-
公开(公告)号：CN105446484A
公开(公告)日：2016-03-30
申请号：CN201510801279.8
申请日：2015-11-19
Applicant: 浙江大学
IPC: G06F3/01
CPC classification number: G06F3/015 , G06F3/017 , G06F2203/011
Abstract: 本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN105631861B
公开(公告)日：2019-10-01
申请号：CN201510970682.3
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06T7/55
Abstract: 本发明公开了一种结合高度图从无标记单目图像中恢复三维人体姿态的方法，步骤如下：1)使用彩色图像和高度图像训练得到基于深度卷积网络的二维关节点识别模型；2)输入视频帧图像序列和相机参数，计算每帧图像对应的高度图；3)输入视频帧图像和步骤2)得到的高度图，使用步骤1)训练得到的二维关节点识别模型得到每帧图像中人体的二维关节点坐标；4)输入步骤3)得到的二维关节点坐标，根据优化模型恢复出人体三维姿态。本发明在二维关节点的识别过程中综合使用彩色图像和高度图像，提高了二维关节点的识别准确率；在从二维关节点恢复出三维人体姿态的优化模型中加入了时序一致性约束，使恢复出的三维人体姿态更加接近真实人体姿态。
-
公开(公告)号：CN105426842A
公开(公告)日：2016-03-23
申请号：CN201510801198.8
申请日：2015-11-19
Applicant: 浙江大学
CPC classification number: G06K9/00355 , G06K9/54 , G06K9/6269
Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。
-
公开(公告)号：CN105608432B
公开(公告)日：2019-02-22
申请号：CN201510973702.2
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段，首先对阵列电极采集的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后使用瞬时肌电图像及其对应的手势标签训练图像分类器，例如深度卷积神经网络，得到网络模型参数；在测试阶段，首先对阵列电极采集的待识别的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法，可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
-
公开(公告)号：CN105426842B
公开(公告)日：2018-08-14
申请号：CN201510801198.8
申请日：2015-11-19
Applicant: 浙江大学
Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。
-
Patent Agency Ranking
公开(公告)号：CN105631861A
公开(公告)日：2016-06-01
申请号：CN201510970682.3
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06T7/00
Abstract: 本发明公开了一种结合高度图从无标记单目图像中恢复三维人体姿态的方法，步骤如下：1)使用彩色图像和高度图像训练得到基于深度卷积网络的二维关节点识别模型；2)输入视频帧图像序列和相机参数，计算每帧图像对应的高度图；3)输入视频帧图像和步骤2)得到的高度图，使用步骤1)训练得到的二维关节点识别模型得到每帧图像中人体的二维关节点坐标；4)输入步骤3)得到的二维关节点坐标，根据优化模型恢复出人体三维姿态。本发明在二维关节点的识别过程中综合使用彩色图像和高度图像，提高了二维关节点的识别准确率；在从二维关节点恢复出三维人体姿态的优化模型中加入了时序一致性约束，使恢复出的三维人体姿态更加接近真实人体姿态。
-
公开(公告)号：CN102434400B
公开(公告)日：2013-09-18
申请号：CN201110405770.0
申请日：2011-12-08
Applicant: 浙江大学
CPC classification number: Y02E10/723
Abstract: 本发明公开了一种风速匹配风力发电机，它由小功率前置风机、较大功率后置风机、风机螺旋桨、导风罩、支柱等零部件组成。其中，前置风机与风机螺旋桨前输出轴相连，后置风机与风机螺旋桨后输出轴相连，前、后风机各自通过风机支撑杆固定在导风罩的中轴线上，导风罩安装在支柱上，并可随风向变化绕支柱转动，支柱安装在地面上。本发明的风速匹配风力发电机能够根据风速状况，在小功率单机、较大功率单机以及两个发电机同时工作这三种工作状态之间进行切换。使得该风力发电机具有启动风速小，额定功率较高，对风速匹配适应能力较强的特点。
-
公开(公告)号：CN102434400A
公开(公告)日：2012-05-02
申请号：CN201110405770.0
申请日：2011-12-08
Applicant: 浙江大学
CPC classification number: Y02E10/723
Abstract: 本发明公开了一种风速匹配风力发电机，它由小功率前置风机、较大功率后置风机、风机螺旋桨、导风罩、支柱等零部件组成。其中，前置风机与风机螺旋桨前输出轴相连，后置风机与风机螺旋桨后输出轴相连，前、后风机各自通过风机支撑杆固定在导风罩的中轴线上，导风罩安装在支柱上，并可随风向变化绕支柱转动，支柱安装在地面上。本发明的风速匹配风力发电机能够根据风速状况，在小功率单机、较大功率单机以及两个发电机同时工作这三种工作状态之间进行切换。使得该风力发电机具有启动风速小，额定功率较高，对风速匹配适应能力较强的特点。
-
公开(公告)号：CN117826442A
公开(公告)日：2024-04-05
申请号：CN202410112781.7
申请日：2024-01-26
Applicant: 浙江大学
IPC: G02B30/33 , G02B30/27 , G02F1/13357
Abstract: 本发明公开了一种用于裸眼三维显示的直下式高均匀度定向背光系统，属于自由立体显示领域。该背光系统包括基板、光源阵列、光阑阵列、整形透镜阵列、菲涅尔透镜阵列以及双折射匀光层，一组具有一一对应关系的光源、光阑、整形透镜和菲涅尔透镜组成一个定向匀光调控单元，所述背光系统由阵列排布的所述定向匀光调控单元和双折射匀光层组成，可以实现连续的、高均匀度、高准直性的定向照明。而双折射匀光层可以在保持光束高准直度的情况下，改善由于制造误差导致的照明瑕疵和透镜面型引起的观看问题。裸眼三维显示系统包含上述背光系统、液晶显示元件和光场调控元件，可以实现高性能、高视觉体验、轻薄化的裸眼三维显示。
-
公开(公告)号：CN105654037B
公开(公告)日：2019-05-21
申请号：CN201510971796.X
申请日：2015-12-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
