[发明专利]基于无穷Dirichlet过程混合模型的指节识别方法有效
| 申请号： | 201810372306.8 | 申请日： | 2018-04-24 |
| 公开（公告）号： | CN108805012B | 公开（公告）日： | 2019-10-25 |
| 发明（设计）人： | 杨世强;弓逯琦;柳培蕾;李小莉;杨江涛;李德信 | 申请（专利权）人： | 西安理工大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62 |
| 代理公司： | 西安弘理专利事务所 61214 | 代理人： | 张倩 |
| 地址： | 710048*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于无穷Dirichlet过程混合模型的指节识别方法，按照以下步骤进行：步骤1，在局部Markov假设的基础上，将条件随机测度的学习问题转化为随机聚类学习问题；步骤2，运用无穷Dirichlet过程混合模型描述概率密度，将聚类数量表述为随机态；步骤3，利用Gibbs采样方法，对分层概率形式的密度结构进行迭代学习；步骤4，基于Dirichlet过程混合模型的坍塌Gibbs采样算法DPMM，运用样本集进行了模型训练学习，采用固定阈值对手部图像指节进行识别。本发明细化了手部生物结构的描述，检测结果稳定可靠，计算效率高。 | ||
| 搜索关键词： | 混合模型 指节 聚类 测度 采样算法 迭代学习 概率形式 计算效率 检测结果 密度结构 模型训练 生物结构 问题转化 样本集 采样 分层 细化 学习 坍塌 图像 概率 | ||
【主权项】：
1.基于无穷Dirichlet过程混合模型的指节识别方法，其特征在于，具体按照以下步骤进行：步骤1，在局部Markov假设的基础上，将指节图像的条件随机测度的学习问题转化为随机聚类学习问题；步骤2，运用无穷Dirichlet过程混合模型描述概率密度，将聚类数量表述为随机态；步骤3，利用Gibbs采样方法，对分层概率形式的密度结构进行迭代学习；步骤4，基于Dirichlet过程混合模型的坍塌Gibbs采样算法DPMM，运用样本集进行模型训练学习，采用固定阈值对手部图像指节进行识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安理工大学，未经西安理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810372306.8/，转载请声明来源钻瓜专利网。
