[發明專利]基于Gaussian過程的指節圖像偏移特征識別方法

有效

• 申請號: 201810372967.0
• 申請日: 2018-04-24
• 公開（公告）號: CN108764038B
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 楊世強;喬丹;弓逯琦;范國豪;李德信
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 張倩

本發明公開了一種基于Gaussian過程的指節圖像偏移特征識別方法，具體按照以下步驟進行：步驟1，在類別信息無關聯的假設的基礎上，將中層偏移測度特征的學習轉化為對隨機量的學習；步驟2，分析二值多分類高斯場上的后驗計算，基于Laplace逼近Gaussian過程的多分類高斯過程學習；步驟3，構造中層隨機信息的正定核函數；步驟4，基于Laplace的多分類高斯過程預測；步驟5，利用中層數據的分布學習與預測算法進行指節圖像訓練學習和固定閾值的圖像識別。本發明依據從非參數密度核估計的結果中抽取出的圖像灰度位置數據，對圖像域上從屬于固定閾值區間下偏移集的概率測度進行學習。

技術領域

本發明屬于智能制造技術領域，具體涉及一種基于Gaussian過程的指節圖像偏移特征識別方法。

背景技術

隨著復雜機電裝備集成化、精密化與智能化程度的不斷提升，生產過程中的制造系統需進一步提高其敏捷性、適應性與可重復性，高柔性裝配技術對高效研發與精密制造有著重要意義。在智能機器人技術的快速發展及其在制造系統中日益廣泛地應用這一背景下，智能化的人機協調裝配技術被認為是提高裝配系統柔性的有效方法。基于機器視覺的人機交互協調裝配技術，將圖像分析獲得的人體裝配姿態、動作和意圖作為裝配機器人任務規劃的輸入信息，通過協作實現高效高柔性的裝配。手部圖像及其關聯包含手部裝配姿態的總體信息，因此圖像特征檢測手部生物結構是裝配操作意圖推斷的基礎。

手勢識別主要有兩個研究方向，一是使用傳感器和探測器等外設工具實現手勢識別，此類方法通過傳感器進行精確的手部位姿提取，實現較為精準的手勢識別，但不夠便捷，需要外部設備的支持。另一研究方向是使用拍攝圖像進行無標記的手勢識別，精確度不夠高，魯棒性與穩定性依然不足，需要進一步研究手部圖像特征檢測技術以提高其精確度與準確提取手部位姿的能力。

目前在圖像特征檢測領域涌現出許多新的識別技術，不同領域所使用的方法與其側重點各有不同，有些側重于特征提取技術，如Ding利用雙重局部二值模式DLBP檢測視頻中的幀峰值。Yao給出了一種基于LLE的基于過濾器的特征選擇方法。在模型建立方面，Wang將一個動作類別作為靈活的身體部分的空間配置數目進行建模，開發了一種層次化的空間SPN方法，模擬子圖像內各部分之間的空間關系，并通過SPN的附加層對子圖像的相關性進行建模。Priyadarshini Panda提出了特征驅動選擇分類算法(FALCON)，優化了機器學習分類器的能量效率。對于特征聚類的研究有助于圖像特征分類。H.Li等在解決監控應用中的自動異常檢測問題中使用以無監督主成分分析(PCA)為基礎的特征聚類算法實現自動選擇最優數目的聚類。Jiang提出了一種基于模糊相似度的自組織特征聚類算法用以提取文本特征，該方法運行速度快，可以比其他方法更好的提取特征。Rahmani等提出了一種使用無監督特征學習(UFL)的譜聚類方法。

高斯過程(GP)學習作為一種被普遍使用的特征識別方法，近幾年來得到眾多學者的廣泛研究。由于高斯過程模型易于實現的特點，可以用來優化識別效果，Myung-Ok Shin等提出了一個三維點云的實時分割算法，采用高斯過程提高了分割準確性，以減少過分割效應。高斯過程同樣被用來排除異常與模糊的數據。Michele Xiloyanni運用了新穎的高斯過程自回歸框架，以學習手關節和肌肉活動的連續映射來計算預期的手部運動。XinweiJiang等將監督潛在線性高斯過程潛變量模型(SLLGPLVM)用于特征提取，對高光譜圖像(HSI)分類。

基于膚色模型的圖像分割可初步解決手部的圖像定位問題，而如指形姿態、指節位置等表征手部生物結構的重要圖像特征仍需進一步識別。在手部半握及全握姿態下，對應于手部關節位置處的骨節結構，指節圖像的灰度分布在手指局部位置附近呈現不規則凸包結構，可將該非確定性不規則凸包作為指節圖像的一種隨機隱結構。

隨機偏移集自身的分布復雜性，不同偏移參數區間所對應偏移特征間的差異比較大，且偏移參數越遠離標準值，其對應特征就越復雜。

發明內容