基于Dirichlet过程混合模型的指节偏移测度特征学习

针对人机协调装配光强相对稳定的室内环境,为获取指节图像特征,丰富手部位姿信息,提出基于无穷Dirichlet过程混合模型的指节识别方法。在局部Markov假设的基础上,将条件随机测度的学习问题转化为随机聚类学习问题;运用无穷Dirichlet过程混合模型描述概率密度,将聚类数量表述为随机态;利用Gibbs采样方法,对分层概率形式的密度结构进行迭代学习;给出了基于Dirichlet过程混合模型的坍塌Gibbs采样算法,运用样本集进行了模型训练学习。最后,采用固定阈值对手部图像指节进行识别,验证了所提方法的有效性。

Log Gaussian Cox场手部指节的图像偏移特征学习与识别

针对手部指节图像结构特征模糊与建模困难的问题,以Log Gaussian Cox随机场为图像建模基础,给出了随机图像上偏移特征的抽取与学习方法,实现了手部图像中指节的识别。在缺乏Cox过程图像模型先验假设的条件下,结合随机图像的水平集分解,得到了图像偏移表示的逼近结果。在图像灰度分布非参数密度核估计基础上,利用非线性各向异性滤波对偏移特征进行增强,建立了偏移测度特征的Bayesian估计。提出了不同偏移参数下偏移特征的模型学习与融合算法,获得了指节图像特征的融合表示,并在手部指节图像数据库中比较了不同分层偏移模型下的识别结果,给出了批量识别ROC曲线统计规律。结果表明,识别方法具有较为稳定的正确分类能力,具有可行性。

人机交互装配中手部指形轮廓信息检测方法

人机交互装配系统中人体手部生物特征的识别与描述是手部装配动作描述与行为理解的基础。在肤色建模与识别、指节特征模型学习的基础上,通过肤色识别结果给出的模板轮廓坐标,计算轮廓链的局部转角比率和逐点向量积,描述基于逐点比较法的指节处的轮廓特征,结合手指生物结构的经验判据,对指尖与指根位置进行检测与推断,实现手指轮廓特征点的初步识别,通过指形拟合完成手指初步定位,为指形平面位姿分析提供基础。在手部多特征检测的基础上进行图像信息融合,结合指节学习模型与自适应阈值识别的指节位置检测,对指形的定位信息进行修正以提高检测的准确性。实验测试结果表明,该手部指形轮廓信息检测方法可行。

基于Laplace逼近Gaussian过程的指节图像中层偏移测度特征学习

在人机协调装配中,为了准确描述手部位姿,需要精确的指节图像特征提取与识别。为了丰富手部信息,提出了基于Laplace逼近Gaussian过程的多分类算法,以实现基于手部图像的指节识别。在类别信息无关联的假设基础上,将中层偏移测度特征的学习转化为对随机量的学习;然后通过分析二值多分类高斯场上的后验计算,给出了基于Laplace逼近Gaussian过程的多分类高斯过程学习算法;通过构造中层随机信息的正定核函数,给出了基于Laplace的多分类高斯过程预测算法。最后,利用中层数据的分布学习与预测算法进行了指节图像训练学习和固定阈值的图像识别。识别结果显示,该方法具有一定的指节识别能力。

基于高斯模型的手部肤色建模与区域检测

目的随着市场需求的多样化和多变性的加剧,对于生产装配的柔性和适应性提出了更高要求,人机合作装配为应对当前需求提供了有效方法。在人机交互协调的机械装配系统中,为有效实现机器人对操作人员手部装配动作的识别和理解,需对手部装配图像进行生物结构的特征检测。针对人机交互协调装配中的手部肤色图像识别问题,提出一种基于多色彩空间信息的识别算法。方法基于聚类思想,通过离线学习与期望最大化算法,在RGB色彩空间上对肤色信息建立多混合高斯模型,以此获得肤色信息的多混合聚类表示。再利用YCr Cb色彩空间上的稀疏化高斯模型在线快速学习肤色分布,设计了基于多色彩空间信息的肤色识别器。结果图像照度对肤色区域的模型似然值有较大影响。在线稀疏化学习肤色识别实验结果显示,YCr Cb 3通道上学习获得的似然值不存在严重冗余,所建模型与对应的学习框架有效,结合多色彩空间的识别信息确认了肤色区域。肤色区域初始化识别的完整性与在线学习算法的时间复杂度有关,识别过程中模型参数的更新量与场景光照均衡度有关,进而影响算法的空间复杂度。本文基于高斯模型的手部肤色建模与区域检测方法对于机械装配环境的手部肤色检测适应性良好,经与改进的YCr Cb椭圆聚类模型对比,该方法具有更好的识别完整性。结论本文算法提高了模型对固定场景下光照畸变的适应度,从而改善了识别效果,但识别算法的收敛时间较长,实时性尚需进一步提高,可在进一步的研究中进行优化。