基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于卷积神经网络的手势识别

手势识别是人机交互,智能语义识别和远程人机 交流领域的热门研究课题。目前基于 视觉的手势识别问题仍是研究的难点,在多变背景下的手势姿态识别仍然存在较大问题。近 年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特 征得到了广泛关注。由于卷积神经网络具有较强的学习能力和个体特征的表达能力,本文针 对传统手势识别算法精度低,鲁棒性差的问题,提出了基于卷积神经网络的TensorFlow框架 下加入扁平卷积模块的FD-CNN网络手势识别算法。在预处理数据集后,基于FD-CNN网络的 手 势识别方法可以直接将预处理后的图像输入网络进行训练,最终输出测试结果的识别精度为 99.0％。与传统方法和经典卷积神经网络方法相比,本文方法提高了 网 络系统对样本数据的多样性和复杂性的有效识别,具有较高的识别率和较好的鲁棒性效果。     

基于方向直方图和神经网络的手势识别

本文提出一种用于手势识别的新方法,它将图像的方向直方图矢量(OHV)与神经网络相结合.其特点在于选用图像的方向直方图矢量作为手势的特征矢量,该特征矢量对于光线和手的平移变化具有较强的鲁棒性,这正是手势识别所要解决的关键问题.在训练阶段,首先需要建立手势样本的特征矢量库;在识别阶段,本文选用三层BP网络作为分类器,获得了90%以上的识别率.本文还对手势进行一定角度的旋转后的识别进行了讨论,识别结果达到预期要求.     

一种基于神经网络的手势识别装置

基于BP神经网络算法设计一种能够实现对猜拳游戏和划拳游戏成功判决的手势识别装置。该装置具有训练和判决两种工作模式,对任意人员进行猜拳游戏和划拳游戏的手势训练,经过有限次训练后,生成深度BP神经网络,进而在判决模式下实现对手势识别的正确判定。该装置由控制模块、电容传感器模块、按键输入模块、显示模块以及探头部分组成。经测试证明,该装置具有成本低、响应时间短、正确率高的优点,扩展了手势识别的应用范围,具有良好的应用发展前景。     

基于深度卷积神经网络的手势识别

在手势识别的过程中,手势变化的多样性和手势本身的复杂性会对手势识别的精确性和可靠性带来很大的影响。为了能够实现高准确率的手势识别,文章提出了一种基于深度卷积神经网络(CNN, Convolutional neural network)的手势识别方法。该方法针对22个英文字母(排除了G、S、J和Z)实现静态手势识别,首先选用合适的手势数据集,通过使用Keras(神经网络的高级API)实现卷积神经网络,最终获得较高的识别率,可以达到97%。实验表明,该方法可实现背景单一手势图像的精确识别。     

基于卷积神经网络的手势识别算法研究

基于实现小样本数据集下手势识别的目的,采用了深度卷积神经网络GoogLeNet模型以及PNN神经网络进行分类,同时结合了迁移学习的方法将深度学习模型进行迁移而构建所用模型.用公共数据集Keck Gesture进行实验,通过对数据集图像进行简单的图像预处理,使得图像特征更为明显,将预处理后的图像作为网络输入进行手势识别实...     

基于软邻接时空图卷积神经网络的动作识别算法

动作识别被广泛应用于诸多领域,如智能监控、人机交互、智能医疗、机器人技术等。近年来,随着智慧城市建设的不断发展,人类动作识别的相关研究越来越受到学术界的关注。然而目前的基于神经网络的动作识别算法普遍存在着准确率低,鲁棒性差等问题。虽然这种传统的方法取得了良好的效果,但这种方法的效果与实际应用之间依然存在差距。为了进一步解决这些问题,设计了一个更有效的动作识别模型,即基于软邻接的时空图卷积神经网络的动作识别算法（spatial temporal soft adjacency graph convolution network, STS-GCN）。首先,将图卷积网络扩展到时间域,并在骨架节点之间引入潜在的相邻关系,从而可以自动学习空间时间维度上的隐藏动作信息;其次,模型引入了一种简易的空间注意机制,使其具有鉴别具有判别力的空间区域的能力,从而获得更好的识别效果;最后对该模型在NTU-RGB+D数据集上进行了实验。实验结果表明,与其他几个现有模型的结果相比,模型测试的识别准确率有所提高。这说明了引入软邻接矩阵的时空图卷积神经网络有利于模型提高动作识别算法的效果。     

基于CNN的手势识别技术研究

手势操作作为一种全新的操作方式,在智能设备中得到了广泛应用。传统的手势识别方法需要复杂的预处理过程,识别速度与准确度比较差。文章提出一种基于CNN的手势识别技术,取得了较好的识别效果,识别速度也有明显的提升。     

基于深度卷积神经网络的手势动作识别

针对传统手势识别方法中人工特征提取信息不完整导致的识别率较低以及识别手势类别较少的问题,基于卷积神经网络(Convolutional Neural Network,CNN)的原理,设计了一种深度CNN框架,对多通道的表面肌电信号进行手势动作识别。所应用的表面肌电信号数据来自Ninapro数据库中DB2健康个体数据集,分别识别9种手指动作和49种手势动作(49种手势动作包含9种手指动作),另外40种手势动作是17种基本手势动作和23种手腕动作。对数据集的表面肌电信号数据进行提取均方根值特征,生成12通道的训练集、验证集和测试集。将处理过的表面肌电信号送入到深度CNN中,经过卷积、批次归一化、池化、梯度下降及dropout层处理,仿真测试后,DB2数据集的9种手势动作识别率是99.10%,49种手势动作手势不识别率是64.58%。     

基于多目标Camshift手势识别

基于单目视觉下的手势识别技术一般由手势建模、特征提取、手势匹配等几个关键技术构成。手势跟踪算法目前主流的是粒子滤波算法和Camshift算法。系统采用Camshift算法,将人手图像由RGB空间转换到HSV空间后,在HSV空间利用半自动预定义模板颜色对人手进行分割,并对其进行改进实现多目标跟踪,由于Camshift算法为半自动算法,在对手势进行跟踪前需对手势进行手动标定,系统采用了手势跟踪与手势识别技术结合的方法,改进了Camshift算法,解决了Camshift的半自动问题和实现多目标跟踪,实现双手的手势识别。     

基于FMCW雷达的双流融合神经网络手势识别方法

针对传统光学摄像头和无线技术的手势识别方法受光照环境影响和空间纵向、横向特征不全的问题,该文提出一种基于调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达信号的双流融合神经网络（Two-Stream Fusion Neural Network,TS-FNN）手势识别方法.首先,利用二维快速傅立叶变换（Fast Fourier Transform,FFT）求取中频信号的频谱,估计手势的距离和速度,并利用多重信号分类（Multiple Signal Classification,MUSIC）方法计算角度.其次,利用这三维参数在时间上的累积,将一个手势动作映射为32帧距离-速度矩阵图和角度时间图.最后,建立TS-FNN进行手势特征提取和特征融合.实验结果表明,TS-FNN方法与传统卷积神经网络相比,手势的平均识别准确率提升了约5%.     

WiFi CSI Gesture Recognition Based on Parallel LSTM-FCN Deep Space-Time Neural Network

In this study,we developed a system based on deep space–time neural networks for gesture recognition.When users change or the number of gesture categories increases,the accuracy of gesture recognition decreases considerably because most gesture recognition systems cannot accommodate both user differentiation and gesture diversity.To overcome the limitations of existing methods,we designed a onedimensional parallel long short-term memory–fully convolutional network(LSTM–FCN)model to extract gesture features of different dimensions.LSTM can learn complex time dynamic information,whereas FCN can predict gestures efficiently by extracting the deep,abstract features of gestures in the spatial dimension.In the experiment,50 types of gestures of five users were collected and evaluated.The experimental results demonstrate the effectiveness of this system and robustness to various gestures and individual changes.Statistical analysis of the recognition results indicated that an average accuracy of approximately 98.9% was achieved.     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

基于随机森林的脉冲超宽带雷达微动手势识别

针对雷达微动手势识别中的回波信噪比低、数据量大、特征可解释性差的问题,提出了一种基于随机森林的超宽带雷达微动手势识别系统.微动手势雷达截面积小,进而导致信噪比低、正向特征模糊等问题.针对这些问题,采用聚类算法提取回波主向量并构建多项式特征,以减少冗余数据,提高手势回波信噪比.对于训练过程中特征图谱可解释性破坏的问题,采用随机森林可视化特征贡献率并以此选择特征应用于模型.实验结果表明,在不同底噪的回波信号下,该算法相比于其他算法具有更好的识别性能,这验证了算法的有效性.     

一种基于最大似然Hausdorff距离的手势识别算法

针对字母手势的检测和跟踪问题,文章提出一种基于最大似然准则Hausdorff距离的手势识别算法。该算法首先对字母手势图像进行二值化处理,并由字母手势图像的边缘信息中提取字母手势的关键点(指根和指尖);然后采用基于最大似然准则的Hausdorff距离对手势进行识别,搜索策略采用类似于Rucklidge提出的多分辨率搜索方法,在不影响成功率和目标定位精度的情况下,可以显著地缩短搜索时间。实验结果表明此方法可以较好地识别字母手势,同时对部分变形(旋转和缩放)手势也有良好的效果。     

电容传感器非接触式手势识别系统

为了实现基于电容传感器的手势识别,设计了具有4路输出信号的电容传感器,研究了电容—数字转换器FDC2214的工作原理,基于电容传感器、电容-数字转换器FDC2214和单片机ATmega2560设计了手势识别系统,并给出了手势识别的阈值算法。经过对8种静态手势的测试,结果表明,系统能够实现非接触式测量,极板间距为3 cm时,可在60 s内完成一种手势的数据记录,手势判定时,对8种手势多次识别测试,识别准确率高于95%,识别时间均小于1 s。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构.最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度.实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0％以上,高于现有基于数据谱图的手势分类方法.     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和...