基于深度图像和表观特征的手势识别

针对复杂环境下的手势快速识别问题,提出一种基于深度图像信息和表观特征的手势识别方法.首先利用深度图像信息从复杂环境中快速提取手势区域;然后综合手势的表观特征,建立分类决策树实现手势的识别.针对常见的8种手势在复杂背景条件下进行测试,在机器人平台下手势的平均识别率高达98.2％,速度达到25帧/s.     

基于深度信息与DBN的手势检测与识别

提出基于深度信息与深度置信网络(DBN)的手势检测与识别算法.首先通过Kinect提供的深度信息定位手势区域,并找出手势区域的方向线,根据方向线的角度把手势旋转成垂直向上.结合手掌形状特征实现手势分割得到二值化的手势图像.在此基础上,利用深度置信网络进行识别.通过深度信息,去除了复杂背景的干扰.利用方向线使得手势具有抗旋转性.利用深度置信网络无需其他特征提取.实验结果表明,本文检测手势区域准确,计算量较小,能够快速地实现手势识别,并能够获取较高的识别率.     

基于深度学习的应急手势识别算法研究

本文提出了一种基于深度学习的应急手势识别算法.首先采用深度图像传感器做手势分割获取应急手势数据集,其次采用肤色分割算法和本文提出的应急手势识别算法做实时性测试.与常规算法不同的是,本文构建了一个应急手势数据库,并建立了深度卷积神经网络模型,提出了7种应用于多种场景的应急手势识别算法.实验结果表明,本文应急手势识别算法优于现有的机器学习算法,识别率达99.95%,可广泛应用于人机交互场景.     

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。     

基于手势跟踪的智能轮椅控制系统

针对智能轮椅运动控制的特点,提出并实现一个基于手势跟踪的智能轮椅控制系统.基于皮肤颜色模型和手势轮廓特征进行手势的检测和分割,将分割出的手势作为跟踪的初始化窗口,采用Camshift算法实现手势的自动跟踪,并用Kalman滤波预测下一时刻的手心位置,结合手心位置和手势的几何特征识别出不同的控制指令.实验证明,该方法能实...     

基于改进凸分解的手势识别

提出了一种新的基于Kinect的实时静态手势识别方法,主要贡献包括:提出了一种简易可行的、结合图像深度信息与肤色信息的手势区域检测与分割方法;提出了一种改进的凸分解算法,对手势区域进行近似凸形状分解,以得到表征手势特征的骨架信息;采用基于路径相似性的骨架图匹配算法对手势进行匹配以实现识别.针对特定手势集进行了对比实验,实验结果表明,本文方法在识别结果的准确率以及算法的效率上都有着良好的表现.      

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.     

基于改进的SOM和ART的动态手势识别

提出一种动态手势识别算法,将动态手势识别问题转换为轨迹识别间题.首先以SOM算法作为分类器提取手势特征,将多维手势信息投影到二维平面中,根据每帧的顺序产生一平面轨迹,将产生的平面轨迹输人到改进的ART网络进行识别.实验结果表明,该算法用于动态手势识别是可行的且性能稳定.     

基于ICONDENSATION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ICONDENSATION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.     

基于稳态视觉诱发电位的脑电控制上肢康复机器人

针对现阶段基于脑机接口(brain-computer interface,BCI)的康复机器人存在多目标分类时间长、识别准确率仍有待提升的问题,设计了一种由脑电信号控制的上肢康复机器人,对脑电信号中的稳态视觉诱发电位(steady-state visual evoked po-tential,SSVEP)分类,进而判断出受试意图并输出相应动作指令.基于MATLAB的Psychtoolbox工具箱设计了包含5个刺激矩形的频闪界面作为视觉刺激器,刺激大脑生成SSVEP信号,对应上肢康复机器人的5个控制指令.运用多导联同步指数(multivariate synchronization index,MSI)算法对采集到的信号进行分类并输出控制指令,机器人在接收指令后执行特定动作.实验得到的机器人动作正确率最佳为98.33％,平均信息传输速率为23.11 bit/min.结果表明:SSVEP信号控制的上肢康复机器人在辅助治疗的方面具有良好的应用前景,可以有效提高肢体偏瘫患者的康复效果.     

基于三支决策的触摸手势识别算法

为了提高人与机器人交互过程中对触摸手势的识别能力,提出一种基于三支决策的触摸手势识别算法.通过对触摸手势数据集CoST(corpus of social touch)的分析以及结合其他领域的研究,提出2种数据预处理方法“截取”和“去背景”,并从6个不同角度提取了特征,包括基本特征、基于直方图的特征、序列特征、梯度特征、接触面积特征和基于每个传感器的特征.以随机森林为分类器采用十折交叉方法进行了验证,发现不同的预处理对于不同触摸手势的识别有不同的效果.为了融合不同预处理的优势,引入三支决策的思想,将m分类问题转化为m个2分类问题,使用统计的方法计算每个二分类的三支决策阈值,按照一定的先后顺序和权重指标对经过不同预处理的分类结果进行决策筛选.仿真实验结果表明,基于三支决策的触摸手势识别算法在一定程度上达到了融合的效果,并提高了触摸手势的识别率.     

基于实时手势识别与跟踪的人机交互实现

为了实现对手势目标的自动识别和连续跟踪,提出了一种手势识别与跟踪算法。首先,通过离线训练手势目标检测器来实现手势目标的自动识别。接着,通过改进的Shi-Tomisi算法,在目标区域提取可靠稳定的特征点。然后,通过KLT跟踪器对特征点进行跟踪。当特征点跟踪成功时,通过求解仿射变换矩阵确定手势目标的新位置;当目标出现遮挡和大尺度旋转时,特征点丢失,此时在KLT跟踪器中加入卡尔曼滤波器来预测手势目标的位置,实现对手势目标的连续跟踪。同时对手势目标可能存在的区域进行估计,缩小检测器的检测范围,提高检测速度。最后,将算法应用于人机交互系统中,实现了机器人的远程控制。实验结果显示,算法在简单背景下的跟踪正确率为99.54%,复杂背景下的跟踪正确率为98.24%。实验结果表明,算法能够快速准确地对手势目标进行检测和跟踪,满足了实时性、连续性以及抗干扰能力强等要求,对于旋转及遮挡均具有较强的鲁棒性,为实现基于手势控制的人机交互提供了一种有效方法。     

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。     

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.     

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GMM-HMM的静态手势识别

提出了一种基于混合高斯模型的隐马尔科夫模型(GMM-HMM)与手势轮廓特征的单幅手势图像识别方法,该方法采用YCr Cb空间阈值处理对手势图像二值化处理,针对理想感兴趣区域提出了一种还原最上层轮廓的新型轮廓算法.将每类手势轮廓特征作为HMM的观察值分别训练对应手势的HMM参数,建立所有手势的HMM模型.分别用Viterbi算法计算测试集数据与每个模型的条件概率来获得识别结果.实验结果表明,该方法不仅对手势库内的特定人的静态手势识别具有较好的效果,且对提取的其他人的静态手势图像识别率也较高.     

一种快速手势识别算法的实现与验证

基于大多数的手势识别算法,需要提取高维度的特征,限制了手势识别在实时系统中的应用。文中针对这种问题,提出一种快速的手势识别算法。首先,在原始图像上提取轮廓块边缘对目标区域进行分割。其次,提取目标区域的形状特征。然后,在数据库中,对每种手势只记录一幅标准的参考图像。最后,通过比较参考图像与待检测图像中的手势特征,来匹配和标记手势的含义。实验结果表明,文中提出的快速算法能够准确地识别手势。