针对现实场景中人脸存在较为随机的局部遮挡的情形,创建了多种遮挡类型并存的过完备字典,并提出改进的稀疏表示分类方法。此算法在稀疏表示分类(Sparse Representation Based Classification,SRC)的基础上引入噪声补偿,通过对测试图像...针对现实场景中人脸存在较为随机的局部遮挡的情形,创建了多种遮挡类型并存的过完备字典,并提出改进的稀疏表示分类方法。此算法在稀疏表示分类(Sparse Representation Based Classification,SRC)的基础上引入噪声补偿,通过对测试图像与去噪图像间噪声差的调节来控制重构图像的生成,进而实现对重构图像与测试图像间残差的控制,以达到准确分类识别的效果。实验结果表明,改进后的算法稳定性好、识别率高,对于局部遮挡图像的识别有较好的鲁棒性。展开更多
表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实...表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于肌电信号与柔性神经树FNT(FlexibleNeural Trees)模型的实时手势识别模型。柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN(Artificial NeuralNetwork)的结构高依赖性问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率。针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53%。展开更多
传统的手势识别通常采用数字信号处理(Digital Signal Processing,DSP)芯片或者集合方法(Ensem-ble Methods)研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于表面肌电信号与柔性神经树(...传统的手势识别通常采用数字信号处理(Digital Signal Processing,DSP)芯片或者集合方法(Ensem-ble Methods)研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于表面肌电信号与柔性神经树(Flexible Neural Trees,FNT)模型的实时手势识别模型。表面肌电信号(surface Electromyography,sEMG)具有非入侵式、易于采集特点,故被广泛应用于行为识别和诊断等领域。柔性神经树模型通过简单的预定义来构建,能够解决人工神经网络(Artificial Neural Network,ANN)的结构依赖性高的问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率和较低的方均根误差(Root Mean Square Error,RMSE)。实验针对六名参与者的六种手势进行测试,结果表明该模型实时识别率较高,实际应用也证明该算法可行。展开更多
文摘针对现实场景中人脸存在较为随机的局部遮挡的情形,创建了多种遮挡类型并存的过完备字典,并提出改进的稀疏表示分类方法。此算法在稀疏表示分类(Sparse Representation Based Classification,SRC)的基础上引入噪声补偿,通过对测试图像与去噪图像间噪声差的调节来控制重构图像的生成,进而实现对重构图像与测试图像间残差的控制,以达到准确分类识别的效果。实验结果表明,改进后的算法稳定性好、识别率高,对于局部遮挡图像的识别有较好的鲁棒性。
文摘表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于肌电信号与柔性神经树FNT(FlexibleNeural Trees)模型的实时手势识别模型。柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN(Artificial NeuralNetwork)的结构高依赖性问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率。针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53%。