一种基于深度图像的手势识别算法

利用Kinect捕捉深度图像,使用有效的手势分割手段将手势区域截取并运用相关算法对手势进行轮廓、凸包及其最小外接圆提取;然后构建了4种手势特性参数并给出了4种参数的计算方法;最后综合手势特性参数构建分类决策树以实现手势识别.实验针对9种常见手势在复杂背景条件下进行测试,单个手势识别率在89％-100％之间,综合识别率达到96％.     

改进的LB算法在动态手势识别中的应用

为了提高动态手势识别中的匹配效率,提出一种改进的LB算法.首先,对采集手势深度信息进行实时分割,并使用一种新的特征提取方法对手势进行描述.然后,引入锚定距离的概念,并将其应用到LB算法当中,同时进行分类和识别.最后,分别对比其他两种相关算法的执行时间,以及改进LB算法的识别率.实验结果表明,提出的方法在不影响识别率的情况下,对算法执行效率有了很大的提升.     

基于双分类器的自适应单双手手势识别

针对传统卷积神经网络(CNN)中仅有对单手手势语义进行识别的算法和深度学习手势识别算法中CNN的收敛性差和识别精度低的问题,提出了一种基于两个分类器的自适应单双手手势识别算法以对单手和双手进行识别.该算法的核心是联合两个分类器进行单双手手势识别.首先,采用手数分类器对手势进行分割分组预测,将手势识别转化成部分手势图像识...     

结合手势二进制编码和类-Hausdorff距离的手势识别

针对目前动态手势识别方法受手势旋转、平移、缩放的影响,并解决手势识别的实时性问题,提出一种基于手势二进制编码和类-Hausdorff距离模板匹配的手势识别方法.首先,把分割好的手势图像进行标准化处理,求出标准化图像中的手势主方向,建立二维手势直角坐标系,提取空间手势特征;其次,根据前五帧手势图像中手势像素点个数的变化量识别出动态手势类型;然后,用手势二进制描述子从动态手势类型中再筛选出可能的候选手势集合;最后,用类-Hausdorff距离模板匹配方法从候选手势集合中识别出最终手势.主要创新点在于：提出的动态手势类型识别和手势二进制描述子匹配的方法,大大缩短了动态手势识别的时间;提出的结合手势主方向的类-Hausdorff距离方法,不仅对旋转、平移和缩放手势具有不变性,而且对区分度较小的手势也具有较高的识别准确率.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确的实现动态手势识别,总体识别率达到95%以上,对发生缩放的手势识别率能达到92%以上,对发生旋转的手势识别率能达到87%以上.本文算法已经在一个基于手势的人机交互界面中得到应用.     

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型(HMM)进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.     

基于结构分析的手势识别算法研究

从肤色模型和手掌结构两个方面出发,提出了一种新型手势分割及识别算法。即首先通过YCbCr模型将复杂背景中的肤色区域分割出来,同时通过多区域手势提取算法,提取出待识别的手势,而后再按照手势分割及识别算法对手势进行识别。通过测试,该识别算法适用于不同环境下、不同大小的手势识别,具有较好的鲁棒性。     

基于OpenCV的多特征实时手势识别

基于视觉的手势识别是实现新一代人机交互的关键技术。从手势分割和手势表示两方面入手,提出了一种基于OpenCV的多特征实时手势识别方法。利用HSV颜色空间肤色分割算法分割出肤色区域,根据手势的几何特征分离出手势区域,然后运用凸包算法检测指尖,结合指尖个数、手指间角度特征和轮廓长宽比特征,建立决策树对本定义的12种不同手势进行分类。实验结果表明,本方法具有较好的鲁棒性、实时性好、识别率高。     

基于图像的手势识别技术的专利分析

随着图形交互界面技术的发展,手势识别技术的研究日益受到重视,成为界面输入技术的研究热点,但是识别率和易操作性仍是制约手势识别技术发展的重要因素之一.针对基于图像的手势识别技术,分析了该领域历年专利申请数量及专利产出国的分布情况,并对该领域的热点技术手势分割和手势匹配进行了分析,希望对该领域研究者有所帮助.     

基于MATLAB的静态手势识别系统设计

随着人工智能的快速发展,人机交互的方式备受关注.手势识别作为新的人机交互的输入方式,在很多领域得到了广泛的应用.该文设计的是基于MATLAB的静态手势识别系统.首先,利用MATLAB强大的图像处理功能将图像灰度化和二值化,然后对手势图像进行分割并提取特征,最后实现静态手势识别.经过多次验证,该系统具有较高识别率.     

基于自学习稀疏表示的动态手势识别方法

针对加速度传感器的手势采集方式提出一种基于自学习稀疏表示的动态手势识别方法。该方法将分类识别问题转化为求解待识别样本对于训练样本的稀疏表示问题,直接对原始加速度信号进行操作,省去了特征提取过程,可方便地添加新的手势类别和删除已有的手势类别;利用面向类别的字典学习,来寻求一个较小的并经过优化的超完备字典来计算待识别样本的稀疏表示,从而大大缩减算法的计算复杂度,满足实时性要求。在包含18种手势的3 000多个样本的公开数据集上进行测试,实验结果验证了该方法的有效性。