基于Adaboost的快速视频人脸检测

使用Haar型特征设计不同尺度弱分类器形式,采用Adaboost算法学习建立瀑布型人脸检测器。并针对视频人脸检测中,人脸旋转导致检测失败的现象,使用CAMSHIFT算法进行人脸跟踪,缩小检测范围,提高算法速度。试验结果表明,所提出的算法有更好的鲁棒性和更快的检测速度。     

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Adaboost算法的人脸图像情绪识别

提出一种基于Adaboost算法对人脸图像进行情绪识别的方法。先将视频进行图像数据采集,再通过基于Haar特征值的自适应增强计算,即Adaboost计算检测人脸特征,将迁移机器学习技术运用到多任务的卷积式神经网络,然后利用卷积神经网络的情绪回归计算人脸表情的效价和唤醒度得分。不但可以解决对复杂背景图像的高误检率问题,而且还可以解决对多姿态单人脸图像的低检率问题。经仿真试验证明,该方法对单人脸、多人脸和复杂背景多人图像都有较好的测量效果,实用性较强。     

动态手势识别技术综述

分析比较了现有动态手势识别技术的思路和特点,介绍了基于视觉的动态手势识别基本步骤,分析了该技术路线中存在的若干难点。在此基础上介绍了深度学习方法的基本思路和优点,展望了动态手势识别技术今后的研究方向。     

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Grabcut和Adaboost算法的人脸识别系统设计与实现

使用Adaboost算法实现人脸检测会出现一定的误检率。针对这一问题,设计了一种在误检情况下的识别系统,对待识别图像先使用 grabcut前景检测算法进行前背景分割,在一定程度上消除环境因素的影响,然后对分割结果进行人脸检测和识别。该系统检测部分使用haar级联分类器,识别部分使用特征脸算法。实验结果表明,结合grabcut和Adaboost算法系统在识别率和检测率方面均有一定提高,且识别速度较快。     

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.     

基于深度学习的毫米波雷达手势识别实验教学设计

为了实现基于雷达传感器的人机交互,设计了一个基于深度学习的毫米波雷达手势识别实验。首先,该实验基于77 GHz的FMCW雷达,采集人体手部动作回波数据,并对回波数据进行帧差预处理,再利用多维FFT算法构建距离-速度-角度联合的多维特征融合数据谱图。然后,调用MATLAB中的深度学习工具箱,基于典型的VGG16网络,搭建了适用于多维特征数据提取和动作识别的3D-VGG16-NET网络。实验结果显示,该网络算法对手势的平均识别准确率达到99.38%。     

基于Leap Motion手势识别机械臂的研究

提出了一种基于Leap Motion识别手势控制机械臂的方法.该方法首先使用Leap Motion对人体手部深度点云信息进行提取,获得手部位姿态、手指位姿以及手势识别.然后将手部各关节点的空间姿态坐标转换为机械臂每个关节的控制角度.最后通过串口与下位机Arduino进行信息交互,实现机械臂向前、左右、抓取等动作.实验表明,该方法可以准确识别人体手势,实时控制机械臂.     

基于手势识别技术的3D虚拟交互系统

系统以英特尔凌动处理器嵌入式平台为核心,运用手势识别、多目视觉立体定位、电机控制及3D建模等多种算法和技术,构建了一个真实人与虚拟世界进行实时交互的浸入式环境。一方面以图像处理算法为核心,进行基于肤色模糊识别和多智能体协作思想的图像分割,实现了基于形状特征的手势识别算法;另一方面采用了3dsmax辅助建模的方法,实现了手的骨骼模型这种复杂物体的建模,结合Direct3D开发3D虚拟环境系统,采用DirectSound产生环境的声音。通过对虚拟手的控制实现人与虚拟环境中三维物体的交互操作,如抓取、移动物体等动作。随着3D场景和动作的切换,伴随发出不同的声音。测试表明,该系统的手势识别成功率达到80%,人机交互较为生动、直观和真实。     

基于手势识别的S195型柴油机虚拟装配

将多通道人机交互、基于Web的虚拟现实和CAD技术相结合,构建了实时交互的虚拟环境,在网络环境下接入5DT Data Glove 5型数据手套。研究了虚拟手建模,对常用手势进行了分析和定义,采用手势识别技术,在有限的网络带宽条件下实现了虚拟环境中S195型柴油机的装配仿真,获得了更加自然直观的人机交互效果,提高了装配设计效率。     

手势识别研究概述

手势是一种自然而直观的人际交流模式.介绍了手势识别的发展过程以及手势的建模方法.当前人们采用不同的手势识别手段和技术来识别手势.同时介绍了当今比较先进的计算机手势输入技术,提出了一种新的手势识别方法,并举出已经实现的手势识别系统.     

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。     

表面肌电信号的多重分形特性分析与手势识别

为改善表面肌电信号手势识别的抗噪性和分类识别率,提出了一种基于多重分形特征的表面肌电信号手势识别方法.该方法首先借助多重分形测度分析手段,研究了不同手势动作下表面肌电信号的多重分形特性,根据不同手势表面肌电信号的多重分形谱之间的差异,提出了多重分形特征的提取算法,并利用多重分形特征结合支持向量机进行了手势识别.实验研究表明,上臂肌肉的表面肌电信号具有显著的多重分形特性,最大、最小概率子集分形维数差等多重分形特征可以作为不同手势动作的分类识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的分类识别方法.     

基于投影特征的简谱数字识别方法

简谱数字识别是光学乐谱识别中的一个重要分支,传统的识别方法是模板匹配,该方法计算量大,且对模板的依赖性很强,导致其鲁棒性较弱,对图像的噪声和位移敏感。考虑到简谱数字识别规模较小,通过分析数字对噪声较为稳定的几何特征,提出一种改进的投影特征匹配法对简谱数字进行快速识别匹配。理论分析和实验结果表明,改进的投影特征匹配法与传统的模板匹配法相比,识别精度和速度有所提高,鲁棒性也更强。     

基于小波变换与Boosting的人脸识别方法

文章首先对人脸图像做三层小波变换,分析了小波分解后的各个小波子带图像,研究了每一个小波子带单独运用主成份分析方法进行人脸识别的识别率,然后利用Boosting算法中的投票组合原则,组合各小波子带来进行人脸识别,与传统的主成份分析方法相比,具有更高的识别率.