基于FDC2214单通道阈值分析的手势识别系统

设计了基于电容式传感器FDC2214的手势识别系统,经过有限次学习和阈值分析优化,识别正确率可以达到94.56%。首先设计所需的硬件电路,采用单极板单通道法和频率测量法提高测量的精度。然后在学习模式中,通过对采集的不同手势的电容值进行阈值标定,记录训练数据。在识别模式中,调用训练模型对采集的识别者手势进行分类识别。最后采用大量样本检测学习效果,证明系统具有较好的识别效果。     

基于STM32的手势识别系统的研究与设计

以STM32F103ZET6作为主控芯片,电源模块采用限流可调稳压开关电源,提供稳定的电压,电流.通过覆铜电容极板采集信号,经过FDC2214电容式传感器的转换,通过硬件电路和软件电路的设计,采用卡尔曼滤波,冒泡排序等算法进行数据处理,设置动态设定阈值和环境值,设计实现"猜拳"、"划拳"人机交互手势识别等功能,手势判别结果稳定实时显示于TFT-LCD显示屏.     

表面肌电信号的多重分形特性分析与手势识别

为改善表面肌电信号手势识别的抗噪性和分类识别率,提出了一种基于多重分形特征的表面肌电信号手势识别方法.该方法首先借助多重分形测度分析手段,研究了不同手势动作下表面肌电信号的多重分形特性,根据不同手势表面肌电信号的多重分形谱之间的差异,提出了多重分形特征的提取算法,并利用多重分形特征结合支持向量机进行了手势识别.实验研究表明,上臂肌肉的表面肌电信号具有显著的多重分形特性,最大、最小概率子集分形维数差等多重分形特征可以作为不同手势动作的分类识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的分类识别方法.     

基于视觉的傅立叶描述子手势识别方法

在对手结构和关节运动作了深入分析的基础上,建立了对其施加约束的手模型。根据所定义的约束及运动类型,建立了适合于手势合成的手数据结构,并采用傅立叶描述子进行手势特征提取进而进行手势识别,取得了较好的效果。     

基于手势识别技术的3D虚拟交互系统

系统以英特尔凌动处理器嵌入式平台为核心,运用手势识别、多目视觉立体定位、电机控制及3D建模等多种算法和技术,构建了一个真实人与虚拟世界进行实时交互的浸入式环境。一方面以图像处理算法为核心,进行基于肤色模糊识别和多智能体协作思想的图像分割,实现了基于形状特征的手势识别算法;另一方面采用了3dsmax辅助建模的方法,实现了手的骨骼模型这种复杂物体的建模,结合Direct3D开发3D虚拟环境系统,采用DirectSound产生环境的声音。通过对虚拟手的控制实现人与虚拟环境中三维物体的交互操作,如抓取、移动物体等动作。随着3D场景和动作的切换,伴随发出不同的声音。测试表明,该系统的手势识别成功率达到80%,人机交互较为生动、直观和真实。     

高考中的电容器(高二、高三)

1.电容的决定因素 例1对于水平放置的平行板电容器,下列说法正确的是() (A)将两极板的间距加大,电容将增大. (B)将两极板错开,使正对面积减小,电容将减小. (C)在下板的内表面上放置一面积和极板相等、厚度小于极板间距的陶瓷板,电容将增大. (D)在下板的内表面上放置一面积和极板相等、厚度小于极板间距的铝板,电容将增大. (00年全国) 分析由平行板电容器的电容决定式。凡一‘_,.、一一·一一C=了书行可知,(A)错,(B)正确.一4欣d‘~,、沼蕊,‘,、~,一。. 在下板的内表面上放置一陶瓷板,即放人一电介质,所以电容C增大,(C)正确. 在下板的内…     

基于MEMS惯性传感器的手势识别

针对基于MEMS惯性传感器的手势识别问题,提出了一种基于门控循环网络的手势识别模型架构。以智能手机为载体,通过其内置的MEMS惯性传感器获取手势运动数据,构建了基于LSTM网络的LSTM-D模型和基于GRU网络的GRU-D模型,实现了在三维空间中的手势识别。提出的两种模型均有较好的分类效果,在自建数据集上,LSTM-D模型和GRU-D模型分别可获取81%和85%的准确率,综合分析发现GRU-D模型参数更少,训练时间更短,模型识别更快更准确,模型的稳定性更高,为基于MEMS惯性传感器的手势识别研究提供了一定的参考价值。     

基于心理测试图像模板的图像情感识别

以著名心理学家弗海姆的形状-颜色测试表中的9幅不同特征的图像为模板,提出了一种新的图像情感识别的方法。在HSV空间中,用区间量化方法将颜色特征量化为48柄的矢量。再采取矢量结合Zemike矩的方法,用二次距衡量图像之间的相似性。最终结合测试者的个性特征和测试图像与特征模板的比较结果,映射出测试者对测试图像的喜恶指数。     

基于手势识别的S195型柴油机虚拟装配

将多通道人机交互、基于Web的虚拟现实和CAD技术相结合,构建了实时交互的虚拟环境,在网络环境下接入5DT Data Glove 5型数据手套。研究了虚拟手建模,对常用手势进行了分析和定义,采用手势识别技术,在有限的网络带宽条件下实现了虚拟环境中S195型柴油机的装配仿真,获得了更加自然直观的人机交互效果,提高了装配设计效率。     

基于深度学习的手势识别研究

目前一些相对成熟的手势识别算法,如基于模板匹配的方法、基于人工神经网络的方法以及基于隐马尔科夫模型的方法,都存在计算复杂的劣势,而基于深度学习的手势识别具有一定优势。通过深度学习提取多层网络简化的高价值易用特征,通过向量等表示,简化算法以实现良好的识别效果。通过摄像头采集室内复杂背景下的手势图像,在计算能力、存储能力强大的PC平台通过深度学习处理图像,提取特征,然后进行分类识别,能提高识别准确率。通过改进硬件或算法还可提高识别效率及安全性。