Abstract ：

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题，在Kronecker CANDECOMP/PARAFAC（KCP）张量分解的基础上，提出一种轻量、高效、瓶颈结构的卷积模块（KCPNet）。对普通卷积作2阶KCP分解，生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积，和两层负责特征提取的变通道可分离卷积，再将这四层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU，并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明：在ImageNet大规模标准数据集上，相比ResNet、ResNeXt等已有的张量分...

Keyword ：

Kronecker CANDECOMP/PARAFAC 并行部署方法 轻量卷积模块 手势识别 张量分解

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题，在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上，提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解，生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积和两层负责特征提取的变通道可分离卷积，再将这4层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU,并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明：在ImageNet大规模标准数据集上，相比ResNet、ResNeXt等已有的张量分解...

Keyword ：

Kronecker CANDECOMP/PARAFAC张量分解 并行部署 轻量卷积模块 手势识别 张量分解

Cite：

Copy from the list or Export to your reference management。

Abstract ：

手势识别是人机交互中极为重要的一项技术，具有较高的理论和实践探究价值。但由于手势所处背景的复杂性、个体的差异性等原因，手势识别成为一个富有挑战性的课题。因此迫切需要设计一种高效准确的手势识别算法，用以对目标手势进行有效的检测和识别。文中提出了一种改进的手势分割和手势特征提取方法，利用SVM分类器构建手势模型，对手势进行分类识别。在YCrCb颜色空间的基础上，融合OTSU阈值处理法选取阈值分割手势，提高分割的准确度；在边缘检测的基础上，使用椭圆傅里叶描述子拟合边缘，提取手势特征。实验结果表明，运用上述算法所建立的系统能够十分高效地提取手势特征信息，且在简单背景下对13种常见手势的平均识别准确率达...

Keyword ：

OpenCV SVM分类器 肤色检测 手势分割 特征提取

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于Leap Motion手势识别的虚拟康复游戏的自调整方法，包括：建立数据库、患侧手部参与康复将所述患侧手部图像数据和健侧手势数据库中的健侧手部图像数据在游戏时域进行动作幅度对比；根据游戏难度等级级别数据自动对游戏进行难度调整。本发明对游戏难度进行分级，根据患者患侧当前游戏周期的表现与健侧表现进行对比，参考患者健、患侧表现记录，自动降低或提高游戏难度参数，避免因患者产生疲劳以及游戏难度过大或过小影响康复游戏的康复效果。同时能够实时让患者看到自己的游戏表现，并且给予患者反馈鼓励患者游戏积极性，让患者一直处于难度适中的游戏环境中，既有挑战性，又不失乐趣地完成自己的康复训练计划的目的。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开一种基于手势识别的无人机智能控制方法，包括以下步骤：制作行人和人体手势图片样本集及标注行人和手势各种属性学习样本集；构建并训练深度行人和手势检测神经网络，将训练好的网络模型保存；使用行人检测模型对获取的图像并进行做行人检测；对检测到的所有行人进行面积比较，选取面积最大的作为无人机控制者，对控制者位置做区域拓展；使用手势检测模型对选定的区域做手势属性检测；对多帧手势检测结果做时域选择，将最终选择结果发送给无人机。本发明通过对人的手势进行识别分析，并将手势结果作为无人机飞行的指令发送给无人机飞控端，实现人对无人机的灵活控制。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于Fisher Score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与SVM组合的分类模型获得最高分类正确率99.92%;与LDA组合的分类模型不仅获得99.24%的分类正确率,而且花费最短的训练时间1.44ms,该模型可为手势的实时自动识别提供理想的方法和途径。

Keyword ：

Fisher Score 表面肌电 机器学习 特征降维 特征提取

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于Fisher Score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与...

Keyword ：

Fisher　Score 表面肌电 机器学习 特征降维 特征提取

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对大批量定制中产品装配工艺转换快、效率低、易出现差错等问题,提出并设计了一种投影式增强现实装配诱导系统。对装配诱导过程中操作者所需穿戴设备和手动操作计算机设备优缺点进行了归纳,系统将文字、图片和三维动画等诱导信息投影到真实装配场景中,诱导操作者完成了产品装配,并对此进行了测试;利用骨骼跟踪技术和人手边缘轮廓提取方法进行了手势识别研究,提出了一种装配诱导过程中的徒手交互方法,利用Kinect跟踪操作者头部方位,提出了一种基于视点跟踪自动变换投影图像,以及使投影内容随操作者视点变化的投影增强现实方法。研究结果表明:该系统可提高装配诱导过程中的人机交互性能和装配效率,具有一定的工程应用价值。

Keyword ：

视点跟踪 手势识别 投影式增强现实 装配诱导

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对大批量定制中产品装配工艺转换快、效率低、易出现差错等问题,提出并设计了一种投影式增强现实装配诱导系统。对装配诱导过程中操作者所需穿戴设备和手动操作计算机设备优缺点进行了归纳,系统将文字、图片和三维动画等诱导信息投影到真实装配场景中,诱导操作者完成了产品装配,并对此进行了测试;利用骨骼跟踪技术和人手边缘轮廓提取方法进行了手势识别研究,提出了一种装配诱导过程中的徒手交互方法,利用Kinect跟踪操作者头部方位,提出了一种基于视点跟踪自动变换投影图像,以及使投影内容随操作者视点变化的投影增强现实方法。研究结果表明:该系统可提高装配诱导过程中的人机交互性能和装配效率,具有一定的工程应用价值。

Keyword ：

视点跟踪 手势识别 投影式增强现实 装配诱导

Cite：

Copy from the list or Export to your reference management。

Abstract ：

表面肌电信号是一种在皮肤表面采集的肌肉电信号。肌肉电信号是肌肉在运动时在人体内部产生的生理信号，它受运动神经元控制，包含着人体的运动意图。通过对表面肌肉电信号进行解码，可以得知该运动意图，从而使基于肌电的控制系统成为可能。肌电控制系统在许多领域都有应用，比如康复医疗领域和人机交互领域。由于表面肌电信号的采集方便、对人体无害，因此基于表面肌电的手势识别研究正逐渐成为新的研究热点。 本文主要提出了两种新的基于表面肌电信号的手势识别方法：（1）基于神经网络的方法；（2）基于低维特征组合的方法。并在公开的Ninapro数据集上对上述方法进行了验证。该数据集采集自40个被试，被试分别完成包含休息动作在内的50种不同的手势，同时用12个表面电极在前肢的不同部位采集表面肌电信号。第一种方法在传统的时频域特征——时频谱的基础上，将卷积神经网络与长短时记忆网络相结合，得到了比传统方法更高的识别准确度。在验证数据集上，与仅使用时频域特征的传统方法相比，新的方法在第一组17种手部基础动作的数据上将识别准确度由75.740%提高到了80.929%，同时整体的识别精度由77.167%提高到了79.329%。第二种方法可以在保证识别精度的条件下减小计算复杂度。通过将便于计算的低维特征如绝对平均值、波长、4阶自回归系数组合起来，在精度与传统方法保持在同一水平的情况下，使用的特征维度从300维降低到了72维，运算时间也大幅降低。这是一种更适合实际应用的方法。 本文同时在综合实验验证平台上对提出的方法进行了初步验证。该平台包括一台轮式可移动平台，一个多自由度机械手，一套表面肌电信号采集设备和一套头皮脑电信号采集设备。由于采用的表面肌电处理方法表现出了较好的实时性和准确度，因此在平台中用以给出控制底层基础的指令，如平台的移动和脑电/肌电两种控制策略来源信号之间的切换。本文同时展示了为平台设计的集数据采集、训练、展示和反馈于一体的带有图形界面的软件。在下一步的工作中，将进一步研究手势识别准确度更高、实时性更好、计算更为简单的方法，并在平台上进行验证。

Keyword ：

表面肌电信号 机器学习 神经网络

Cite：

Copy from the list or Export to your reference management。