基于PCA与SVM结合的面部表情识别的智能轮椅控制

为了实现基于面部表情识别的智能轮椅控制,在传统的支持向量机(SVM)面部表情识别与分类方法的基础上,采用基于"八眼"的面部有效区域提取方法,将基于主成分分析(PCA)的面部表情特征提取方法与支持向量机分类方法相结合,实现了面部表情的识别与分类,并最终实现基于面部表情识别的智能轮椅的运动控制。实验结果表明,所采用的方法在识别率上明显优于传统SVM与PCA方法。

基于手势跟踪的智能轮椅控制系统

针对智能轮椅运动控制的特点,提出并实现一个基于手势跟踪的智能轮椅控制系统。基于皮肤颜色模型和手势轮廓特征进行手势的检测和分割,将分割出的手势作为跟踪的初始化窗口,采用Camshift算法实现手势的自动跟踪,并用Kalman滤波预测下一时刻的手心位置,结合手心位置和手势的几何特征识别出不同的控制指令。实验证明,该方法能实现对轮椅的控制,且方法简单。

基于SVM多分类技术的肌电辅助脑电智能轮椅控制系统

针对单一脑电控制智能轮椅中信号识别率不高和系统稳定性低的问题,考虑到脑电传感器Emotiv能同时获取脑肌电信号,提出一个基于支持向量机(support vector machine,SVM)多分类技术的肌电信号(electromyography,EMG)辅助脑电信号(electroencephalogram,EEG)的轮椅控制系统。系统采用小波变换和阈值法分别对EEG和EMG进行特征提取,并对特征向量进行融合;然后,采用多分类SVM对信号进行分类,将分类结果作为智能轮椅的控制指令。实验证明,系统与单一脑电控制相比,动作识别率高,稳定性好。

智能轮椅控制中基于LNUS和Gabor的表情识别

针对传统的基于均匀采样提取面部表情特征点方法没有考虑面部不同区域对表情识别贡献大小的问题,提出了一种局部非均匀采样(LNUS)特征点和Gabor小波相结合的面部表情特征提取方法.该方法不仅提取了表情图像中局部关键特征点而且兼顾了整体信息,其利用主成分分析(PCA)和线性判别分析(LDA)方法进行特征降维,最后用支持向量机(SVM)进行表情识别.实验结果表明:所提方法不仅识别率更高,而且对光照和姿态变化鲁棒性强,能实时控制智能轮椅的运动.

基于Python的智能控制轮椅的研究与设计

针对普通电动轮椅功能单一的问题,利用Python控制及多传感器实现了对电动轮椅的智能控制。Python开发板控制驱动电机、传动机构,实现轮椅的行走和座椅的升降。倾角传感器、速度传感器、加速度传感器、超声波传感器实时测量和监控行走速度、加速度、座椅倾斜角度、障碍物情况,从而使系统自动判断和控制轮椅速度和刹车。特别是下坡时,当速度超过设定极限值,就自动进行刹车减速到适宜的速度。多功能轮椅具有太阳能辅助供电、手动剪叉式座椅升降、腿部加热、语音提示、刹车等多功能模块,提高了轮椅的舒适性、安全性和多用性。