首页 > 文献资料
-
基于自适应模板半径的形状上下文描述子在手势识别上的应用
提出了一种基于自适应模板半径的形状上下文描述子描述图像轮廓特征的手势动作模式识别方法,并探讨了这种方法在基于视觉的汉语字母手势识别中的应用.首先,在计算手势轮廓各点的形状上下文时,提出了一种距离直方图法求取自适应的模板半径的方法,并以χ2统计量计算各轮廓点之间的匹配距离,再以改进Hausdorff距离计算各手势轮廓间的匹配距离,后用近邻法进行分类识别.对来自50个实验对象的手势图像分类识别的实验结果表明,该方法对30个汉语字母手势图像的正确识别率达到了74.3%,明显高于基于不变矩及傅里叶描述子特征提取方法的识别结果.
-
基于经验公式的连续手势动作表面肌电信号识别方法
目的实现连续手势动作表面肌电信号(surface electromyography,sEMG)的简单有效识别.方法 首先推导出测试信号属于手势动作模板的概率密度经验公式,通过数据处理实验确定公式参数,后设计连续手势识别实验以测试该经验公式用于动作sEMG识别的效果.结果 推导出的经验公式在连续手势识别中获得了较好的识别结果,验证了该经验公式用于连续手势动作sEMG信号识别的有效性.结论 基于经验公式的方法为实现基于sEMG信号的连续手势识别提供了一种可行的解决方案.
-
基于自适应模板半径的形状上下文描述子在手势识别上的应用
提出了一种基于自适应模板半径的形状上下文描述子描述图像轮廓特征的手势动作模式识别方法,并探讨了这种方法在基于视觉的汉语字母手势识别中的应用.其中,在计算手势轮廓各点的形状上下文时,提出了一种距离直方图方法求取自适应的模板半径的方法,并以χ2统计量计算各轮廓点之间的匹配距离,再以改进Hausdorff距离计算各手势轮廓间的匹配距离,后用近邻法进行分类识别.对来自50个实验对象的手势图像分类识别的实验结果表明,该方法对30个汉语字母手势图像的正确识别率达到了74.3%,明显高于基于不变矩及傅立叶描述子特征提取方法的识别结果.
-
Kinect人体运动捕捉误差及其空间分布
目的 针对微软发布的体感捕捉设备Kinect开展精度测试实验,检测系统定位的位置误差及其空间分布,为基于Kinect体感交互的生物医学工程应用提供参考.方法 本实验利用Kinect和高精度运动捕捉设备NDI Optotrak同时进行人体运动捕捉,并采用Kinect和NDI进行测量,结果取相对位移值进行比较.以NDI的测量数据作为真实数据的有效近似,评估Kinect的测量精度.结果 本实验终测得Kinect识别精度误差为(0.0 283±0.0 186)m,均方根误差为0.0 303 m,水平角度识别范围为51.49°.结论 Kinect的精度和稳定性在cm级,可应用于康复训练、手术室设备控制等生物医学工程领域,但对于精度要求更高的领域,如智能手术机器人的控制等,其精度和稳定性还有待提高.
-
基于双线性模型的动作肌电信号用户无关识别研究
动作肌电信号具有个体差异性且不同动作的肌电信号是不同的,通过挖掘双线性模型的因素分解能力,将训练样本的特征矢量分解为用户相关和动作相关两大因素,通过确定因素的维度重构具有共性的训练样本特征.在测试样本特征重构阶段引入适应融合机制,更新模型参数重构测试样本特征.以11名受试者的4类动作为例,分别采用线性判别、K近邻分类算法和支持向量机,对比3种实验方案(多用户单天、单用户多天和基于双线性模型的多用户单天)的识别结果.实验表明,双线性模型的平均识别率低为85％以上,相比于单纯的多用户单天识别结果(平均识别率不高于75％)有显著提高(P＜0.001),且相比于单用户多天的识别结果(平均识别率90％以上)差异性不显著(P＞0.24).双线性模型为基于动作识别技术的非特定人肌电控制系统提供了交互方案,且该模型具备将多用户单天的数据看成单用户多天数据的能力,提供了用户训练负担降低的可行性.
-
基于表面肌电信号对中国手语识别的探索与动作规范
目的 探索基于表面肌电信号(surface electromyography,SEMG)中国手语手势识别的可行性,尽量减少用户执行手势动作主观用力差异对SEMG分类的不利影响.方法 以中国手语30个字母手势动作为研究对象,通过分析手势动作过程,提出一套基于SEMG的中国手语手势动作规范方案.在实验室搭建的识别系统上,15名受试者参加了特定用户和与用户无关的规范前后识别实验.结果 经过规范学习后,30种手语手势的动作识别率得到了显著提高,平均提升值为37%.结论 手势动作规范可使不同动作的SEMG具有更高的可分性,此研究结果为实现基于SEMG大词汇量的中国手语手势识别提供了一种可行的方案.
-
基于fHMM分类优化的多传感器手语手势识别方法
目的 探索基于角速度、加速度、表面肌电信息融合的算法,使在嵌入式设备上实现实时手势识别成为可能.方法 以表面肌电样本熵检测动作起止点,配合多级决策树融合轨迹和肌电信息实现手语手势的识别;采用分帧隐马尔可夫(framing Hidden Markov Model,fHMM)优化策略降低识别延时;在运行速度为300 MHz的嵌入式软件上进行算法测试.结果 融合三类信息后,30个中国手语词获得97.5％±1.6％的识别率,角速度的加入使得识别率平均提高4％;同时,使用基于fHMM的分类优化策略将平均识别延时降低至(175±38)ms,减小约670 ms.结论 本文为实时手语手势识别设备的研制提供了一种可行的方案.
