基于Kinect动态手势识别的改进DTW算法研究与实现

为了解决传统算法在动态手势识别中存在的准确率不高、难以适应复杂背景等问题,本文提出了一种基于Kinect传感器的改进DTW算法动态手势识别方法.使用Kinect Studio和Visual Gesture Builder训练建立手势模板库,对传统的DTW算法进行限制搜索范围和设置失真度阈值两点改进,利用改进后的DTW算法对提取出来的人物指定关节信息和模板信息进行匹配,从而识别出手势.实验结果表明,改进DTW算法具有较高的动态手势识别准确率,并且能够更好地适应复杂环境.

基于改进DTW算法的高维时空数据关联挖掘方法

电网数据体系较为庞大,挖掘其中的高维时空数据之间的关联性有助于提高电网运行质量。为此,利用改进后的DTW算法关联挖掘高维时空数据。采用改进DTW算法计算高维时空采样数据之间的距离矩阵,明确距离矩阵累积结果,完成数据预处理。按照降序循环项头表中的频繁项,计算空间数据和时间数据的支持度并与设定的阈值对比。以此为依据挖掘高维时空数据的关联性。实验结果证明,该方法挖掘结果较完整,平均误差为1.6%,可以为电网运行提供可靠依据。

一种基于改进DTW算法的动态手势识别方法

结合Kinect传感器提出了一种基于改进的DTW算法的动态手势识别方法。首先,通过SDK对Kinect传感器获得的深度信息进行分析,获得人体骨骼点3D位置,选取其中4个点作为手部运动特征;然后,用加权距离和全局路径限制的方法对传统的DTW算法进行改进;最后,用改进的DTW算法进行模板训练和实现动态手势的识别。实验表明:该方法能很好地实现动态手势的识别,实时性好,在背景干扰和光照方面有较强的鲁棒性,较传统的DTW算法在识别速度和识别正确率方面有所提高。

基于改进DTW算法的手语识别研究

本文结合第二代Kinect for Windows传感器,提出了一种基于改进的Dynamic Time Warping(DTW)手语识别算法。首先,通过Kinect for Windows SDK获取人体手部信息,并将手语的运动特征记录下来。然后,利用改进后的DTW算法进行模板训练和手语识别。经实验证明,该算法利用了改进的全局路径约束和端点限制方法避免了大量的训练过程,识别精度高,速度快,克服了光照强度对手语识别的影响。

多元轨迹同步化问题的改进型DTW算法

针对间歇生产过程故障诊断中各批次数据轨迹时间长度不一致 ,导致应用 MPCA/ MPL S准确建模及故障诊断失效的问题 ,本文将动态时间错位 (DTW)算法用于所观测的数据轨迹时间长度的同步化 ;并在此基础上进一步提出了递推式和粗格子点两种 DTW改进算法 .仿真结果表明 ,两种 DTW改进算法能够有效地同步化各批次轨迹 。

基于特征比较和模拟退火-遗传算法的普通话音素评分模型

为了帮助发音困难者障碍者和外语学习者矫正普通话发音错误,提出基于Mel频率倒谱系数(Mel frequencycepstrum coefficient,MFCC)特征比较和模拟退火-遗传算法(simulated annealing genetic algorithm,SAGA)的普通话音素评分模型。该模型采用动态时间弯折(dynamic timewarping,DTW)算法对普通话音素进行相似度比对,并基于SAGA评分机制对发音进行自动评分。本文对比了不同优化算法(SAGA和局部优化算法)、不同DTW算法对语音评分的影响。结果发现:SAGA评分模型下的音素评分正确率大于94%,远远优于局部优化算法。此外,在SAGA评分模型下,搜索路径为平行四边形的改进DTW算法具有最优的评分结果。因此,基于MFCC和SAGA的评分模型适用于普通话音素评分。