电子测试
電子測試
전자측시
ELECTRONIC TEST
2013年
16期
24-25
,共2页
手势识别%SVM向量机%特征子集%特征选取
手勢識彆%SVM嚮量機%特徵子集%特徵選取
수세식별%SVM향량궤%특정자집%특정선취
在传统的手势识别中,多数是通过人工神经网络,隐Markov模型和几何边缘特征等算法.以一种改进的SVM统计向重机算法对手势特征集进行精确识别,通过进行适当函数子集的选择,使判别函数的识别率达到最优,得到一个具有推广泛化能力和最优分类能力学习机,该方法能够保证特征子集的划分的识别效果等价于对整个样本集.通过Kinect进行手势识别测试,结果表明基于改进的SVM向量机手势识别算法具有较好的精确性和准确度.
在傳統的手勢識彆中,多數是通過人工神經網絡,隱Markov模型和幾何邊緣特徵等算法.以一種改進的SVM統計嚮重機算法對手勢特徵集進行精確識彆,通過進行適噹函數子集的選擇,使判彆函數的識彆率達到最優,得到一箇具有推廣汎化能力和最優分類能力學習機,該方法能夠保證特徵子集的劃分的識彆效果等價于對整箇樣本集.通過Kinect進行手勢識彆測試,結果錶明基于改進的SVM嚮量機手勢識彆算法具有較好的精確性和準確度.
재전통적수세식별중,다수시통과인공신경망락,은Markov모형화궤하변연특정등산법.이일충개진적SVM통계향중궤산법대수세특정집진행정학식별,통과진행괄당함수자집적선택,사판별함수적식별솔체도최우,득도일개구유추엄범화능력화최우분류능역학습궤,해방법능구보증특정자집적화분적식별효과등개우대정개양본집.통과Kinect진행수세식별측시,결과표명기우개진적SVM향량궤수세식별산법구유교호적정학성화준학도.
