Recognition of 3-D Aircrafts by Fourier Descriptors with Fast and Efficient Library Search

Fourier descriptors are used as features for 3-D aircraft classification and pose determination from a 2-D image recorded at an arbitrary viewing angle. By the feature ranking of Fourier descriptors, a classification procedure based on the fast nearest neighbour rule is proposed to save the matching time of an unknown aircraft with a partial library search. The testing results of some typical examples indicate this method is generally applicable and efficient in 3-D aircraft recognition.

基于Euclidean距离的手势识别

提出了一种在距离空间内采用Euclidean距离计算的手势识别算法。手势图像经过边缘检测后,对边缘图像实施Eu-clidean距离变换(EDT),在距离变换空间内计算距离映射图与样本之间的Euclidean距离。最后,对基于单目视觉的30个手指语字母手势进行识别,最好识别率达93.33%。

基于傅里叶描述子的手势识别方法

手势识别是计算机视觉人机交互应用领域关键技术,手势轮廓携带有手势重要特征,准确捕获手势轮廓对提高手势识别具有重要意义。针对手掌轮廓特征提取困难和手势识别率低问题,提出了基于傅里叶描述子的手势识别方法,按照候选窗口最大轮廓傅里叶描述子匹配度和置信度分割出手掌区域;跟踪手掌轮廓计算其傅里叶描述子得到手势轮廓特征值;将16个手势轮廓特征值作为BP人工神经网络的输入,利用BP人工神经网络识别手势。实验表明,该方法能有效捕获手势轮廓和识别19种手势,具有识别率高、性能优良和鲁棒性好等优点。

傅立叶描述子在手势识别中的应用

本文分析了具有旋转、平移和尺度变换不变性,并且与边界的起点位置无关的傅立叶描述子,并把傅立叶描述子及欧氏距离应用于字母手势的识别中。实验结果表明,利用傅立叶描述子能够有效地识别出有旋转、平移及尺度变换后的同一类字母手势,取得了良好的识别效果。

基于傅里叶描述子的稻飞虱形状识别

分析了具有旋转、平移和尺度变换不变性,并且与边界的起点位置无关的归一化傅里叶描述子,并把傅里叶描述子及欧氏距离应用于稻飞虱的形状识别中,通过计算同一形状和不同形状的平均离散度检验了归一化傅里叶描述子系数的稳定性,从而确定形状系数基准值。对191张样本图像进行了测试,当相似度差异小于0.0123时,稻飞虱误判率为7.85%。结果表明,归一化傅里叶描述子具有高效的识别性能。

结合手势二进制编码和类-Hausdorff距离的手势识别

针对目前动态手势识别方法受手势旋转、平移、缩放的影响,并解决手势识别的实时性问题,提出一种基于手势二进制编码和类-Hausdorff距离模板匹配的手势识别方法.首先,把分割好的手势图像进行标准化处理,求出标准化图像中的手势主方向,建立二维手势直角坐标系,提取空间手势特征;其次,根据前五帧手势图像中手势像素点个数的变化量识别出动态手势类型;然后,用手势二进制描述子从动态手势类型中再筛选出可能的候选手势集合;最后,用类-Hausdorff距离模板匹配方法从候选手势集合中识别出最终手势.主要创新点在于:提出的动态手势类型识别和手势二进制描述子匹配的方法,大大缩短了动态手势识别的时间;提出的结合手势主方向的类-Hausdorff距离方法,不仅对旋转、平移和缩放手势具有不变性,而且对区分度较小的手势也具有较高的识别准确率.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确的实现动态手势识别,总体识别率达到95%以上,对发生缩放的手势识别率能达到92%以上,对发生旋转的手势识别率能达到87%以上.本文算法已经在一个基于手势的人机交互界面中得到应用.

基于傅立叶描述子-BP神经网络的手势识别方法

针对手势识别中人手是复杂变形体,手部特征描述容易受到环境因素影响的特点,提出了一种基于傅立叶描述子-BP神经网络的手势识别方法.首先根据YCbCr和Nrg肤色模型的互补性以及背景模型有效去除复杂背景中的类肤色的特点,利用多特征相融合的手势分割方法提取手势区域;然后结合傅立叶描述子具有较好的轮廓描述能力和BP神经网络较强的自学习能力,利用傅立叶描述子-BP神经网络方法对手势进行识别.实验结果表明此方法具有较好的鲁棒性和较高的识别率.

基于计算机视觉的农产品形状分级研究

计算机视觉在农产品分级和品质检测领域中的应用越来越广。但由于水果等农副产品的形状不规则,如何准确地用较少的特征值定量描述农产品形状,是目前研究的重要课题之一。该文在分析了现有农产品形状描述方法的基础上,提出了采用傅立叶半径描述子对农产品图像轮廓进行描述和分类的方法。并给出了利用半径描述子计算图像区域面积以及利用欧几里德距离判定边界相似度的方法。

复杂背景下基于傅立叶描述子的手势识别

人的手势是人们日常生活中最广泛使用的一种交流方式。由于在人机交互界面和虚拟现实环境中的应用,手势识别的研究受到了越来越广泛的关注。但是目前基于单目视觉的手势识别技术中,手势分割要求背景简单或者要求识别者戴着笨重的数据手套。而该文结合了运动信息和基于KL变换的肤色模型,在复杂背景下进行手势分割,与传统的基于RGB肤色模型的手势分割相比,在复杂背景环境下得到了很好的分割效果。在对分割的手势区域进行预处理后,该文使用了一种归一化的傅立叶描述子进行手势的特征提取,相比传统的傅立叶描述子更加准确,最后采用了传统的三层BP网络作为模式识别器,手势训练集和测试集的识别率分别达到了95.9%和95%。

用于人机交互的静态手势识别系统

提出并实现一个用于人机交互的静态手势识别系统。基于皮肤颜色模型进行手势分割,并用傅里叶描述子描述轮廓。采用针对小样本特别有效且范化误差有界的支持向量机方法:最小二乘支持向量机(LS SVM)作为分类器。提出了LS SVM的增量训练方式,避免了费时的矩阵求逆操作。为实现多类手势识别,利用DAG(DirectedAcyclicGraph)将多个两类LS SVM结合起来。对26个字母手势进行识别,与多层感知器、径向基函数网络等方法比较,LS SVM的识别率最高,为93.62%。

基于傅立叶描述子和HMM的手势识别

针对家庭服务机器人平台中人机交互的问题,提出基于视觉的手势识别作为人与机器人交互的方式,研究利用傅立叶描述子对手势形状进行描述,并结合支持向量机和隐马尔可夫模型分别对静态手势和动态手势进行分类,实现了静态手势和动态手势的识别。该系统基于新型传感器Kinect,在图像分割阶段结合图像深度信息,可以有效的将手势区域提取出来,在一定范围内具有较强的鲁棒性,特征提取阶段基于傅立叶描述子,使手势识别具有旋转、缩放、平移不变性。针对七种常见静态手势和四种动态手势进行测试,平均识别率分别达到98.8%和96.7%,实验结果表明该系统具有较高的准确度。

融合图像轮廓矩和傅立叶描叙子的手势识别

针对手势识别中人手是复杂变形体,手部特征描叙容易受到环境因素影响的特点,提出了一种基于混合轮廓特征的手势识别的新方法.首先根据手的颜色信息将手从复杂的背景中分离出来,然后提取出手轮廓的矩不变量和Fourier描叙子特征,然后将2种特征融合构成混合特征,最后将新特征输入BP神经网络进行识别.实验表明:此方法具有较好的鲁棒性和较高的识别率.

基于改进的YCbCr空间及多特征融合的手势识别

针对基于视觉的手势识别的复杂性,提出一种基于改进的YCbCr空间及多特征融合的手势识别新方法。首先针对YCbCr颜色空间易受环境因素影响的特点,采用改进的YCbCr椭圆聚类肤色模型的手势分割方法提取手势区域;然后按手势图像外接矩形的宽高比和手指个数进行粗分类,再提取手势的Hu矩和傅里叶描述子构建融合特征,并将融合特征输入BP神经网络进行训练识别;最后综合粗分类和BP神经网络的结果进行手势判别。实验结果表明,该方法在保证实时性的同时具有较高的识别率。

基于矩特征傅里叶描述的示功图故障诊断研究

提出一种结合矩特征和傅里叶描述子的示功图故障诊断方法。示功图经过最佳阈值分割和边缘检测后,得到边界为最大区域填充后的图像,计算图像的矩特征获得表示物体形状的矩特征序列,再通过离散傅里叶变换得到具有平移、旋转和尺度不变性的归一化矩特征傅里叶描述子,采用欧氏距离法进行分类。实际应用表明:该诊断方法在油田抽油机故障诊断中具有可行性和有效性。

基于傅里叶描述子的轮胎标识点形状识别

针对人工识别轮胎标识点形状效率低、误差大等问题,提出了一种基于傅里叶描述子的轮胎标识点形状识别算法。首先对采集的轮胎标识点图像进行降噪、分割、轮廓提取等图像预处理操作;然后通过对预处理后的轮胎标识点图像进行傅里叶变换,提取轮胎标识点轮廓的傅里叶描述子系数;最后通过计算待识别轮胎标识点图像的傅里叶描述子系数,与轮胎标识点模板库中图像的傅里叶描述子系数的欧氏距离数值,其中与最小欧氏距离相对应的模板库形状即为待识别轮胎标识点轮廓的近似形状,从而实现轮胎标识点的形状识别。实验选取圆形、方形、菱形以及十字形,四种共计200幅轮胎标识点形状图像,进行标识点形状识别准确率测试。实验结果表明,该算法能准确地识别出轮胎标识点形状,四种轮胎标识点形状的平均识别准确率为97.25%,其中圆形和方形轮胎标识点的形状识别准确率达98%。

一种基于频谱脸和Fisherface的人脸识别新方法

频谱脸方法主要是采用二维小波变换和傅立叶变换。因为人脸图像的低频部分对人脸的表情变化是不敏感的,所以对人脸图像使用二维小波变换,提取人脸图像的低频部分。再对人脸图像的低频部分使用傅立叶变换,从而获得原人像的一个低维空间的表达。但是频谱脸特征维数仍然较高,所以在频谱脸法的基础上继续提取人脸频谱图像的F isherface特征,降低特征的维数,提高识别效率。利用ORL人脸库进行了实验,实验结果表明该识别系统具有较好的识别能力。

基于傅里叶描述子的手势轨迹模板匹配方法

针对手机移动平台中人机交互的问题及手势识别中的时域问题,提出基于视觉的手势轨迹识别作为人与手机交互的方式。利用傅里叶描述子对手势轨迹进行特征描述,并结合置信度对动态手势轨迹进行分类。文中先对手势视频进行运动检测,利用基于颜色的粒子滤波器对手部进行跟踪以获取手势中心运动轨迹,对所得的运动轨迹进行闭合化处理,使得轨迹变成封闭曲线集,对封闭曲线集进行傅里叶变换,使得运动轨迹具有平移、缩放和旋转不变性,利用所得的傅里叶描述子与模板进行匹配,在一定范围内具有良好的稳定性。同时提出变形系数来描述采样所得运动轨迹的扭曲变形程度。实验结果表明该方法在变形系数为0.3以下时具有较高的准确性。

基于预分类处理的实时多手势识别算法

为了改善常见的背景模型在手势分割易受环境因素影响的缺点,以及提高基于傅里叶描述子的神经网络对大量手势分类的识别率,本文提出一种采用预分类的综合手势识别算法。首先,分割部分使用背景差分检测出手部,同时利用手分类器对手部识别手掌位置,获取感兴趣区域,同时对手和背景分别进行掩膜更新,进入下一循环,具有较高的分割效果。接着,利用指尖检测和傅里叶描述子对区域进行特征提取。识别过程先根据指尖数目及实现功能进行预分类,再利用神经网络对傅里叶特征系数进行实时的识别并返回识别结果。最后,进行与直接的傅里叶系数的识别比较及复杂背景下与传统背景差分方法识别率比较,结果表明该算法普通手势比直接分类平均识别率高4.162%,易误检手势识别率提高最高达91.7%;复杂背景下性能也有较大改善。鲁棒性较强,可以容纳大量手势定义,满足人机交互的要求。

基于支持向量机的手势识别研究

针对传统神经网络算法普遍存在识别准别率不高、运算量较大的问题,以手势分类识别为目标,通过人体肤色特征和SVM模型,设计一种手势识别检测模型。方法采用椭圆傅里叶算子算法提取出手势区域的轮廓,构成手势的特征向量。将肤色空间从RGB空间转到HSV空间下,从背景中将手势区域分离出来,在手势完整性方面引入形态学处理技术,有效填补手势图片中的黑洞区域和去除白点区域,直接对手势图片进行边缘处理。利用Qt制作客户端实现了基本数字手势的快速识别,并进行验证实验。实验结果表明,该方法在手势识别的准确率方面相比于传统算法都有所提高。

一种基于改进DTW-IMP算法的手势识别

手势识别是一种多维空间应用,而传统DTW算法只能解决一维问题,对其进行拓展,演化为不同维度运用,得到一种全新基于改进的新型算法DTW-IMP,它能计算两个N维时间序列之间的距离。以欧氏距离为元素组成矩阵,根据Bellman最优化原理得到最优规整路径,结合预先录入的手势模版,实现动态手势识别。