融合SURF与sEMG特征的手语识别研究

通过Kinect设备获取手语者手部的深度图像信息和彩色图像信息,采用阈值分割法有效滤除手语者所处环境中复杂的前景及背景信息;同时通过MYO臂环获取手语者的表面肌电信号信息以此来捕捉手语者微小的指尖动作信息,这样能够有效补充摄像头所拍摄不到的被遮挡的信息。把由Kinect获得的手语图像信息通过形态学处理方法提取其SURF特征后对其进行聚类生成合适大小的词袋模型(BOF-SURF),并用视觉词频向量表示手势语的局部特征,将其与MYO臂环获取的表面肌电信号(sEMG)特征进行融合,然后由SVM分类器通过五倍交叉验证的方法对手语库中手语进行学习和识别。实验结果表明,该方法既高效又具有很高的识别率,对30个中国手指语的最好识别正确率均可达97%左右。

基于BoF模型的多特征融合果蔬图像分类方法

针对传统BoF模型无法有效利用图像颜色及纹理来更好地表述果蔬特征的问题,文中提出了一种在BoF模型中进行多特征融合的果蔬图像分类算法。该算法首先提取并融合图像的颜色矩和SURF特征形成SURFC特征描述子;然后分别对CLBP及SURFC特征进行K-均值聚类以生成特征词典,并使用特征词典对所有特征量化编码;最后使用SVM对编码结果进行训练得到分类器并识别。实验结果表明,BoF模型融合颜色和纹理特征后,在果蔬图像分类效果上明显优于单一特征或者其他特征融合的BoF模型,识别率最高可达到94%,更适合果蔬图像分类。

杜鹃花各生长期识别与监测研究

针对传统BoF算法缺乏空间信息的问题,文中提出一种改进式BoF算法,并将其应用于杜鹃花各生长期识别与病虫害监测问题。该算法在基于LAB的颜色特征中融入有序的空间信息,形成了新的空间颜色聚合特征来代替传统颜色直方图,有效解决了颜色特征变化尺度小的问题。该算法提取SURF特征代替原有的SIFT特征,通过一种多类特征学习算法融合颜色特征和SURF特征实现图像分类,并通过进一步分析叶片特征来快速识别杜鹃花植株的生长期与病害。经过仿真得知,基于LAB的颜色聚合向量的改进式BoF模型识别率达到了90.6%,较传统颜色直方图的图像分类方法图像检索速度增加3倍,更容易实现特征融合。