基于GLCM和Gabor纹理特征的手势识别算法

针对手势灰度图像的纹理特征富含手势类别信息的特点,提出一种基于融合GLCM(灰度共生矩阵)和Gabor小波变换提取手势图像空、频域纹理特征的手势识别方法。构建手势灰度图像的多方向共生矩阵,并计算多方向共生矩阵的特征参数来提取手势纹理的GLCM特征;通过手势灰度图像的Gabor小波变换来提取手势纹理的Gabor特征;对所提取的两种特征进行归一化处理后串联构建手势纹理特征向量;使用基于稀疏自动编码器和softmax分类器的深度堆栈自编码网络对构建的手势纹理特征向量进行分类识别。实验表明:该方法具有较高的识别率和较好的鲁棒性,对15种手势的平均识别率达到97.4%,能够满足人机交互对手势识别的要求。     

结合手势主方向和类-Hausdorff距离的手势识别

针对目前手势识别方法受手势旋转、平移、缩放的影响,导致手势识别率偏低的问题,提出一种基于手势主方向和类-Hausdorff距离模板匹配的手势识别方法.首先把分割后的手势图像进行标准化处理,并求出标准化图像中的手势主方向;然后根据手势主方向建立二维手势直角坐标系提取空间手势特征;再利用空间手势坐标点分布特征方法对手势进行初步识别;最后利用类-Hausdorff距离模板匹配的思想识别最终的手势.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地实现手势识别,总体识别率达到95%;对发生旋转的手势识别率能超过90%.     

基于机器视觉的火车驾驶员动态手势识别方法

为快速准确识别火车驾驶员动态手势,提出一种基于机器视觉的动态时间规整算法.采用Kinect视觉传感器提取手势深度信息,结合人体骨骼节点信息,通过选取合适的深度距离阈值将手势图像信息从背景中分离出来.基于支持向量机(SVM)算法对分割后的手势图像进行识别并对手势规范性进行评价.利用图像深度数据以及驾驶员骨骼数据得到手臂骨...     

基于Hu-GLCM的手势识别方法研究

针对手势识别过程中单一手势特征对手势描述的不足,提出了一种基于改进Hu矩和灰度共生矩阵GLCM的手势识别方法 Hu-GLCM。首先利用肤色模型对采集的图像分割出手势区域;其次采用数学形态学和多边形拟合的方法提取手势的单连通轮廓,利用改进Hu-GLCM算法提取手势的几何形状特征和纹理特征并建立模板数据库;最后通过扩展的Canberra距离对手势图像进行识别和分类。实验结果表明,该改进算法对7种手势的平均识别率达到95%以上,且计算速度快,能够满足实时性的需求。     

基于Euclidean距离的手势识别

提出了一种在距离空间内采用Euclidean距离计算的手势识别算法。手势图像经过边缘检测后,对边缘图像实施Eu-clidean距离变换（EDT）,在距离变换空间内计算距离映射图与样本之间的Euclidean距离。最后,对基于单目视觉的30个手指语字母手势进行识别,最好识别率达93.33%。     

基于特征包支持向量机的手势识别

针对类肤色信息或复杂背景的影响,难以通过手势分割得到精确手势轮廓而对后期手势识别率与实时交互的影响,提出了一种基于特征包支持向量机(BOF-SVM)的手势识别方法。采用SIFT算法提取手势图像局部不变性特征点,将手势局部特征向量(尺度不变特征变换(SIFT)描述子)进行K-means聚类生成视觉码书,并通过视觉码书量化每一幅手势图像的视觉码字集合,以此获得手势图像的固定维数的表征向量来训练支持向量机(SVM)多类分类器。该方法只需框定手势所在区域,无需精确地分割人手。实验表明,该方法对9种交互手势的平均识别率达到92.1%,并具有很好的鲁棒性及实时性,能适应环境的变化。     

基于Kinect和变形雅可比-傅里叶矩的手势识别

为了使人机交互变得更加自然,提出利用Kinect体感器获取手势深度图像;利用变形雅可比-傅里叶矩对手势图像进行特征提取;利用最小欧氏距离分类器进行建模、分类,实现手势识别.用Kinect体感器获取手部深度数据流,深度数据结合阈值分割法,可以有效地实现手势的分割.变形雅可比-傅里叶矩是一种不变矩,不变矩具有灰度、平移、旋转和尺度不变性,适合用于多畸变不变图像的特征提取.实验对5种手势进行了测试,平均识别率为95.2％,实验结果表明:该方法具有较高的识别率.     

基于深度信息的手势识别算法研究

针对在复杂背景中传统手势识别算法的识别率低问题,利用Kinect的深度摄像头获取深度图像,分割出手势区域后进行预处理;提取手势的几何特征,并提出深度信息的同心圆分布直方图特征,融合手势的几何特征和深度信息的同心圆分布直方图特征;学习训练随机森林分类器进行手势识别.文中通过在复杂背景条件下对常见的“石头”、“剪刀”、“布”3种手势进行测试,实验结果表明:文中所提方法具有很好的平移,旋转和缩放不变性,能适应复杂环境的变化.     

基于平均邻域最大化的手势识别方法研究

根据人机交互中手势控制系统的要求,提出一种基于平均邻域最大化(ANMM)算法的静态手势识别方法。将获得的二值化图像轮廓归一化到固定的解析度,构成多维向量,使用ANMM算法对同质相邻与异质相邻向量进行训练,计算出投影方向矩阵。将样本降维处理后,计算其在降维空间内与同质相邻和异质相邻向量的距离,判别样本所属分类。实验结果证明,该方法对静态手势的识别率可达90% 以上。     

基于普通红外摄像机的手势识别

手势识别技术作为最有前景的一种自然人机交互模式已经成功应用于一些领域。可靠的手势识别技术多依赖特定的硬件实现,而这种自然交互模式的普及需要自然环境下基于普通摄像机的通用手势识别技术。研究了在普通摄像机下对各种复杂背景、不同光照条件的静态手势的分割和识别技术。首先采用一种邻域变换算法,克服不同光照强度对分割的影响,然后提出一种求最小平均Hausdorff距离区域的算法,克服不同手势形状、方向、尺度等对分割的干扰。手势分割实验结果证明提出的算法可以在各种复杂背景及不同光照条件下分割出手势区域,正确率达到99.8%。最后改进了序贯最小优化算法训练二叉树结构的支持向量机多分类器,对实验采集的各种自然条件下九类手势图像的平均识别率超过80%,证明了算法用作普通摄像机下通用人机交互模式的可行性。     

面向互动电视的手势交互系统

针对用户与互动电视交互的需求,设计实现一种基于智能移动终端加速度传感器的手势交互系统。考虑到智能移动设备资源及计算能力有限的特点,采用简单高效的时域特征提取方法,对加速度信号进行平稳降噪、去冗余和归一化处理,并用SVM进行分类和识别。手势识别结果应用于基于Android平台的机顶盒原型系统,实现用户与电视的实时交互。实验结果表明该系统实现了电视常用手势的准确识别,识别率达到了96%,具有一定的实用价值。     

基于模糊神经网络的手势识别

本文通过对人手结构和手关节运动的分析,建立了手模型及其相应的数据结构。     

基于AE-CNN的手势识别算法

在手势识别的过程中,手势的多样性和复杂程度会对手势识别率造成很大的影响。随着深度学习的快速发展,卷积神经网络在手势识别领域取得了突破性进展。但基于卷积神经网络的方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。为了解决卷积神经网络在手势识别中存在的收敛速度慢、识别率低问题,提出一种AE-CNN的手势识别算法。实验结果表明,该算法收敛速度快、识别准确率高,并且没有明显增加识别过程的耗时性。     

基于视觉的动态手势识别概述

基于计算机视觉的动态手势识别是最直观、最自然的人机交互方式之一。简单回顾了手势识别技术的发展历程;从手势检测和分割、手势跟踪、特征提取和识别算法四个方面对动态手势进行阐述,梳理并归纳了几种代表性的算法,详细探讨了各算法的优缺点;介绍了动态手势识别的应用领域,并展望了今后的发展趋势。     

应用交叉覆盖算法实现静态手势识别

静态手势识别是实现人机交互的前提和基础,多数手势识别采用模板匹配或人工神经网络算法。基于交叉覆盖算法的手势识别,首先通过摄像头采集到的手势图像经过灰度变换、平滑、二值化等预处理,在训练阶段,用交叉覆盖算法对二值化手势图像进行训练以得到手势分类,最后在测试集上进行手势识别。实验结果表明,由于该算法避免了优化过程中所需的巨大运算量,且允许分类目标在一定范围内的动态变化,手势识别的准确率得到有效提高。     

基于Leap Motion传感器的自适应动态手势识别

基于视觉的手势识别是实现新型人机交互的一项关键技术,针对手势普适性与识别率问题,在改进隐马尔可夫模型学习机制的基础上提出一种新的基于Leap Motion传感器的自适应动态手势识别方法。该方法首先采用几何特征法识别静态手姿以确定动态手势起始点与结束点,然后基于角度对动态手势轨迹进行特征提取与分类,并引入修正的重估方法计算隐马尔可夫模型参数,最后在对非定义手势识别的基础上自动学习更新隐马尔可夫模型,以提高动态手势识别率,并最终实现对26个小写字母的动态手势识别。实验结果表明,所提出的动态手势识别方法具有良好的自适应性与精确性。     

基于BS-HMM和巴式距离的手势识别技术研究

开发一个基于深度图像的手势识别系统,将巴氏距离(Bhattacharyya distance)引入到贝叶斯感知隐马尔科夫模型(BS-HMM)中,称为BDBS-HMM。使用深度摄像机Kinect捕获深度序列图,通过骨架信息对手部位置进行跟踪,识别手部区域,得到手部分割图;从分割图像中提取4D曲面法线方向分布(HON4D)特征和方向梯度直方图(HOG)特征表示运动模式;将每k个连续的特征向量组合成一个序列分布变换所有训练特征向量,使用分布序列来对BDBS-HMM进行训练。该系统在使用MSRGesture3D数据库和自己建立的数据库的情况下,将BDBS-HMM与标准HMM和BS-HMM进行比较,实验结果表明了该系统的优越性。     

复杂背景下的手势分割与识别

目前在基于单目视觉的手势识别中,手势分割技术几乎都是基于简单的背景或者要求 手势者带有特殊颜色的手套,给人机交互增加了一定的限制.本文融合人手颜色信息和手势运 动信息,两次利用种子算法对复杂背景下的手势进行分割.根据分割出的手区域大大加速了运动 特征参数的提取,并结合手区域的形状特征,建立手势的时空表观模型.识别时,采用独立分布的 多状态高斯概率模型,进行时间规整.手势训练集和测试集的识别率分别为97.8%和95.6%.     

基于多特征融合的动态手势识别

针对目前动态手势识别计算复杂度较高以及对实验器材有相应要求的问题,提出基于多特征融合的动态手势识别.使用OpenPose得到手部关键点信息,建立手势模型,将坐标信息利用手部的结构关系进行处理,得到手部的角度和长度特征.将角度特征序列和长度特征序列进行融合,利用阈值设定过滤序列中的奇异点,使用FastDTW算法计算待测动态手势与手势模板库中的序列距离,得到预测手势动作类别.实验表明,该方法计算复杂度较低,识别速度快,选取的四种手势动作的识别准确率均在90％以上,有较好的识别效果.     

手势特征提取与图像分割的优化研究

手势识别的关键是手势分割。在现实应用中,手势图像因光照强度和复杂背景会存在不同程度的畸变,致使手势分割的精确程度降低以及分割消耗的时间增长。针对这一弊端,提出改进传统手势识别的思路。对手势进行主要特征点的提取,将多个先验图像减至单个先验图像,缩短了手势分割所需的时间;将YCBCR色度空间和粒子滤波跟踪算法相融合,更新参数阈值,优化边缘去噪。该方法将手势分割的准确度提升至96%以上,用时降至2ms以内,精准程度高,所耗时间短,在复杂环境下的识别效率高。