针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。
1
基于MATLAB的树叶图像特征分类识别,图像分析处理 分割 特征提取 分类识别等亲测可用, 谢谢支持。
2021-11-19 11:28:00 1.67MB 图像特征识别
1
最新信息安全技术生物识别相关技术标准合集,共6份。 2021 信息安全技术 生物特征识别信息保护基本要求 2020 信息安全技术 远程人脸识别系统技术要求 2020 信息安全技术 基于生物特征识别的移动智能终端身份鉴别技术框架 2019 信息安全技术 虹膜识别系统技术要求 2018 信息安全技术 指纹识别系统技术要求 2018 信息安全技术 基于可信环境的生物特征识别身份鉴别协议框架
主要对当今主要的几种生物特征识别技术作了一定的分析和介绍,另外对当前已存在的系统安全隐患方面的问题作了详细的分类综述,并据此分析了各种增强用户安全性的技术。
2021-11-02 10:23:19 715KB 生物识别
1
演示 开始: PyQt5,3.3以上的cv2,hyperlpr 暂时不提供车型识别与颜色分类的模型 下载 ,并保存到yolo目录下 介绍 模型采用opencv DNN模块读取,所以确认你安装了包含DNN模块版本(3.3以上)的cv2 车辆定位采用darknet yolov3在coco数据集上的预训练模型 车牌识别采用开源的hyperlpr: : 视频播放界面基础: : 去做 连接KNN做颜色识别
2021-10-23 17:59:21 8.91MB 系统开源
1
赤水红层地区高陡边坡危岩体具有位置险峻、隐蔽性强等特点,致使危岩体的识别成为困扰工程建设的巨大难题。针对研究区危岩体调查难以开展的问题,利用无人机倾斜摄影技术,获取带有空间地理坐标的照片。运用Agisoft PhotoScan软件构建了唐家屋基边坡高清数字地表模型(DSM),利用三点不共线可确定一个平面的原理,在模型中提取结构面空间点云坐标,计算出结构面产状,并对危岩体的结构特征进行提取,确定了4处典型危岩体。基于三维模型对危岩体的体积进行了测量,通过定性分析得知,危岩体处于欠稳定状态。利用Rockfall软件对4个危岩体的崩落运动特征进行模拟,发现危岩体发生崩塌破坏后滚石会对坡脚房屋和公路造成破坏。研究结果对高陡边坡危岩体的勘察、稳定性评价及影响范围确定有重要参考价值。
2021-10-20 23:32:51 5.55MB 危岩体 无人机 高清数字地表模型 崩塌
1
现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.
1
此课件是香港理工大学研究生课程:生物特征识别;涵盖主流的生物特征识别方法(人脸、指纹、多模态生物特征识别等),值得学习和参考,适合研究生学习和相关课题入门介绍
2021-10-12 16:39:58 30.9MB 生物特征识别 模式识别
1
雷达目标识别中,提取目标的有效特征将直接影响识别效果。针对雷达目标高分辨距离像(HRRP)具有平移敏感性,提出了一种基于多特征的融合特征来作为目标特征进行识别。利用PCA将三种平移不变特征融合,采用支持向量机算法来实现识别。仿真实验结果表明,该方法不仅降低了目标特征的存储量,同时也克服了高分辨距离像的平移敏感性,具有较高的识别率和很好的推广性。
2021-10-09 12:48:16 749KB 一维距离像
1
通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路表面肌电信号,取其平均绝对值(MAV)和均方根(RMS)作为特征参数,并应用线性判别分析(LDA)方法对采集的样本进行模式识别。与其它特征识别方式的实验对比表明,所提的识别方法能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,且动作识别精度更高。
1