-
Patent Agency Ranking
公开(公告)号：CN110222645B
公开(公告)日：2022-09-27
申请号：CN201910496416.X
申请日：2019-06-10
Applicant: 济南大学
IPC: G06V40/20 , G06V40/10 , G06V10/764
Abstract: 本发明提供一种手势误识特征矩阵特征发现方法，假设被卷积神经网络识别正确的m张食指手势图片构成集合A，被卷积神经网络识别错误的n张食指手势图片构成集合B，利用Python接口提取第7层全连接层的特征值，并保存到矩阵V，输入任意两张图i和j，其中i∈A，j∈B，计算误识特征矩阵Qi的步骤如下：a.分别提取i，j在第7层全连接层特征值，并保存到矩阵V中；b.分别计算i，j输入到Softmax函数的Zi,Zj上的值；c.对数据从小到大排列，并曲线描述Zi,Zj的变化趋势，找出变化剧烈的特征以及对应原来的维数，并将维数构成集合C；d.从C1开始遍历，一直到C4096结束循环，统计每一维的频数以及频率；e.频率大于90％维保存到矩阵Q；f.结束。本发明能够有效提取误识特征矩阵。
-
公开(公告)号：CN107704072A
公开(公告)日：2018-02-16
申请号：CN201710434905.3
申请日：2017-06-10
Applicant: 济南大学
Abstract: 本发明公开了一种手势交互过程中用户手势的自动纠错方法，首先利用深度学习训练几种手势得到网络模型，针对训练过程中识别错误的手势样本集，提取这些样本的特征，并存入一个集合中。在手势交互过程中，就可以先利用hausdorff距离计算手势是否与集合中的元素相似，如果相似则说明这个手势易被我们的网络模型识别为错误手势，我们采取以某个概率强制转换成正确的样本标签，如果和集合中任意元素都不相似则识别为网络模型测试的结果。从而提高识别率，使得自然交互过程更加准确。
-
公开(公告)号：CN110222645A
公开(公告)日：2019-09-10
申请号：CN201910496416.X
申请日：2019-06-10
Applicant: 济南大学
Abstract: 本发明提供一种手势误识特征矩阵特征发现方法，假设被卷积神经网络识别正确的m张食指手势图片构成集合A，被卷积神经网络识别错误的n张食指手势图片构成集合B，利用Python接口提取第7层全连接层的特征值，并保存到矩阵V，输入任意两张图i和j，其中i∈A，j∈B，计算误识特征矩阵Qi的步骤如下：a.分别提取i，j在第7层全连接层特征值，并保存到矩阵V中；b.分别计算i，j输入到Softmax函数的Zi,Zj上的值；c.对数据从小到大排列，并曲线描述Zi,Zj的变化趋势，找出变化剧烈的特征以及对应原来的维数，并将维数构成集合C；d.从C1开始遍历，一直到C4096结束循环，统计每一维的频数以及频率；e.频率大于90％维保存到矩阵Q；f.结束。本发明能够有效提取误识特征矩阵。
-
公开(公告)号：CN109190443A
公开(公告)日：2019-01-11
申请号：CN201810682051.5
申请日：2018-06-27
Applicant: 济南大学
Abstract: 本发明提供了一种误识手势检测和纠错方法，属于手势识别领域。所述误识手势检测和纠错方法将任意一张手势的图片i输入到卷积神经网络进行识别得到类别号m，然后提取该图片i在卷积神经网络中的第5层卷积层的特征，计算第6通道和第58通道上的三维曲面峰值，通过对三维曲面峰值的判断实现对误识手势检测和纠错。本发明方法与传统的方法相比准确率提高了20％左右。
-
公开(公告)号：CN107229921A
公开(公告)日：2017-10-03
申请号：CN201710432453.5
申请日：2017-06-09
Applicant: 济南大学
CPC classification number: G06K9/00355 , G06F3/017
Abstract: 本发明公开了一种基于Hausdorff距离的动态手势识别方法，首先将手势关节运动数据利用最小二乘法进行曲线拟合，而后进行的识别是通过计算待识别的手势数据与样本库中已有的数据之间的Hausdorff距离从而达到识别的目的，因之前进行了曲线拟合过程，且相同手势的曲线形状大致是相同的，这就将手势识别问题转换为相似曲线的识别问题。本发明将复杂的手势识别问题简化，具有计算量小、识别率高等优点。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
