基于手势识别的虚拟环境体感交互控制

结合体感交互与虚拟环境技术,提出了一种基于手势识别的虚拟环境体感交互方法,采用Kinect体感设备,实时获取用户的手势数据,通过改进的动态时间规整算法,对所定义的手势语义进行识别,并根据识别结果,发出实时控制指令,实现与虚拟环境的自然交互.在此基础上,实现了基于Kinect手势识别的虚拟矿井交互系统,对交互方法进行测试.实验测试结果表明,手势识别正确率平均高达95.1%,实时性较好,所定义的虚拟矿井手势语义符合人们正常操作习惯,能实现与虚拟环境更加自然的人机交互,可以实现与虚拟矿井自然交互控制.     

面向虚拟装配的层次化交互手势技术

针对目前虚拟装配系统存在的用户体验不足问题,文中将手势识别技术引入虚拟装配的人机交互中,提出了一种面向虚拟装配操作的层次化交互手势模型;根据装配任务和交互模式的特点,提出了二级手势分类策略:先对交互手势进行初步分类再利用情境感知技术判断手势的类型;然后利用运动感知技术对手势的交互语义进行识别;接着通过对用户作业空间的手功能区感知来实现不同交互模式的自然过渡,从而降低用户在交互过程中的认知负担;最后通过自主开发的虚拟装配原型系统对文中提出的交互手势技术进行验证.实验结果表明,文中的层次化交互手势建模与识别方法能有效地增加虚拟装配环境中的人机交互效率和用户体验.     

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.     

基于时频特征的Wi-Fi手势识别技术

随着人工智能的快速发展,手势识别已经成为重点关注和研究的对象,利用Wi-Fi信号进行手势识别的技术无需额外的设备以及光照的条件,逐渐成为手势识别的主流.针对传统基于时域统计特征的方法,将经过噪声抑制后的信号进行短时傅里叶变换(short-time Fourier transform,STFT)构建手势信号的频域特征,结...     

应用计算机视觉的动态手势识别综述

从手势识别系统框架模型、手势分割、手势建模与分析和手势识别等几个方向,系统地综述当前计算机视觉动态手势识别技术的研究现状,分析其存在的不足,提出了进一步研究的问题.结果表明:基于简易可穿戴设备的手势识别、基于深度视觉传感器的手势识别和多方法交叉融合的手势识别将是未来该领域的发展趋势.     

基于卷积神经网络的手势识别研究

随着人机交互技术的发展,手势动作作为一种自然、方便以及高效的交互方式受到人们的关注。因而对此从理论和程序执行的角度提出一个针对9种手势识别的卷积神经网络(Convolutional Neural Networks,CNN)模型。首先,从组成CNN的基本单元神经元开始,然后上升到神经网络,最终到反向传播算法。通过调整卷积神经网络中的参数(迭代次数、步长),观察不同参数对网络的均方误差和测试准确度的影响。实验结果表明,该模型和算法可以有效识别9种手势,识别准确率最高可达93. 33%.     

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.     

基于深度数据的手势识别研究进展

手势是人机交互的重要手段之一。基于视觉的手势识别具有非接触式交互的特点,在人工智能领域得到越来越广泛的应用。然而,受到传统二维光学摄像头的限制,采集到的手势图像质量极易受到光照和杂散背景的影响,这给手势的提取带来了重大挑战,严重制约了基于视觉的手势识别的实用化进程。近年来,深度摄像技术的兴起,为解决上述问题带来了新的机遇。在深度数据的辅助下,基于视觉的手势识别新方法层出不穷,识别的准确度不断提升,有力地促进了基于视觉的手势识别系统的实用化进程。在此背景下,从数据的角度出发,分深度数据的获取、常用手势数据集和基于深度数据的识别方法 3个方面介绍目前基于深度数据的手势识别研究的最新进展,并对其未来发展做了进一步的展望。     

时尚科技

3D现实增强眼镜亮相,持双手手势识别功能在著名打印机生产商爱普生的协助下,创业公司Meta开发出了一款现实增强眼镜。借助其独特的双手立体空间手势识别功能,这款设备有望给现实增强设备领域带来革命性的影响。他们表示,这款设备已经搭载了爱普生生产的Moverio BT一100可穿戴双眼显示器,并在设备顶端配备了低延迟的三维摄像机。并且,他们的产品提供了全球首个现实增强技术的应用开发组件和平台。该设备包含两个可穿戴计算机,通过它们,用户能以最为自然的双手控制现实环境中加入的3D虚拟物体。     

无线遥控车中的手势识别技术

人机交换技术已成为日常生活中一个重要部分。比如,汽车导航技术,医疗器械的设计,游戏娱乐,人脸识别,指纹识别等等技术都体现了人机交换的重要性。又由于手势是包含信息量最多的人体语言。因此,本文主要研究手势的识别,尤其是应用在无线遥控车中的手势识别技术。系统实现的重点和难点在于PC机的手势识别部分。基于遥控车的设计,本文对手势识别技术方案设计如下：在手势建模方面,采用基于表观的手势模型;在手势分析方面,从原始图像中抽取的轮廓、边界、图像矩确定采用的手势特征;在手势识别方面,采用模板匹配的方法进行识别。     

健康医疗大数据与罕见病的精准用药

 药物治疗是罕见病的主要治疗方式,然而目前仅有1%的罕见病能够得到有效的药物治疗。不同来源的基因组、转录组等组学数据与临床表型数据融合起来形成的"健康医疗大数据",可以通过集中小规模罕见病临床数据的方式有效弥补罕见病样本量少的不足。大数据信息可用于研究罕见病新的药物靶点、探索成熟药物在罕见病领域新用法、分析药物不良反应实现个体化用药,并可进一步通过大数据技术建立本地化罕见病知识库,从而实现罕见病的精准诊断和治疗。随着大数据研究的不断深入,仍然需要突破多组学融合及分析技术、基于真实世界的知识提取技术、基于组学的临床决策支持等技术壁垒才能使大数据在罕见病的诊疗中得到最大应用。     

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.      

基于手势识别的智能输入系统

随着虚拟环境的发展,人机交互中键盘远远不能满足人们的要求,本文提出了一种基于手势识别方法的智能输入算法.该算法采用肤色分割提取出手部区域,检测大拇指和伸出的手指数目识别出手势的含义,把各种手势组合起来实现智能输入.该算法能够使用户根据自己的习惯来定义手势,更好的实现人机交互.实验结果表明该算法对获取手势图片时的外界干扰具有一定的鲁棒性,并能达到较高的成功率.     

多尺度模型与矩描绘子相结合的手势识别算法

提出了一种基于单目视觉的手势识别算法.通过用户初始化过程获取基本识别参数,结合视频跟踪的过程实时获取用户手势区域,在该区域内采用矩描绘子与多尺度模型相结合的方法进行特征提取,对于提取出的特征采用分类识别规则,实现对手势1～10的正确识别.经过试验证明,该算法可以适用于不同用户,识别正确率达到93.5%.     

基于Kalman滤波器与肤色模型的手势跟踪方法

有效和鲁棒的手势跟踪是动态手势识别的前提,针对手势及其运动的特点,提出了结合Kalman滤波器和肤色模型的手势运动目标跟踪方法.首先通过背景差法和YCb’Cr’空间上的椭圆肤色模型检测出手部运动目标,通过目标区域的空间结构参数来设置Kalman滤波器的各项运动参数,然后计算空间结构特征的跟踪匹配函数对目标预测位置进行修正,获得运动手势目标区域及其运动轨迹.实验结果表明,所提方法能有效地跟踪手势,并能较好地适应手势在运动过程中的手形变化、轨迹转弯等情况,检测准确,鲁棒性高.     

一种基于信息融合与运动域分割的手势运动方向识别方法

手势识别中,除手的分割是个难题外,在视频流中,手势有效动作起止帧的判定也是一个急待解决的问题。将图像的肤色与运动信息结合,分割出手,建立手势运动的历史图(Motion History Image,MHI),提出了一种MHI与改进的运动能量图(Improved Motion Energy Image,IMEI)结合的机制,判定有效手势运动的起止帧,最后建立有效手势运动的MHI;同时提出改进图像梯度向量算法用于手势运动方向(上,下,左,右)识别。实验表明,对于有效手势运动起止帧的正确判断率一般可达90%以上,有效手势识别率达96%以上,手势交互自然顺畅。     

基于模糊条件随机场的手势标注

在连续手势自动识别中,如果可以借助自然语言对手势进行描述,这将更接近于人们对手势认知的方法,这在一定程度上将有助于提高识别的准确性。通过使用模糊集与条件随机场相结合的方法实现了对连续手势的标注、分割。FCRF首先采用模糊集对手势进行描述,实现了自然语言对手势的描述,然后通过对条件随机场中状态和状态转移参数的修改实现了采用模糊特征的连续手势序列标注。实验结果显示,与现有的分割模型相比较,FCRF模型对手势序列标注具有较高的正确率,通过ROC特性曲线的分析,FCRF有较好的分类性能。     

基于穿戴视觉的人手跟踪与手势识别方法

为了解决人与穿戴计算机的自然交互问题,提出了一种基于穿戴视觉的人手跟踪与手势识别方法.该方法以Icondensation算法为基础,综合利用穿戴视觉系统输出的深度和灰度信息进行人手跟踪,并引入了手势变换模型.该模型可以在几种预先定义的手势之间进行动态变换.实验结果表明,该方法可以有效地实现动态和复杂背景下的人手跟踪与手势识别,为穿戴计算机系统提供自然友好的手势交互途径.     

基于神经网络的手势识别技术研究

以数据手套为基础,分析了手形的几何关系,建立了虚拟手的模型,由数据手套的数据接口获取各指节的曲伸角度,建立手势标准样本库,并提出了基于BP神经网络的手势识别方法,用手势标准样本加以训练,使其具备识别手势的功能,并利用VC 编程实现BP神经网络,用Matlab验证实验结果的正确性.