在工业生产任务中,实际操作环境通常比较复杂,常常导致手势识别的准确率降低。为提高手势识别对环境的适应能力并提高识别的实时性,分别在预处理,特征提取及分类识别三个方面进行研究。首先采用改进的同态滤波算法进行图像的增强预处理,然后提取增强后图像的梯度方向直方图(HOG)特征,采用主元分析(PCA)方法对其进行降维,并将降维后的特征输入到支持向量机(SVM)中进行分类。结果表明,改进后的同态滤波算法能较好克服光照不均导致的手势分割困难问题,使识别率从93.2%提高到了95.6%。而PCA结合HOG使每张图像的分类时间从18.07ms缩短到降维后的1.43ms,在大幅提高识别速度的同时,识别精度几乎不受影响。

针对现有冷轧带钢表面的相似线状缺陷检测精度与识别率差的问题,提出一种局部二制模式LBP直方图特征与支持向量机SVM相结合的检测算法。通过对采集的大量划伤与夹杂的带钢表面缺陷图进行预处理,获得感兴趣区域,再进一步利用LBP等价模式获得目标区域的LBP直方图信息,结果显示可以很好地分辨缺陷与非缺陷,并描述的各种缺陷具有可分辨性。采用核函数为径向基函数核的SVM分类器训练识别,结果表明该方法对划伤和夹杂的缺陷检测准确率达98%。