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.     

移动单目相机下基于单应的动态手势轨迹识别

针对单目相机的移动会造成图像坐标系的全局运动,对手势识别中运动轨迹的观测产生影响,不能满足手势交互的应用需要的问题,建立并证明了一种基于单应的目标运动轨迹观测模型.该模型通过分析目标平面运动时相邻帧之间的射影关系,利用单应矩阵求解与特征点的重投影,求得相邻帧之间的目标相对运动矢量,得到世界坐标系下的目标运动轨迹.为验证该模型的有效性,基于该模型提出了一种利用移动相机进行动态手势轨迹识别的方法.实验结果表明:使用该方法进行动态手势轨迹识别的识别率为89%,处理速度达到72.28帧/s,在移动相机环境下保证了手势识别系统的识别率与实时性.     

基于OPENCV的手势识别的实现与应用

本文主要对静态手势识别的技术存在的各种方法进行了相应的分析与探讨,而在这个基础之上实现与设计了一套先进的静态手势识别系统。而该系统主要分为手势的分类、图像的预处理、分类器的设计与样本的训练以及特征的提取四个模块。而该系用在运行时,首先从文件夹中读取图像部分,其次在经过图像的预处理模块得到手势的轮廓图像以及二值图像,最后在对轮廓图像与二值图像这两幅图对手势进行相应的特征提取,并且采用贝叶斯分类器对这个手势进行分类识别。     

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.     

基于点上下文描述子的三维手势轨迹识别

提出了一种基于曲率窗的点上下文描述子的三维手势轨迹识别方法,该方法通过采用曲率窗选取手势轨迹的上下文点,既有效地降低了描述子的维度,又提高了对三维手势轨迹的识别率.首先,计算三维手势轨迹上所有点的U弦长曲率;然后,选取曲率最大且相互分离的点作为手势轨迹的上下文点;最后,将每个轨迹点与上下文点之间的欧氏距离作为该点的特征向量.采用上述方法提取三维手势轨迹的形状特征,支持向量机(SVM)用于分类识别.实验结果表明:该方法对澳大利亚手语数据库(ASL)中任意8类三维手势轨迹的平均识别率达到92.98%,并且识别结果具有旋转、尺度、平移(RST)无关性.     

基于深度图像HOG特征的实时手势识别方法

手势识别是模式识别领域的一个热点研究方向。提出了一种利用Kinect传感器深度图像进行手势分割的方法,并研究了基于灰度图像HOG特征的手势识别模型;深入研究了HOG特征,分析其特征向量特点,探讨了不同特征维数对训练机的影响及处理效率;通过SVM机器学习方法实现手势的分类识别,经过对大量实验样本的优化训练,获得了最优SVM参数,并进行分析、对比识别率。本文方法维数少、识别率高、运行速度快、性能稳定,能满足实时性手势识别的要求。     

基于方向链码的书空手势识别

介绍了Leapmotion交互设备的结构及运行机制,在该设备产生的交互空间中的x-y平面上定义8个方向的方向链码,通过该设备检测手指在空间中的位置变化,确定手指的移动方向,并结合方向链码定义动态书空手势。为了消除手指在空间运动的不稳定性而导致的噪声干扰,将手指在平面上的位置信息映射到计算机屏幕上显示出手指的移动轨迹,对轨迹进行分段处理,根据分段的比重提取主要移动方向描述输入手势,采用顺序匹配算法对输入手势与模板手势进行匹配,识别输入的书空手势。     

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.     

利用表面肌电进行手势自动识别

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于Fisher Score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与SVM组合的分类模型获得最高分类正确率99.92%;与LDA组合的分类模型不仅获得99.24%的分类正确率,而且花费最短的训练时间1.44ms,该模型可为手势的实时自动识别提供理想的方法和途径。     

基于计算机视觉的火灾识别方法研究

本文对基于计算机视觉的火灾检测识别方法进行研究。首先采用运动检测与火焰颜色模型想结合的方法对视频疑似火灾区域进行分割,然后提取出火焰矩形度、火焰面积增长特征、火焰波动频率三个特征,将此三个特征作为火灾识别的特征向量,最后训练BP神经网络分类器,对火灾进行识别。     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

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...     

多模态人机交互中基于笔输入的手势识别

为研究多模态人机交互系统的理论及构造方法 ,提出了一种快速的、单笔划手势识别方法 .该方法通过提取手势轨迹的关键点及各关键点的运移方向 ,形成特征码 ,然后与标准手势符号的各种可能的特征码进行匹配 .其中方向特征用于预分类 ,而关键点位置信息用于细分类 .实验结果表明该方法速度快、识别率高 .     

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.     

基于光流及耦合隐马尔可夫模型的动态手势识别

基于块的相关算法来计算光流，并利用光流跟踪双手的运动．双手的运动轨迹取相邻两点的速度向量，经8方向链码量化后作为观察向量．和直接利用位置信息相比较，提高了识别的鲁棒性．采用耦合隐马尔可夫模型来识别双手动态手势，提出并实现了最大后验概率的训练．对6个双手动态手势的试验表明，耦合隐马尔可夫模型(CHMM)比常规隐马尔可夫模型(HMM)能更有效地对双手动态手势建模．     

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。     

复杂背景下基于肤色检测的动态手势分割与识别

在类肤色的复杂背景下,基于肤色检测的动态手势识别会因肤色干扰导致识别效率较低。提出了一种基于YCbCr颜色空间的改进三帧差分法的动态手势识别方法。首先利用改进的三帧差分法对动态手势进行分割,有效去除类肤色背景;然后根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法有效去除非肤色背景,分割出手势区域。通过双特征提取,有效去除大范围的肤色背景,最终得到完整的手势;最后利用BP神经网络较强的自学习能力,对分割的动态手势进行检测识别。实验结果表明,此方法在应对环境变化时具有较好的实时性和抗干扰能力,拥有较高的识别率。