

对步态识别的国内外研究现状进行了详细的论述;介绍了基于步态识别的身份识别过程,阐述了在步态识别各阶段用到的一些方法;对步态识别的下一步工作进行了探讨。     

步态识别技术在公安实战中的应用与发展

近年来,生物特征识别技术被广泛应用和研究,步态识别作为一种新型生物特征比对技术,是通过视频监控中行人走路的姿态进行人员身份认定或识别。与指纹识别、人像识别、虹膜识别等相比,步态识别具有无侵犯性、不接触性、抗伪装性、难隐藏性、识别的独立性等多方面优势。图像解析技术和生物识别技术的配合应用,成为图像智能化应用的热门手段之一,解决了面部有遮挡、距离偏远、光线较暗等公安实战中长期存在的痛点、难点问题,在公安实战中具有广阔的应用前景。基于此,本文具体分析了步态识别技术在公安实战中的实际应用及发展前景。     

基于生成对抗网络的步态特征提取与识别

提出了一种基于生成对抗网络的步态特征提取与识别算法.以CASIA-B数据集的步态图像为研究对象, 对不同视角、不同衣着或手持物的 GEI 特征进行分析.在54°, 90°, 126° 3种典型角度下对网络模型的性能进行分析, 发现模型的识别性能随着视角跨度增大而逐渐降低, 当视角为90°时网络模型达到最高的识别准确率....     

步态识别及其在智能视频监控中的应用

步态识别作为远距离下惟一可识别的生物特征识别技术,日益受到专家学者的关注.文章给出了步态识别的概念和相关原理;介绍了智能视频监控系统智能化处理的一些技术,并对步态识别在智能监控下的应用和发展前景做了分析.     

粒子群优化BP神经网络在步态识别中的研究

为降低步态识别特征噪声、提高BP神经网络在步态识别中的准确性和高效性,提出一种基于粒子群优化的BP神经网络识别算法。该算法将形态学细化思想融入人体骨架图特征值提取中,在二维平面上抽取多种特征值,然后建立粒子群优化神经网络模型,将特征值矩阵代入模型中,在反复迭代后产生最优迭代函数作为神经网络优化函数,不断优化网络层之间的权值和阈值。实验结果表明,优化后的模型识别率高达97.125%。     

基于能量加权的子带杂交法在掌纹识别中的应用

在掌纹采集过程中,由于受光照噪声的影响,以及手掌的弓形常常给掌纹采集带来噪声.基于此,提出小波变换子带杂交的一种新颖掌纹识别算法.该算法综合考虑小波同层各子带及相邻层子带分解系数的噪声特点,采用基于掌纹图像空间能量加权,再由二维主元分析(Two-dimensional Principle component Analysis,2DPCA)算法降维、去相关,最终由最小距离分类器完成掌纹识别.基于香港理工大学公布的PolyU掌纹数据库的实验,此算法正确识别率达到100%.同2DPCA算法相比,提出的算法不仅正确识别率较高,识别效率也较高.     

基于改进SVM的人脸表情识别技术研究

结合Gabor小波变换的特征提取算法提出了一种基于决策模板的多分类支持向量机.该方法在对JAFFE基本表情数据库进行训练并测试时获得了较高的正确率,实验结果表明该方法是一种有效的表情识别算法.     

基于MBLBP和Gabor小波的掌纹识别

为了提高掌纹识别中对局部区域特征的提取及掌纹识别率,提出一种基于多级区域局部二值模式（MBLBP）和Gabor小波的掌纹识别算法。通过对光照及感兴趣区域（ROI）等因素进行预处理,经过Gabor小波变换后提取掌纹的多尺度特征,再利用MBLBP算法提取主元,采用欧式距离分类法计算掌纹识别率。经过香港理工大学掌纹库（PolyU）验证,比较不同预处理、不同算法下的掌纹识别率。实验证明,该方法相比于以往的局部二值算法（LBP）在识别率上有较大提升。     

人体步态特征生物识别方法研究

人体行走步态特征是一类重要的生物特征,基于步态特征实现生物识别的方法具有较多优势.在分析人体行走步态特征的基础上,讨论了当前步态识别研究中采用的视频获取、目标提取、步态特征检测以及分类识别的主要技术,研究了基于雷达的步态信号提取方法并给出了实验步态信号时频分析结果;分析了当前研究中存在的主要难点.提出了基于视频、雷达等多传感器数据融合提高步态识别能力的方法,讨论了步态识别的应用领域和前景.     

基于小波特征的维吾尔语方言识别

为进一步提高维吾尔语方言识别准确率,从特征域出发提出基于小波包变换的方言语音声学参数提取算法,利用小波包变换对语音信号进行精细分解,使用Bark滤波器提取低频子带和高频子带系数与人耳基底膜的不同部分对应,用局部线性嵌入的流形学习算法进行降维,提升信号的分类性能。分别以i-vector和x-vector两个主流系统进行方言识别实验,结果表明,小波特征声学参数的方言识别准确率比MFCC特征和FBank特征识别准确率均有提高。     

基于第二类实数Gabor变换的虹膜识别

在虹膜识别的研究和应用领域,虹膜特征提取是虹膜识别中的核心技术,提出基于第二类2D Real Gabor的虹膜识别算法。首先计算Gaussian函数的对偶窗函数：然后将对偶窗函数的RGT对归一化后的虹膜纹理进行分解,利用得到的第二类2D Real Gabor变换系数求取局部均值与方差作为虹膜纹理特征。在算法上实现完全实数运算,大大降低了算法的复杂性。实验结果及数据分析表明了此方法的合理性及有效性。     

基于Gabor小波的人脸识别系统的实现

给出了一种基于Gabor小波的人脸识别系统的实现.该方法先利用模板匹配法定位人脸图像的眼睛,然后经过标准化使图像具有相同的基准,其余特征点的搜索采用弹性图匹配方法;特征点的粗略位置根据训练集的人脸结构知识定位,然后使用弹性图簇的数据结构求得特征点的精确位置,当各特征点的精确位置定位后,人脸的Gabor Jets就可求得;样本图像的相似程度可用与人脸特征点对应的GaborJets作度量函数表达.     

基于小波特征的油浸式变压器电弧光故障诊断

基于小波分解频带能量特征和BP神经网络的方法识别油浸式变压器短路故障。利用电弧光信号进行油浸式变压器短路故障诊断,对不同工况下的光信号进行多分辨率分析的四层小波分解,选择合适的重构小波系数,提取特征频带。对提取出的特征频带的小波系数作平方和归一化处理,求出每个特征频带的能量,作为特征参数输入到BP神经网络模型中进行训练和故障识别。     

基于车牌识别+移动支付的高速公路收费系统设计与实现

为提高高速公路通行效率,在原有收费系统基础上提出基于“车牌识别+移动支付”的高速公路收费系统,无需额外安装设备即可实现不停车收费。系统核心技术为车牌识别与移动支付。车牌识别采用小波降噪技术对图像进行降噪处理,采用数学形态学方法进行车牌定位,采用垂直投影法进行字符分割,采用 ORC 算法进行字符识别|移动支付通过调用第三方支付平台（微信或支付宝）接口方式实现。对车牌图像进行降噪处理后,车牌识别正确率达到 96%,比未降噪处理提高 3%|与 ETC 收费车道相比,从该系统入口车道通行时间缩短7 秒,出口车道缩短 8 秒,试验结果表明该系统提高了高速公路通行效率。     

基于语义分割的高速公路天气识别算法

为了实现高速公路场景下天气图像的准确识别,文章提出了一种基于语义分割的高速公路天气识别方法,通过设计一种结合语义分割模型提取道路区域特征的方法,构建了基于语义分割的结合道路天气图像全局特征及道路特征的融合网络,实现对高速公路的天气识别。在道路预处理阶段,应用具有密集连接结构的多尺度特征提取模块DASPP到Deep Labv3+网络,增大模型在不同尺度特征上的分辨率密集程度和特征图在不同维度的感受野,进而有效改善道路提取的效果。在特征提取阶段,基于引入深度可分离卷积层的Xception网络,设计了天气特征提取网络WFCN,分别提取输入图像和道路区域图像的全局天气特征和道路天气特征并进行融合分类,有效降低模型参数量和运算量,并增强模型的性能。在构建的高速公路数据集上,对设计的算法分别进行了消融实验和对比实验,实验结果证明了该算法的有效性及相比现有天气识别算法的优越性。     

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。     

基于迁移学习的发票号码识别研究

财务系统中的发票管理长期以来严重依靠人力,并存在一定的失误率,且目前一些发票识别方法存在准确率不高、数字识别实时性不足等问题.鉴于此,基于已有较成熟的手写体数字识别工作,从迁移学习思想和方法入手,设计一种能准确快速识别发票号码的新方法.选取迁移学习的3种具体方法,即Tradaboost、微调和卷积神经网络提取特征并运用...