为了提高手部动作的识别率与响应速度。提出综合特征选择与排列组合的组合特征法并与极限学习计算法(ELM)相结合的多手势模式精准识别方法。首先,运用肌电传感器采集八种手势动作;进而运用去噪技术与起止点检测技术对肌电信号进行预处理;其次,分别提取肌电信号时域、频域、时频域、4阶AR系数和非线性特征,将组合特征法与皮尔森相关系数法和主成分析法(PCA)选优的特征集进行对比;最后,用所选特征集与最优滑动窗相结合,运用极限学习机、神经网络(BP)和支持向量机(SVM)算法进行手势分类。实验结果表明,结合组合特征法与最优滑动窗口设计的ELM算法模型最优,平均识别率高达97.1%,结果超BP算法17.02%,且具有最短的训练与测试时间,有效证明所提方法的精准性和实时性。

棒材计数的自动化水平是衡量企业智能化、信息化程度的一个重要方面。根据堆叠棒材图像中棒材像素的分布特征,提出一种基于物体特征提取的棒材快速计算方法,用以解决生产、生活中堆叠棒材快速计数问题。利用连通域标记算法对棒材二值图像中的物体像素进行标记处理并统计物体特征值,根据物体特征值进行堆叠棒材的自动计算。整个处理过程仅需要扫描图像一遍。实验结果表明:所提方法能够快速、准确实现堆叠棒材的自动计数。