非接触手势识别是一种新兴的人机交互技术,在很多领域正发挥着巨大作用。基于商用的WiFi设备目前应用广泛,但很多因素会影响识别性能。本文探讨了隐马尔可夫模型理论,提出了一种基于WiFi物理层信息的手势识别系统(non contact ges,NCGes),使用菲涅尔区域模型来学习手势特征。首先收集信道状态信息(channel status information,CSI),之后提取特征值来描述手势动作。先基于朴素贝叶斯算法实现简单手势的识别,进而运用隐马尔可夫模型理论实现复杂手势的识别。实验结果表明,该方法具有良好的鲁棒性,在不同的实验环境中的平均识别准确率达到92.7%,可以应用于复杂的室内场景,具有广泛的应用前景。
特征提取是合成孔径雷达(synthetic aperture radar,SAR)图像自动识别与分类中的重要环节.由于SAR图像有相干斑噪声及几何畸变等特性,一般网络模型难以提取到有判别性的特征.为增强特征提取能力,提高分类准确率,提出将注意力机制与胶囊网络结合的一种注意力胶囊网络模型.注意力机制可聚焦寻找具有重要局部信息的特征,在图像识别过程中抑制干扰特征,定位重要特征.胶囊网络可捕捉图像中目标的位置与空间关系,使提取到的SAR图像特征含有更多便于分类的重要信息.结果表明:文中方法对SAR图像分类数据集中运动和静止目标的获取与识别(moving and stationary target acquisition and recognition,MSTAR)有显著效果.
暂无评论