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.     

基于DSP的手势识别电视遥控器设计

由于传统电视机遥控器的按键操作比较机械且缺乏娱乐性,设计了一种以DSP2812为核心的手势识别算法。通过将用户手势运动的信息转换成相应的红外信号,从而实现手势遥控电视机更换频道和调节音量的目的。该系统主要由双端口RAM通信的双DSP并行处理器、CMOS数字摄像头、红外遥控模块、上位机调试软件和以太网通信模块组成。实验测试表明,该系统能够实现用户手势图像的采集、手势动作的识别、红外遥控及以太网通信功能。     

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。     

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。     

车载手势识别中基于小波变换和双边滤波的图像去噪方法

手势识别是人机交互中的重要研究领域,车载手势识别系统可以减少驾驶员手动操作仪表导致的分心,提高驾驶安全性。受光照变化、汽车环境、摄像头成像质量等各因素的影响,车载手势图像中常会存在大量复杂噪声。这些噪声严重影响后续手势分割、特征提取和手势识别的准确性。针对手势图像中存在的噪声问题,本文提出了一种适用于车载手势图像处理的新方法。该方法先对小波分解后的各高频子带采用不同方向的一维非线性扩散滤波处理得到初步去噪手势图,在此基础上用多尺度双边滤波对图像再次处理。实验结果表明,本文方法可以较好地去除车载手势图中噪声,抑制车载手势图细节的模糊。      

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。     

移动终端交互设计中手势指令识别方法改进研究

传统的手势指令识别在缩放、旋转、平移等转换过程中,一直存在手势图片出现形变使识别不准确。提出一种新的移动终端交互设计中手势指令识别改进方法。将质心距离函数看作全局特征对二维空间下的手势运动轨迹特征提取,对其进行改进,获取三维空间下手势轨迹特征,増加移动终端交互设计中第三维的手势轨迹信息,得到手势轨迹特征向量。将手势轨迹特征向量作为输入,通过随机森林方法对手势指令识别分类器进行训练,利用训练完成的分类器实现移动终端交互设计中手势指令的识别。实验结果表明,所提方法不仅能够保证移动终端交互设计中手势指令识别的实时性,而且识别精度高,认证效果好。     

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.     

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。     

基于OpenCV的数字静态手势的匹配识别研究

手势识别成为了一种新型的人机交互手段,对于社会生产和日常生活都有着非常重要的研究意义。以OpenCV为基础,通过HSV色彩模型来分割手势,用Canny图像边缘检测的方法来绘制手势轮廓,建立在图像的Hu不变矩来进行模板匹配,对常见的数字静态手势进行实时的分类识别。结果表明,基于OpenCV的静态手势识别技术达到预期效果,准确率达92%。     

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。     

基于嵌入式的智能手势识别器的设计

在存在听力障碍以及健康的听力人之间如果想要进行无障碍的沟通,那么就需要通过手势识别的方式来进行,文中通过嵌入式系统对肢体部位所反映出来的各种信息和数据进行展示,对生活中患有听力障碍的人员生活质量进行最大限度的改善。手势识别内容是当前相关研究领域作为热点的话题,通过人际交互中的手势识别凸显出了该技术的重要地位。     

Android平台上手势控制照相系统的实现

本文研究了Android平台上的照相机制,通过采用了基于Hu矩和支持向量机的静态手势识别技术,可实现在复杂背景下对手势进行实时辨别,最后将研究设计的手势识别算法成功地应用到了Android平台上的手势控制照相系统中。     

基于Zigbee和加速度传感器的民族手势识别系统

本文论述了一种基于Zigbee和加速度传感器的民族手势识别系统。该系统通过6个加速度传感器采集手势信息,利用Zig-bee无线网络进行数据传输,结合识别算法识别动作者的手势信息,并通过液晶屏显示出来。实验结果表明,本系统能准确快速识别单手势静态民族手势语,自动判断下一手势的起始,并通过抖动滤波处理减少了误差。     

基于肤色特征和卷积神经网络的手势识别方法

传统手势识别方法需要人工选取特征,选取的特征往往很难适应手势的多变性,从而极大地影响了手势的识别率;提出了一种基于肤色特征和卷积神经网络的手势识别方法;首先采用椭圆肤色模型对复杂背景下的手势样本进行分割,将分割出的手势区域进行二值化和归一化处理,然后构建了一种卷积神经网络对处理过的手势样本进行迭代训练,提取出各类手势关键的高维特征,进而得出手势识别模型;通过该方法训练出的手势模型能够自主地对给定的手势图像进行特征提取和手势分类;实验表明:该手势识别方法在测试集上具有较高的识别率;在现实场景的测试中,该方法也取得了良好的手势识别效果,且实时性和鲁棒性较好。     

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。     

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.     

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%.