摘要：针对传统稀疏贝叶斯算法中字典列之间较强的相互一致性导致的重构性能下降问题,提出了一种基于变分贝叶斯期望最大化的一致受限字典织物图像重构模型(CCD-VBEM)。考虑织物图像的真实应用场景,采用多层先验的稀疏贝叶斯学习(SBL)模型进行建模,并通过VBEM方法求解后验分布近似值,从而构建SBL-VBEM模型。由于SBL-VBEM模型的重构结果仍然受字典矩阵的相关性影响,因此通过减少字典列之间的相互一致性来改善重构结果。首先,通过S形函数的拓扑结构获得收缩因子;然后,在获取一致受限字典的每次迭代中,利用收缩因子缩小字典矩阵中最大非对角项的邻域间隔;最后,将获取的一致受限字典作为SBL-VBEM模型的输入,获得更有效的重构织物图像。对CCD-VBEM模型在阿里云天池数据集上进行验证,验证结果表明,在不同采样率(0.20~0.40)下,CCD-VBEM模型对织物图像的重构均获得最优性能。

摘要：针对人工提取特征的单一性及卷积神经网络提取特征的遗漏性问题,提出了一种基于多特征加权融合的静态手势识别方法.首先,提取分割后的手势图像的傅里叶和Hu矩等形状特征,将两者融合作为手势图像的局部特征;设计双通道卷积神经网络提取手势图像的深层次特征,采用主成分分析方法对提取的特征进行降维;然后,将提取的局部特征和深层次特征进行加权融合作为手势识别的有效特征描述;最后,使用Softmax分类器进行手势图像分类.实验结果验证了提出方法的有效性,在手势图像数据集上的识别准确率达到了99%以上.