手势识别研究发展现状综述

随着人机交互及计算机视觉的发展,手势识别的研究也取得了较大发展。文中就手势识别研究发展现状展开综述。首先概括了手势识别的发展过程以及国内外研究现状。随后根据手势识别的一般流程介绍了几种常用的技术方法。对其进行了展望并做出了总结。     

光流场在动态手势识别技术中的应用

对于人机交互系统来说手势识别是其中一个较为关键的组成部分,它涉及了有关图像处理技术、模式识别技术、计算机视觉技术与人工智能技术等多种学科内容。它的研究目的是把手势更好的运用到人机接口当中去,这样可以实现更加自然与和谐的人机交互关系。想要进行手势识别操作,首先是要进行手势建模,而如果手势比较繁琐的话,就需要考虑手形的变化与手的运动轨迹这两种不同的变化特性。所以,想要利用直观的方式来构建手势模型是很难的。想要解决手势建模的问题,我们就必须要引入图像运动估计理论,这是建立手势模型动态场景分析所需要的理论基础,比较常见的方法是利用基于光流场来建立。文章主要介绍光流法在动态手势识别中的运用。     

基于计算机视觉技术的手势识别步骤与方法研究

计算机视觉技术在现代社会中获得了非常广泛的应用,加强对手势识别技术的研究有助于促进社会智能化的快速发展。目前,手势识别技术的实现需要完成图形预处理、手势检测以及场景划分以及手势识别3个步骤。此外,手势特征可以分为动态手势以及静态手势,在选用手势识别方法时要明确两者之间的区别,通常情况下选用的主要手势识别技术有运用模板匹配的方法、运用SVM的动态手势识别方法以及运用DTW的动态手势识别方法等。文章对此展开研究。     

基于视觉手势识别的研究—综述

手势是一种自然而直观的人际交流模式.基于视觉的手势识别是实现新一代人机交互所不可缺少的一项关键技术.然而,由于手势本身具有的多样性、多义性、以及时间和空间上的差异性等特点,加之人手是复杂变形体及视觉本身的不适定性,因此基于视觉的手势识别是一个极富挑战性的多学科交叉研究课题.本文从手势建模、手势分析和手势识别等三个方面综述了基于视觉手势识别的研究现状及其应用.     

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。     

基于手势识别的机顶盒遥控技术浅析

作为新一代实用人机交互方式,手势识别正受到人们越来越多的关注。本文首先介绍了当前手势识别技术的具体流程与发展情况。并基于目前手势识别对硬件需求的现状,探讨了将基于表观的实时手势识别技术应用于机顶盒等低速硬件设备的前景。     

基于时空特征的动态手势识别方法研究

手势识别研究一直是计算机视觉研究领域的研究热点.针对手势识别过程中易受光照变化、复杂环境影响导致识别率低的问题,提出一种基于手势动作坐标点的识别方法.该方法使用OpenPose提取手部关节坐标点,利用置信度概念选取手势关键帧,使用XGBoost算法进行分类识别.实验部分分别使用静态手势数据集Microsoft Kine...     

基于OpenCV的实时手势识别算法研究

文中介绍了一种易于实现的快速实时手势识别算法。研究借助计算机视觉库OpenCV和微软Visual Studio 2008搭建开发平台,通过视频方式实时提取人的手势信息,进而经二值化、膨胀腐蚀、轮廓提取、区域分割等图像处理流程甄别出当前手势中张开的手指,识别手势特征,提取出人手所包含的特定信息,并最终将手势信息作为控制仪器设备的操作指令,控制相关设备仪器。     

融合Inception-LSTM级联网络下的动态手势识别

目前基于视觉的动态手势识别问题仍是研究的难点,在大多数应用背景情况下很难提高手势识别率.传统的动态手势识别手段主要是利用智能传感设备以及单个或多个摄像头进行数据采集的视觉方法来实现,效率低,准确度差.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.本文针对传统动态手势...     

基于AdaBoost算法和光流匹配的实时手势识别

着眼于更宽泛和更便捷的应用需要,提出了基于AdaBoost算法和光流匹配的实时手势识别方案.只需连接到计算机的摄像头读取二维手势视频片段就能对手势作为较为准确的识别.其中,采用AdaBoost算法遍历图像,完成静态手势的识别工作;在动态手势的识别过程中,运用了光流法结合模板匹配的方法.整个系统对静态和动态手势的识别均具有较强的鲁棒性.     

基于手势识别的3D人机交互系统

随着计算机视觉技术的发展,人与计算机的信息交互也是必不可少的一部分。因新冠病毒的传播,“隔空”操作的方式得到多元化发展。该系统通过单目摄像头捕捉手部位置信息,基于MediaPipe框架构建手部模型并完成手势识别功能,达到“隔空”操控鼠标的效果,此外为展示更真实,该系统基于Unity软件实现实时的手部3D效果展示。该系统手势识别效率较高,达到了良好的性能及视觉效果。     

CNN联合BI-LSTM混合模型的手势识别算法

基于视觉的手势识别是人机交互的热点.针对手势图像易受环境影响造成部分图像缺失,进而导致手势识别精度难以提升的问题,提出了一种基于静态手势图片数据的卷积神经网络(CNN)联合双向长短时记忆循环神经网络(Bi-LSTM)的混合模型.通过随机擦除算法处理手势数据集,可以充分模拟手势缺失问题,首先利用CNN提取手势的空间特征,...     

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FPGA的课堂交互手势识别系统

手势是一种自然而直观的人际交流模式,基于视觉的手势识别是实现新一代人机交互所不可缺少的关键技术。文中主要围绕手势识别展开,结合了手势识别和幻灯片系统的控制,定义了4种动态手势。通过抓捕手势移动质心,恰好避开了手势复杂多变这一缺点。以FPGA作为主要的运行平台,结合Matlab的仿真,最终实现方便快捷的课堂交互的手势识别系统。     

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.     

基于图像处理的智能家居系统设计

人脸和手势识别是人工智能技术的一种，通过采集人脸和手势的图像信息，对图像信息进行扫描识别。近年来，随着信息技术快速发展，智能家居应用成为研究的热点。通过采用OpenCV计算机视觉库和LBP-HOG算法搭建具有人脸识别、手势识别、邮箱远程异常提醒等功能的智能家居系统。该系统通过摄像头对图像进行人脸识别判断，通过简单邮件传输协议（Simple Mail Transfer Protocol,SMTP）实现远程异常提醒功能。在此基础上，增加手势识别功能，实现多功能的智能家居应用。实验结果表明，所设计系统的人脸识别准确率达98%以上，手势识别准确率达90%以上，具有广阔的应用前景。     

基于深度学习的视觉手势估计综述

基于深度学习的视觉手势估计一直是计算机视觉领域的重点研究课题之一,随着深度学习和神经网络相关研究取得了巨大进步,针对手势估计中的高自由度、肤色、环境干扰、遮挡等问题已经远远优于传统方法。基于深度学习的三维手势估计主要是通过构建神经网络,对图像特征进行抽象化分析和理解,从而预测出手指关键点的三维坐标以及角度等信息,进而构建出手掌模型。准确的三维手势估计可以快速推动AR/VR行业的发展,因为沉浸与交互是AR/VR的关键要素,通过视觉手势交互可以为用户提供更方便、快捷、逼真的AR/VR互动体验。本文首先对当前手势估计方案进行阐述,了解到手势估计各方案的优缺点,然后介绍了基于深度学习的手势估计方法、相关数据集和评价指标,最后根据各研究结果,对当前三维手势估计所面临的挑战以及未来发展进行阐述。     

基于视觉的手势识别算法及应用的研究

随着计算机快速的发展以及广泛的应用,人机交互技术已成为人们日常生活中不可或缺的部分,而手势识别则顺应了发展需要.原始手势图像需要做一些预处理操作才能更好的进行下一步操作分析.本文主要针对基于视觉的手势图像,设计了 Alex CNN卷积神经网络模型,研究了图像与处理算法,包括数据增广、肤色提取、形态学处理等操作,对所设计的神经网络模型准确率进行测试.结果表明用经过图像预处理后的图像所训练得到的模型准确率相比用原始图像进行训练所得到的模型准确率大为提升.     

基于特征选择的Android终端手势控制算法

随着信息化和人工智能技术的迅猛发展,手势识别和控制技术已经引起了越来越多的关注。人工智能领域通常会将该技术应用到Android终端,实现电视机的手势换台、手势音量调节、手机的开关机、开锁屏等人机交互功能。文章介绍一种基于特征选择谱聚类的Android终端手势识别算法,通过预制手势图像库,终端摄像头采集手势图像并加以预处理,然后基于谱聚类的图像分割与识别获取手势信息,并指挥电视机执行用户手势信息,可准确、高效、便捷地实现Android终端手势控制功能。     

基于特征融合的手势识别

在手势识别的过程中,手势的多样性和复杂性会对识别的可靠性和准确性带来较大影响.基于视觉的手势识别通常采取单一特征用于手势分类,但是单一特征无法较好地描述整个图像.因此本文提出多种特征融合的方法,分别提取改进后的梯度方向直方图(HOG)特征和MB-LBP特征,并进行特征融合,结合支持向量机(SVM)分类器完成手势图像的识别.实验结果表明,提取的融合特征包含手势图像的局部区域梯度信息和图像的纹理信息,可以更加全面地描述图像的手势特征.相较于单一特征识别方法而言,基于特征融合的方法有着更高的识别率.