随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboos...随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboost的学习分类模块来实现对特定握拳手势的实时识别和精确定位。本方法使用的迭代算法将弱分类器训练组合为强分类器,经过基于正负样本图片的过程后,所得的级联分类器首先可以根据摄像头捕捉的视频中的实时手势位置,能够识别手势的类型并进行对应画笔轨迹的跟踪实验,并且通过具体的算法,在已识别的各个位置中,实现了去除可能的误差位置,从而使得画笔的轨迹更为流畅。根据统计,所进行的实验对室内环境下握拳手势的识别率可以达到90%,取得了良好的效果。展开更多
结合Viola-Jones人脸检测框架和CLM(Constrained Local Model)模型,建立了一种对光照和姿态变化鲁棒的人脸检测算法。该算法首先对不同状态下的训练集使用Ada Boost算法建立一组状态相关的强分类器和相应的CLM模型。然后通过采用多层级...结合Viola-Jones人脸检测框架和CLM(Constrained Local Model)模型,建立了一种对光照和姿态变化鲁棒的人脸检测算法。该算法首先对不同状态下的训练集使用Ada Boost算法建立一组状态相关的强分类器和相应的CLM模型。然后通过采用多层级联结构分类器对图像中存在的人脸进行检测并对检测到的人脸进行光照和姿态变化的分析。最后,选择合适的CLM模型对检测到的人脸进一步进行定位,从而得到精确的人脸位置信息。通过在CMU-PIE人脸数据库上进行实验,验证了该算法的有效性。展开更多
文摘随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboost的学习分类模块来实现对特定握拳手势的实时识别和精确定位。本方法使用的迭代算法将弱分类器训练组合为强分类器,经过基于正负样本图片的过程后,所得的级联分类器首先可以根据摄像头捕捉的视频中的实时手势位置,能够识别手势的类型并进行对应画笔轨迹的跟踪实验,并且通过具体的算法,在已识别的各个位置中,实现了去除可能的误差位置,从而使得画笔的轨迹更为流畅。根据统计,所进行的实验对室内环境下握拳手势的识别率可以达到90%,取得了良好的效果。
文摘结合Viola-Jones人脸检测框架和CLM(Constrained Local Model)模型,建立了一种对光照和姿态变化鲁棒的人脸检测算法。该算法首先对不同状态下的训练集使用Ada Boost算法建立一组状态相关的强分类器和相应的CLM模型。然后通过采用多层级联结构分类器对图像中存在的人脸进行检测并对检测到的人脸进行光照和姿态变化的分析。最后,选择合适的CLM模型对检测到的人脸进一步进行定位,从而得到精确的人脸位置信息。通过在CMU-PIE人脸数据库上进行实验,验证了该算法的有效性。
