[发明专利]基于Gaussian过程的指节图像偏移特征识别方法

说明书

本发明公开了一种基于Gaussian过程的指节图像偏移特征识别方法，具体按照以下步骤进行：步骤1，在类别信息无关联的假设的基础上，将中层偏移测度特征的学习转化为对随机量的学习；步骤2，分析二值多分类高斯场上的后验计算，基于Laplace逼近Gaussian过程的多分类高斯过程学习；步骤3，构造中层随机信息的正定核函数；步骤4，基于Laplace的多分类高斯过程预测；步骤5，利用中层数据的分布学习与预测算法进行指节图像训练学习和固定阈值的图像识别。本发明依据从非参数密度核估计的结果中抽取出的图像灰度位置数据，对图像域上从属于固定阈值区间下偏移集的概率测度进行学习。

技术领域

本发明属于智能制造技术领域，具体涉及一种基于Gaussian过程的指节图像偏移特征识别方法。

背景技术

随着复杂机电装备集成化、精密化与智能化程度的不断提升，生产过程中的制造系统需进一步提高其敏捷性、适应性与可重复性，高柔性装配技术对高效研发与精密制造有着重要意义。在智能机器人技术的快速发展及其在制造系统中日益广泛地应用这一背景下，智能化的人机协调装配技术被认为是提高装配系统柔性的有效方法。基于机器视觉的人机交互协调装配技术，将图像分析获得的人体装配姿态、动作和意图作为装配机器人任务规划的输入信息，通过协作实现高效高柔性的装配。手部图像及其关联包含手部装配姿态的总体信息，因此图像特征检测手部生物结构是装配操作意图推断的基础。

手势识别主要有两个研究方向，一是使用传感器和探测器等外设工具实现手势识别，此类方法通过传感器进行精确的手部位姿提取，实现较为精准的手势识别，但不够便捷，需要外部设备的支持。另一研究方向是使用拍摄图像进行无标记的手势识别，精确度不够高，鲁棒性与稳定性依然不足，需要进一步研究手部图像特征检测技术以提高其精确度与准确提取手部位姿的能力。

目前在图像特征检测领域涌现出许多新的识别技术，不同领域所使用的方法与其侧重点各有不同，有些侧重于特征提取技术，如Ding利用双重局部二值模式DLBP检测视频中的帧峰值。Yao给出了一种基于LLE的基于过滤器的特征选择方法。在模型建立方面，Wang将一个动作类别作为灵活的身体部分的空间配置数目进行建模，开发了一种层次化的空间SPN方法，模拟子图像内各部分之间的空间关系，并通过SPN的附加层对子图像的相关性进行建模。Priyadarshini Panda提出了特征驱动选择分类算法(FALCON)，优化了机器学习分类器的能量效率。对于特征聚类的研究有助于图像特征分类。H.Li等在解决监控应用中的自动异常检测问题中使用以无监督主成分分析(PCA)为基础的特征聚类算法实现自动选择最优数目的聚类。Jiang提出了一种基于模糊相似度的自组织特征聚类算法用以提取文本特征，该方法运行速度快，可以比其他方法更好的提取特征。Rahmani等提出了一种使用无监督特征学习(UFL)的谱聚类方法。

高斯过程(GP)学习作为一种被普遍使用的特征识别方法，近几年来得到众多学者的广泛研究。由于高斯过程模型易于实现的特点，可以用来优化识别效果，Myung-Ok Shin等提出了一个三维点云的实时分割算法，采用高斯过程提高了分割准确性，以减少过分割效应。高斯过程同样被用来排除异常与模糊的数据。Michele Xiloyanni运用了新颖的高斯过程自回归框架，以学习手关节和肌肉活动的连续映射来计算预期的手部运动。XinweiJiang等将监督潜在线性高斯过程潜变量模型(SLLGPLVM)用于特征提取，对高光谱图像(HSI)分类。

基于肤色模型的图像分割可初步解决手部的图像定位问题，而如指形姿态、指节位置等表征手部生物结构的重要图像特征仍需进一步识别。在手部半握及全握姿态下，对应于手部关节位置处的骨节结构，指节图像的灰度分布在手指局部位置附近呈现不规则凸包结构，可将该非确定性不规则凸包作为指节图像的一种随机隐结构。

随机偏移集自身的分布复杂性，不同偏移参数区间所对应偏移特征间的差异比较大，且偏移参数越远离标准值，其对应特征就越复杂。

发明内容