基于加速度传感器的智能手机动作识别系统的设计与实现

设计了一款基于加速度传感器的智能手机动作识别系统,根据动作识别,完成动作解锁、接听电话、查看短信等功能。通过测试,系统运行稳定,操作简单,具有良好的用户体验。     

基于三维加速度传感器的上肢动作识别系统

设计一种基于三维加速度传感器的上肢动作识别系统.该系统通过采集两个三维加速度传感器的加速度数据,对数据进行预处理、使用小波变换后得到特征向量,利用蚁群算法进行特征选择,最终由支持向量机进行动作类型分类.实验结果表明,该系统能快速地、有效地对动作信号进行分类判别.     

基于加速度传感器的人体行为识别系统的设计与实现

为了能够有效地提取人体行为特征,提出了一种基于加速度传感器的人体行为识别系统,主要识别站立、行走、跑步、上楼、下楼这5种人体行为。该系统通过提取标准差、偏度、峰度和相关系数等统计特征来实现多层分类。实验表明,该系统可以有效地对这5种人体行为进行识别。     

基于加速度传感器的乒乓球击球动作识别

针对人击打乒乓球时的动作特点,提出一种基于三维加速度信号的识别算法以识别不同类型的击球,例如:攻球、搓球和推挡.所用数据由绑定在手腕上的加速度传感器在乒乓球的训练过程中采集,利用固定阈值法对加速度信号的终始点进行判断,并提取信号的信号能量、手势长度等关键特征.识别过程分别采用K近邻和决策树算法.实验结果表明:针对乒乓球训练过程中的击球动作,可以快速有效地对动作信号进行分类识别.     

一种基于加速度特征的可拓动作识别的飞行控制系统的设计

手部动作识别是人机交互的一种新技术,具有广泛的应用价值.本项目以ARM7微处理器为核心,通过三轴加速度和陀螺仪传感器采集手部动作信息,利用一种识别算法,分析获知手部的动作和姿态.再根据不同的手部动作,向从机系统(四旋翼飞行器)发送相应的控制命令,从而实现了通过手部动作来灵活而无死角地控制飞行器的飞行姿态和飞行路径.     

基于Kinect的肩周炎康复训练动作识别系统研究

实现对肩周炎患者进行康复训练的三维体感视频的虚拟指导。通过Kinect摄像头对人的骨骼信息和环境的深度信息进行跟踪分析,再通过欧氏距离判断人的动作,利用模板匹配定位的方法对人体关键部位进行识别,从而来判断人的姿势是否标准。通过人机交互来实现一个虚拟的肩周炎康复训练的指导。     

基于深度学习的健身动作识别系统

随着全民健身热潮的兴起,越来越多的人积极参加健身锻炼,但由于缺乏科学的运动指导,使健身难以取得相应的效果.据我们所知,没有产品可以自动分析健身运动并提供指导.针对这个现象,设计了一个基于深度学习的健身动作识别系统,该系统由三个部分组成:提取运动边界、人体姿态估计和动作识别/评分.首先使用边界敏感网络来生成包含动作实例的...     

基于BP神经网络的手势识别系统

给出了采用ADXL335加速度传感器来采集五个手指和手背的加速度三轴信息,并通过ZigBee无线网络传输来提取手势特征量,同时利用BP神经网络算法进行误差分析来实现手势识别的设计方法。最后,通过Matlab验证,结果表明,该系统在测试中识别率较高,系统稳定。     

基于穿戴式加速度传感器的手势识别系统

采用ez430-chronos智能手表作为开发平台,利用其内置功能,读取手部运动产生的加速度数据,并将其传送至处理器。对目标手势采集一定量的数据,同时采集同样量的负样本—人手的自然动作,比较二者不同之处,确定目标手势的特征,并利用该特征识别目标手势。实验结果表明:该系统对目标手势有较高识别率,而对负样本有较高的误识别率,但可以通过设定更详细的识别特征进行改善。     

基于加速度特征的可拓动作识别方法

针对基于图像和视频的动作识别系统具有特征采集设备复杂、视角固定和需要采集多视角图像等缺点,提出基于加速度特征的可拓动作识别方法。该方法利用物体向不同方向运动时,其关键部位点的三轴加速度具有一定区分度的特点,结合可拓识别方法,实现动作识别。在构建的手臂动作识别系统中,测得动作识别率可达94.4%。该方法可应用于智能监控、医疗电子等领域。     

基于手势识别的机器人控制系统

研究了一种基于人体手势识别的机器人控制系统.首先,利用图像识别技术,通过YCr Cb皮肤颜色模型提取手掌并分析指尖和手心的相关信息;其次,利用帧差法对手掌运动趋势和简单的手势信息进行识别;最后,通过无线蓝牙串口将识别出来的手势信号发送给机器人,以达到手势控制机器人的目的.系统是在VS2010下利用Open CV计算机视觉库进行编译完成的,实现了通过简单的手势信息控制机器人的目的,从而摆脱了人机交互时必须依靠物理接触的限制.实验结果表明,该系统可以实现对机器人前进、后退、左转、右转、停止、加速的实时控制,对手势信息的识别率在90%以上.对进一步探索机器学习、自主识别等相关领域有着较高的参考价值.     

基于FPGA的实时手势识别系统

本文构建了一个基于FPGA的实时手势识别平台,并在该平台上实现了一种基于表面肌电(sEMG)信号和加速度(ACC)信号的手势识别算法。具体实现过程中,无线sEMG传感器和无线三轴ACC传感器穿戴于两手前臂实时获取sEMG信号和ACC信号,并以无线方式发送到数据处理模块。数据处理模块充分利用FPGA的并行处理优势,融合ACC和sEMG信息特征,实现了单双手手势的实时识别。经测试,本文所用的手势识别算法移植到FPGA中以后,识别速度明显提高,16个中国手语手势动作达到了95%以上的识别率。     

基于OPENCV的手势识别系统的设计与实现

人与计算机的交互技术是一种新型的计算机技术,且逐渐演变为一种主流技术和计算机领域的技术热点;为了能够更好地识别手势和跟踪手势的运动轨迹,提出了基于OPENCV的手势识别系统,系统引入了OPENCV计算机视觉库,OPENCV作为优秀的计算机视觉库,为设计的实现提供了便捷的代码,利用OPENCV技术中的图像处理算法,首现通过摄像头采集数据图像,并对采集到的图像进行一系列的缩放,去噪以及锐化等处理,然后对人体手势建立肤色模型,然后经过灰度阈值化来转换成二值图像,得到手轮廓的数据图像后,采用轮廓匹配方法识别出手型;最后通过10种基本的手势模型对比验证了本系统具有一定的实时性,并且识别率可以达到95％以上.     

一种基于MEMS惯性传感器的手势识别方法

随着手机等移动电子设备的发展,应用于嵌入式平台的基于MEMS惯性传感器的手势识别成为一个研究热点.提出了一种简单有效的手势识别方法:通过分析手势的运动学特征,在线实时提取手势的加速度和角速度信号特征量,截取手势信号段,利用决策树分类器进行预分类,根据手势信号的变化规律实时识别具体的手势.该方法在20位实验者中获得了96％的平均准确率,手势识别时间小于0.01s.实验结果表明该算法在嵌入式平台下能快速准确地识别手势,满足了实时人机交互的要求.     

基于视觉的手势识别技术

近年来计算机已经成为人们日常生活的一部分,人们与计算机的交互也日益成为科研领域的热点。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,而手势识别的研究也可促进手语识别的发展,从而消除健全人与聋哑人之间的交流障碍,使他们能获得健全人的正常生活,帮忙他们参加社会的各项活动。文中介绍了手势识别方法的发展、手势识别的技术难点,具体阐述了基于视觉的手势识别系统原理和组成,手势的建模以及在手势识别中常用的技术方法。     

基于视觉的动态手势识别研究综述

手势自古以来在人类交流方面扮演着非常重要的角色,而基于视觉的动态手势识别技术是利用计算机视觉、物联网感知等新兴技术和3D视觉传感器等新型设备让机器能够理解人类的手势,从而让人类能和机器更好地交流,因此对于人机交互等领域的研究很有意义。介绍了动态手势识别中所用到的传感器技术,并比较了相关传感器的技术参数。通过追踪近年来国内外关于视觉的动态手势识别技术,陈述了动态手势识别的处理流程：手势检测与分割、手势追踪、手势分类。通过对比各流程所涉及的方法,可以发现深度学习具有较强的容错性、高度并行性、抗干扰性等一系列优点,在手势识别领域取得了远高于传统学习算法的成就。最后分析了动态手势识别目前遇到的挑战和未来可能的发展方向。     

图像识别的静态手势识别与动态跟踪系统设计

本文研究了图像手势识别和增强现实技术,设计了可以进行静态手势识别和动态跟踪的系统,通过提前录入不同手势,利用皮肤颜色对图像进行OSTU自适应阈值划分,建立二值化图像,与已知的手势进行匹配,以得到手势结果.实验结果表明,准确率达到96.8％,识别速度达到0.55 s.动态跟踪利用检测每帧图像中手部的位置进行定位和捕捉,图...     

基于手势识别的视力检测系统的设计

This design realizes a vision detection system, which can detect human visual acuity through gesture recognition technology. The system includes several modules: acquisition, data storage and conversion, gesture recognition and output control. And the camera, memory, display and speaker are connected externally. The visual icon "E" is displayed on the display screen, and then people use gestures to indicate the direction of "E". After the camera captures the image, the system recognizes and judges the direction of gesture, and then compares the correct direction to detect the visual acuity of people. Because the system eliminates manual detection, it is convenient, accurate and it saves manpower. The system realizes dynamic gesture interaction, being interesting and easy to be popularized.     

基于AdaBoost的手势识别

手语是聋人使用的语言,是由手形动作辅之以表情姿势由符号构成的比较稳定的表达系统,是一种靠动作/视觉交际的语言。手语识别的研究目标是让机器看懂聋人的语言。手语识别和手语合成相结合,构成一个人-机手语翻译系统,便于聋人与周围环境的交流.手语识别问题是动态手势信号即手语信号的识别问题。将 AdaBoost 这一算法引入手势识别中,自行建立了实验用的小型手势图片库。在分类器训练前对训练用图像进行了较有效的预处理,缩短了 AdaBoost 算法的训练识别时间,提高了多层分类器的识别速度,最好测试结果其平均准确率可达到90%。     

基于手势识别的用户兴趣点发现的研究

手势识别除了为触屏智能设备提供人机交互,还可以成为一种新的用户信息收集方式,用以优化基于个人移动终端的购物推荐系统。文章在现有研究基础之上,讨论了手势识别数据用于收集用户兴趣点信息的可能性和有效性,并以智能手机为例,用两个小样本的实验进行验证,为进一步研究奠定了基础。