基于傅立叶描述子的字母手势识别

本文提出了一种字母手势识别方法,首先对字母手势图像进行预处理,然后用模板匹配的方法进行识别,并采用傅里叶描述子作为特征向量进行字母手势图像的描述,以消除视觉敏感问题.实验结果表明,我们的方法较好地实现了字母手势图像的识别.     

基于Kinect深度图像信息的手势轨迹识别及应用

本文提出了一种新型的利用Kinect获取深度图像并进行手势轨迹识别的应用方法,该方法称为HMM(隐马尔可夫)手势轨迹识别方法,具体操作步骤为:首先利用Kinect传感器获取深度图像,然后通过OpenNI的手势生成器的手势分析模块获取完整的手势信息,对手部进行形态学处理,识别并跟踪手势,提取手势轨迹,最后运用HMM手势轨迹识别方法进行识别.实践证明,该方法可快速有效地实现手势轨迹的识别.     

加拿大开发能识别手势的计算机

前不久，加拿大研究人员开发了一种能够识别国际手势的计算机系统，这种系统可以使失聪者更容易、更自然地利用计算机同别人交流，可以通过手势把组成单词的每个字母拼出来。 这种系统用摄像机捕捉每个手势，再由软件进行一系列处理，通过快速工作站识别一个手势需要半秒钟。由于系统采用的是实时交流方式，其反应速度是相当快的。目前这种系统识别国际手势语的成功率高达 96％。而每个人的手势略有不同，用户经过培训后，可以使这种系统发挥的作用达到最佳效果。 加拿大开发能识别手势的计算机     

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。     

手势识别研究概述

手势是一种自然而直观的人际交流模式.介绍了手势识别的发展过程以及手势的建模方法.当前人们采用不同的手势识别手段和技术来识别手势.同时介绍了当今比较先进的计算机手势输入技术,提出了一种新的手势识别方法,并举出已经实现的手势识别系统.     

基于视觉手势识别技术的实践研究

本文首先简单介绍了市面上手势识别技术的应用状况,接着分析了计算机手势识别的技术具体内容,介绍了手势识别技术常见的几种方法,分析手势建模方式,最后研究了现实生活中手势识别技术的在人机交互中的应用情况.     

基于手机加速度传感器的手势识别系统研究

基于智能手机上的加速度传感器,设计并实现了一种手势识别系统。采用时间数列方法对加速度数据样本建模,对数据进行降噪和优化处理,包括使用抽取突变消除平缓强调动作的变化;利用门限值差分方法进行手势动作动态自截取;利用特征提取简化数据,提高识别正确率;利用模板匹配方式,基于动态时间规整(DTW)算法进行手势检测。实验结果表明,该系统方便可行,具有较高的识别率。     

基于Leap Motion手势识别机械臂的研究

提出了一种基于Leap Motion识别手势控制机械臂的方法.该方法首先使用Leap Motion对人体手部深度点云信息进行提取,获得手部位姿态、手指位姿以及手势识别.然后将手部各关节点的空间姿态坐标转换为机械臂每个关节的控制角度.最后通过串口与下位机Arduino进行信息交互,实现机械臂向前、左右、抓取等动作.实验表明,该方法可以准确识别人体手势,实时控制机械臂.     

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.     

基于计算机视觉的人机交互技术研究

计算机视觉技术使得人类手势识别在工业应用中发挥了重要作用,如人机交互等.该方法提出了一种基于手工提取特征的动态手势分割和分类方法,这些特征是从Kinetic传感器提供的骨架数据中提取出来的.其中,手势检测模块依赖于前馈神经网络,该神经网络执行逐帧的二分类.手势识别方法采用滑动窗口的方式从空间和时间维度提取信息.然后,本文组合不同持续时间的窗口,以获得多时间尺度方法所带来的性能增益.受递归神经网络最近在时间序列领域验证成功的启发,该方法还提出了一种基于双向长短期记忆单元来同时进行手势分割和分类的方法,该方法具有在长时间尺度上学习时间关系的能力.所提方法评估了2014年ChaLearn Looking at People挑战赛数据集,并与其他不同方法进行对比,该方法的性能几乎与最先进的技术相匹配.最后,该方法识别出的手势可以应用于与协作机器人进行交互.     

基于HDC提取关键点的手势识别算法

提出一种提取手势轮廓轮廓看成一条曲线,采用HDC(Hierarchical Discrete Correlation)方法用一个内核对曲线进行多次平滑,得到曲线的尺度空间,再通过跟踪曲线在尺度空间中的运动找出手势轮廓的关键点,最后通过最小距离法对手势进行识别.     

动态手势识别技术综述

分析比较了现有动态手势识别技术的思路和特点,介绍了基于视觉的动态手势识别基本步骤,分析了该技术路线中存在的若干难点。在此基础上介绍了深度学习方法的基本思路和优点,展望了动态手势识别技术今后的研究方向。     

基于样本轨迹的Kinect手势识别算法

实现基于序列图像的手势轨迹识别,提出一种基于位置关系的手势轨迹识别方法,利用Kinect体感设备传感器提取轨迹序列,分析坐标序列的轨迹样本,通过黄金分割实现轨迹的匹配与识别。实验结果证明,该方法能有效识别手势轨迹。     

基于Adaboost实现的实时手势识别

随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboost的学习分类模块来实现对特定握拳手势的实时识别和精确定位。本方法使用的迭代算法将弱分类器训练组合为强分类器,经过基于正负样本图片的过程后,所得的级联分类器首先可以根据摄像头捕捉的视频中的实时手势位置,能够识别手势的类型并进行对应画笔轨迹的跟踪实验,并且通过具体的算法,在已识别的各个位置中,实现了去除可能的误差位置,从而使得画笔的轨迹更为流畅。根据统计,所进行的实验对室内环境下握拳手势的识别率可以达到90%,取得了良好的效果。     

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。     

基于机器学习的手势识别系统及其在移动终端上的应用

手势识别技术可有效提高移动终端操作效率。通过移动终端加速度传感器捕获手势执行过程中的三维加速度信号,经过预处理、特征提取之后,采用机器学习方法SVM,建立相应的SVM分类模型,并利用该识别模型实现手势动作。实验结果表明,该方法具有较高的识别率并在移动终端上得到应用。     

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。     

运用柯达伊教学法促进识谱音准和音乐创编的教学研究

"从歌唱教学入手"是柯达伊教学法的基础,以柯尔文手势和简单的身体动作作为教学辅助手段,帮助学生建立音高概念,解决音准识谱问题。在音乐课堂教学中,我们借助手势、节奏字母谱训练系统的音乐听觉,通过学生视唱训练及读写训练等方法训练歌唱音准。     

英文字母的一种编码方案

我们提出英字母的一种编码方案，该方案的模板表达能力强．且表达整齐．规格统一．比较美观，与标准字母表相比较，其相似度较高，易于人工识别，也易于计算机识别和计算机数字化处理，并可广泛应用于各种液晶显示和工商业广告以及公益广告。