融合多特征和压缩感知的手势识别

基于压缩感知理论,提出了一种新的手势识别方法,考虑到单个特征的局限性,结合Zernike矩和HOG描述符从全局和局部角度描述手势外观和形状.训练阶段提取手势训练图像的Zernike矩和HOG特征构建字典,识别阶段提取待测样本特征,将其表示成相应训练字典的稀疏线性组合,采用求解l1范数的最优化问题实现分类.实验结果证明,和目前应用较广的手势识别方法相比,该方法具有较强的竞争性,而且通过融合两种形状特征,对光照、尺度、旋转等变化更具鲁棒性.

结合仿射变换及梯度描述符的密集匹配方法

针对SIFT算法难以取得密集匹配结果,无法满足高精度建模需求,以及传统密集匹配算法对明暗变换影像较为敏感,无法取得稳定可靠的密集匹配点的问题,该文提出一种结合仿射变换及梯度描述符的密集匹配方法。该方法首先依靠SIFT算法获取稀疏匹配点,并利用RANSAC方法去除错误匹配点建立同名三角网,利用仿射变换对同名三角形各边中点进行加密,再对新加入的同名点进行相似性判定。与传统密集匹配算法中相似性判定依靠影像灰度层面不同,该文对影像的梯度层面信息进行统计并建立梯度描述符,通过阈值判定是否接受为同名点并不断更新同名三角网,以不再产生新的同名点为终止条件。实验选取6组不同类型影像,结果表明该方法不但可以得到稳定的密集匹配结果,而且较好地解决了传统密集匹配算法面对明暗变换影像匹配无力的问题,并对不同类型影像有着较好的适应性、鲁棒性。