-
公开(公告)号：CN109271947A
公开(公告)日：2019-01-25
申请号：CN201811138279.4
申请日：2018-09-28
申请人： 合肥工业大学
摘要： 本发明公开了一种基于热成像的夜间实时手语识别系统，其包括红外热像仪，CNN-ELM识别系统和显示器；利用同种手势不同姿态的热像手势图片构成训练集，使用卷积神经网络CNN提取手势图片特征值，将提取到的特征值置于极限学习机ELM中进行训练，获取训练后的权重；识别过程中先利用红外热像仪捕捉到手势图片，CNN提取手势图片的特征值，再用ELM训练后的权重去评估提取到的特征值，取评估概率数组中的最大值对应的标签作为识别的结果。本发明在灯光昏暗、背景噪声大的情况下仍能在识别速率和精度上满足手势表达的实时性要求。
-
公开(公告)号：CN109325454B
公开(公告)日：2020-05-22
申请号：CN201811137932.5
申请日：2018-09-28
申请人： 合肥工业大学
摘要： 本发明公开了一种基于YOLOv3的静态手势实时识别方法，其过程包括制作训练集、生成迁移Darknet‑53模型、改进候选框参数和实时手势识别各步骤，是基于卷积神经网络YOLOv3模型，通过使用Kinect设备采集的四种类型的图像数据集代替常用的RGB图像数据集，融合四种类型Kinect测试图像的识别结果，有效提高识别准确率；采用K‑means聚类算法对初始候选框的参数进行改进，有效提高识别速度；以及采用迁移学习的方法，切实减少模型的训练时间。
-
公开(公告)号：CN109325454A
公开(公告)日：2019-02-12
申请号：CN201811137932.5
申请日：2018-09-28
申请人： 合肥工业大学
摘要： 本发明公开了一种基于YOLOv3的静态手势实时识别方法，其过程包括制作训练集、生成迁移Darknet-53模型、改进候选框参数和实时手势识别各步骤，是基于卷积神经网络YOLOv3模型，通过使用Kinect设备采集的四种类型的图像数据集代替常用的RGB图像数据集，融合四种类型Kinect测试图像的识别结果，有效提高识别准确率；采用K-means聚类算法对初始候选框的参数进行改进，有效提高识别速度；以及采用迁移学习的方法，切实减少模型的训练时间。
-
公开(公告)号：CN110414468A
公开(公告)日：2019-11-05
申请号：CN201910717874.1
申请日：2019-08-05
申请人： 合肥工业大学
摘要： 本发明公开了一种WiFi环境下基于手势信号的身份验证方法，利用中国传统游戏“剪刀，石头，布”作为手势进行研究，因为它们包含手在做动作时手指、手掌和手背等空间动作。本发明对CSI数据首先利用巴特沃斯低通滤波器和PCA方法进行了降噪。特征提取阶段使用一种新的特征DTW与其它特征一起区分个体。本发明利用随机森林为特征值加入权重，设计基于LSTM循环神经网络识别个体。本发明对于10个个体区分的准确度都达95%以上，平均准确率为97.4%。
-
公开(公告)号：CN110414468B
公开(公告)日：2022-10-21
申请号：CN201910717874.1
申请日：2019-08-05
申请人： 合肥工业大学
摘要： 本发明公开了一种WiFi环境下基于手势信号的身份验证方法，利用中国传统游戏“剪刀，石头，布”作为手势进行研究，因为它们包含手在做动作时手指、手掌和手背等空间动作。本发明对CSI数据首先利用巴特沃斯低通滤波器和PCA方法进行了降噪。特征提取阶段使用一种新的特征DTW与其它特征一起区分个体。本发明利用随机森林为特征值加入权重，设计基于LSTM循环神经网络识别个体。本发明对于10个个体区分的准确度都达95%以上，平均准确率为97.4%。
-
-
-
-
搜索结果
5 条记录 (耗时 0.031 秒)