交警手势的图像处理与识别

提出了一种基于交警手势识别的交通灯控制方法.该方法首先对彩色摄影机采集的交警手势图像进行预处理,包括彩色图像平滑、彩色图像增强;其次利用边缘检测和图像分割方法对目标图像进行分割,由于图像受噪声干扰严重,采用Sobel算子消除噪声;再次将分割得到的目标轮廓进行表示与描述,为图像的识别作好准备;最后结合图像的轮廓特征对图像进行识别,采用了模糊模式识别方法.试验结果表明,该方法能够实现对交警手势准确的识别.     

基于深度学习的交警指挥手势识别

为解决无人驾驶汽车快速准确地识别交警指挥手势的问题,本文提出一种基于深度学习的三通道输入交警指挥手势识别方法.仿真实验表明,利用深度学习优化模型参数后,采集的8种交警指挥手势数据集的平均识别准确率可达97.87%,识别率较高,具有一定的应用价值.     

基于HMM的手势识别研究

利用可穿戴式加速度传感器采集手势动作信息,研究了基于隐马尔可夫模型的手势识别技术.首先采集手势加速度数据,采用改进的SWAB算法进行自动端点检测,通过提取相应的手势特征,利用HMM对手势指令建模,并采用K-means算法矢量量化手势特征序列,以提高手势识别性能.实验表明,本文采用的方法能够有效识别手势动作.     

基于混合高斯模型的非固定握持姿势手势识别

针对手势识别研究中普遍要求用户以严格固定方式握持数据采集设备,致使用户体验差的问题,使用混合高斯模型(Gaussian mixture model,GMM)对非固定握持姿势的手势识别算法进行改进,以提高手势人机交互时的舒适性.首先通过GMM从加速度传感器数据中提取用户握持姿势数据,然后借助握持信号实现手势命令数据提取与坐标转换,使识别系统能够自适应不同的握持姿势.为使GMM可以同时满足手势识别应用中对稳定性和适应速度的要求,优化了GMM的学习机制,包括增加备则模态和改善优先级计算.实验结果表明,所述系统在滚转角和俯仰角+60°~-60°、偏摆角+20°~-20°范围内,握持姿势对手势识别正确率没有明显影响,实现了非固定握持姿势的手势识别,起到了提高用户体验的作用.     

基于深度图像的手势识别综述

手势是一种自然直观的人机交互方式,手势识别是新一代人机交互中的重要技术.深度图像可以方便的实现前景和背景的分割,提高手势识别的性能.从人手分割、特征提取和手势识别三个方面介绍了基于深度图像手势识别的研究现状及其应用,并对其中存在的难点展开讨论.     

过街感应信号灯人来自动变绿

“中国式过马路”一直是相关部门以及市民最为厌恶的行为之一，也引发过不少交通事故。为此，福田中学女生陈佳去年在读高二时，自主创作出行人过街信号灯控制模型，希望可以杜绝因“中国式过马路”而引发的交通事故。市公安局交警局对陈佳的发明非常支持，现已在福田中学安装了个信号灯控制模型，以促成该发明的不断改进完善。     

基于ICODENSATION算法的人手跟踪与手势识别算法

为实现基于手势的智能人机交互，提出了一种基于视觉的人手跟踪与手势识别算法．该方法以ICON—DENSATION算法为基础，融合颜色与深度信息进行重要采样，结合轮廓信息并通过ASM模型的能量函数进行观测，根据最大后验概率对几种预定义的手势进行识别．实验结果表明，该算法能够有效地实现复杂背景下的人手跟踪与手势识别，为进一步实现智能人机交互奠定了基础．     

一种改进YOLOv3的手势识别算法

为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。     

基于三维轨迹的相似手势识别研究

为解决动态手势识别中相似手势识别率不高的问题,本文开发了基于Leap Motion设备的动态手势识别系统,即对采集到的所有动态手势的三维运动轨迹数据预处理后,以运动角为固定特征通过HMM模型区分出非相似与相似手势;对于相似手势,设计了基于角点数、子区域百分比、角点序号百分比、轨迹区域长宽比的二次识别系统.验证试验表明,相似手势的最终识别率高达92.56%,二次识别的平均识别率比基于HMM一次识别的平均识别率提高了17%.     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

洪江区:上好新生一年级交通安全第一课

<正>9月1日,洪江区交警牵着洪江区幸福路小学新生一年级学生走过斑马线。当天,洪江区中小学如期开学,在新生开学第一天,洪江区交警大队组织交警下到各个小学为新生一年级学生上交通安全第一课,指导新生识别交通标示和交通指挥手势,并带领新生走斑马线,增强学生的交     

基于粒子滤波的机车信号灯跟踪方法

为保障机车行驶安全,由车载高清摄像机获取路况视频并识别信号灯及其颜色状态时,视频中信号灯目标尺度变化大、机车行驶抖动、复杂光环境及光圈自适应调节滞后等因素使得信号灯鲁棒跟踪与识别具有不小难度.针对信号灯跟踪问题,本文提出一种带检测矫正的粒子滤波跟踪方法,该方法在粒子滤波框架下对信号灯进行跟踪,并通过一个在线更新的模板对滤波结果进行检测矫正,以提高跟踪结果的准确性.为提高跟踪算法对光照以及目标尺度变化的适应能力,本文在对信号灯建模时融合了HSV颜色特征与局部二元模式特征.实验结果表明,该方法在较复杂的场景下能够很好地对信号灯进行实时鲁棒的跟踪,并且跟踪结果具有较高的准确性.     

基于CW-RNNs网络的手势识别算法

该文在分析表征手势特征和神经网络理论基础上,根据手运动轨迹的连续性规律来研究适用于手势识别的关键技术——基于手势轨迹模型的新型神经网络算法。针对手势识别的模糊性和准确性问题,基于手势局部区域跟踪结果,采用一种新型神经网络算法,实现用于人机交互的动态手势识别。手势识别部分的研究是采用一种新型的循环神经网络(CW-RNNs)对手势运动的轨迹进行识别。根据跟踪部分提取的手指运动轨迹坐标,定义手势模版,采用该方法对手势模版进行学习。首先定义连续动态手势模版,采用时间频率循环神经网络对手势模版进行学习,对每组孤立的动态手势模版进行学习,形成手势识别模型。对影响CW-RNNs模型的因素进行了实验验证和深度分析,通过与多层RNNs、三层RNNs的识别效果进行比较,论证了本文模型对手势轨迹模版识别的优越性。     

基于现场评价的智能手机触摸手势工效学研究

为了提高触摸手势识别准确率,针对智能手机触摸手势工效学参数进行现场评价。首先,基于非理性用户模型提出了触摸手势现场评价因素框架;其次,设计现场评价实验,收集新手用户和经验用户在室内静坐、户外行走和公交静坐3种情境下的测试数据,得出基于使用情境修正的手势工效学参数,优化了手机触摸性能。研究表明,现场环境中用户运动状态和情绪警觉水平影响手机使用触摸性能,需采用现场情境测试修正触摸工效学参数,以提高手势识别准确率。     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

基于时间序列LBP算子的手势检测

从基本的LBP算子出发,提出一种基于时间序列的分块LBP算子特征,使用该特征可以提高单目摄像头中特定手势识别的识别率.该特征主要思想是利用手势特征在视频中时间和空间的关联性来提高手势检测的准确率,从而提高整个视频序列中的手势识别率.识别的手势为特定的五指张开的手势,因为该手势是手势控制中经常出现的手势.通过测试,该算法可以在一定程度上提高特定手势的识别率.     

Kinect骨骼信息下的动态手势识别研究

针对复杂环境中存在的手势识别问题,提出一种利用Kinect传感器获取深度信息并进行动态手势识别的方法。该方法通过对Kinect传感器获取的深度信息进行分析,获取人体主要骨骼点的3D坐标,从中选取六个点作为手部运动的特征参照;为提高手势识别系统的识别速度,提出了一种基于查表的DTW算法对得到的特征数据进行模板训练并实现动态手势识别。实验结果表明:该方法具有较高的识别速度和识别率,对复杂背景及光照强度变化具有较强的鲁棒性。     

基于改进的Yolo v3 模型的设备状态检测方法

提出一种基于改进的Yolo v3模型的设备状态检测方法,以实现精准的信号灯检测. 工作流程为:(1)通过图像采集设备获取信号灯图像并预处理;(2)通过改进的Yolo v3模型进行信号灯检测.其中改进的Yolo v3模型增加了特征图的加权融合步骤,提高了对小目标检测识别的性能.实验结果表明, 相比于原始Yolo v3模型,采用改进的Yolo v3 模型进行信号灯检测识别时能够取得更高的交并比,同时,模型的召回率和精度也有相应提升.     

凌空手势识别综述

 普适计算技术和可穿戴设备的快速发展对自然的手势识别技术提出了新的挑战：应使用户尽可能摆脱对环境和输入设备的束缚,与环境进行自然而有效的手势交互。凌空手势（mid-air gestures）识别是应对新挑战的一类有效的手势识别技术。本文首先对凌空手势的定义进行描述,然后分析和总结现有的基于计算机视觉、超声波和电磁信号的三大类凌空手势识别技术,并指出凌空手势识别技术的应用领域、开放性问题及未来发展方向。     

一种基于改进结构的级联手势回归算法

基于手势特征和回归算法,通过改进传统的3D手势级联回归算法学习效率低的缺陷,提出一种新的基于手势变化特征的手部结构特征算子,有效减少了手部特征算子的维度,并对传统级联回归器进行了适应于手势变化的结构改进,使其针对手部结构的识别效率显著提高.在公开数据库及自建数据库分别进行实验,实验结果表明,该算法在保持手势识别准确度的同时,能有效提高执行效率.