一种简单实用的草图编辑手势识别方法

联机草绘设计作为一种自然、高效的人机交互方式，继承了传统纸笔草绘设计的优点，弥补了现有CAD软件在处理模糊、不精确信息方面的不足，并日益受到人们的关注。针对联机草绘图形的编辑修改，设计出一套简单、快捷的编辑手势．并采用模式匹配的方法对其进行识别。实验结果表明，提出的方法具有较高的识别效果，加快了概念草图的设计过程。     

一种基于FSMM的手势识别方法

结合汉语手语中手势的特点，采用人手的三维空间位置信息作为观测向量，将模糊理论与HMM理论相结合，提出了一种基于FSMM的中国手语手势识别方法。利用观测向量对于各状态的隶属度对Baum-Welch算法进行了改进，实现了FSMM学习递推算法和识别算法。通过实验，证实了该方法的有效性。     

一种简单的人机交互手势识别算法

提出了一种简单的人机交互中的手势识别算法,该算法基于模仿人眼的双摄像头,根据双摄像头获取的视频流,通过该算法即可识别出运动手势的十个运动方向.算法所需内存空间小,运行速度快,可以作为一个很好的功能模块嵌入在其他的人机交互系统中.     

一种时空多尺度适应的手势识别方法研究

手势交互作为一种自然便捷的交互方式,在智能家居和智能交通等领域具有日益广泛的应用前景。由于手势行为发生的速度、空间约束和用户差异的影响,同一语义手势表现出具有不同时间和空间尺度的多形态特征,这给保障手势识别的准确率带来了挑战。提出了一种基于动态时间规整DTW(Dynamic Time Warping)方法的时空多尺度手势识别方法SDTW(Spatial-Temporal Dynamic Time Warping),该方法通过对空间形态数据进行分箱操作来达到适应一定程度空间尺度变化的能力。因此,SDTW方法不仅具备DTW方法的时间尺度适应性,而且扩展了空间尺度适应性。文中实现了一个基于智能手机加速度传感设备的SDTW手势识别原型系统。实验测试验证了所提方法能够有效提升手势识别的准确率。     

一种基于加速度特征提取的手势识别方法

随着智能手机等移动电子设备的发展,基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。由于准确率及实时性的限制,目前的手势识别方法仍不足以推向实用。针对这一问题,提出了一种简单有效的手势识别方法:在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别,通过提取反映各类手势运动学特征的加速度特征量,利用决策树分类器对手势进行预分类,然后根据各类手势的加速度变化规律识别具体的手势;同时通过严格的特征量阈值,有效地去除了无意识的误动作。该方法在15位实验者中获得了95.2%的平均准确率,识别时间小于0.01 s,对基于MEMS加速度传感器的手势识别研究具有一定参考价值。     

一种复合型手势识别方法研究

针对已有卷积神经网络在手势识别过程中精度不高的问题,提出了一种双通道卷积神经网络的特征融合与动态衰减学习率相结合的复合型手势识别方法.通过两个相互独立的通道进行手势图像的特征提取,首先使用SENet(Squeeze-and-Excitation Networks)构成的第一通道提取全局特征,然后使用RBNet(Resi...     

支持向量机及其在草图编辑手势识别中的应用

支持向量机（SVM）是一种基于统计学习理论的机器学习与模式识别方法。它通过结构风险最小化准则和核函数方法．较好地解决了小样本、非线性及高维模式识别问题。本文主要从联机手绘草图编辑的角度出发，谈谈支持向量机在草绘手势笔划识别中的具体应用。     

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.     

一个简单高效的动态手势识别方法

文章首先给出了基于角度的动力学模型及其特征值,并提出了基于SCG神经网络的静态特征值识别算法和基于模板匹配的动态特征值识别算法。使用该文提出的动态时间规整算法和手势分割算法建立的动态手势识别系统,实践证明具有较好的实时性和识别率。     

一种基于嵌入式系统实时交互的手势识别方法*

提出了一种在单摄像头条件下基于嵌入式系统的手势识别方法。通过拟合手势图的外接多边形,找出其所对应的手势缺陷图,并建立手势与手势缺陷图的一一映射,利用手势缺陷图的特征来匹配和识别不同的手势。算法还将手势的跟踪与识别有机地统一起来,通过预测下一帧中手势出现的粗略位置大大降低识别步骤的计算量。该算法在实际应用的嵌入式平台下,能快速、准确地实现手势的识别,能够满足实时人机交互的要求。     

利用轨迹模板匹配方法的实时动态手势识别

利用混合高斯模型进行运动检测,分割出运动前景,采用粒子滤波器结合皮肤椭圆模型进行手势跟踪,获得手势中心点运动轨迹,在此基础上提出利用轨迹模板匹配方法进行动态手势识别.该方法利用基本的几何和三角函数就能完成手势运动轨迹的定义和识别,不需要选择特征或训练样本.实验结果表明,该算法能够实现实时动态手势识别.     

基于加速度传感器的可扩展手势识别

为了提高基于加速度传感器的动态手势识别算法的性能,并且增强系统的可扩展性,提出了一种有效结合机器学习模型与模板匹配的方法.将手势分为基本手势和复杂手势两大类,其中复杂手势可分割为基本手势组成的序列;根据手势运动的特点提取有效的特征量,并利用基本手势样本训练随机森林模型,然后用其对基本手势序列进行分类预测;将预测结果进行约翰逊编码,再与标准模板序列进行相似度匹配.实验结果表明,该方法获得了99.75%的基本手势识别率以及100%的复杂手势识别率.算法既保证了手势识别的精度,也提高了系统的可扩展性.     

Gesture Recognition Summarization

Gesture recognition is an important research in the field of human-computer interaction. Hand Gestures are strong variable and flexible, so the gesture recognition has always been an important challenge for the researchers. In this paper, we first outlined the development of gestures recognition, and different classification of gestures based on different purposes. Then we respectively introduced common methods used in the process of gesture segmentation, feature extraction and recognition. Finally, the gesture recognition was summarized and the studying prospects were given.     

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.     

Gesture Recognition: The Gesture Segmentation Problem

The gesture segmentation problem is introduced as the first step towards visual gesture recognition i.e. with the detection, analysis and recognition of gestures from sequences of real images. Our gesture segmentation scheme is composed of two steps: accurate gesture contour tracking in space domain, and continuous tracking in time domain. Experimental results and implementations issues are presented.     

基于Haar小波分解的实时手势识别

传统基于样例的识别方法由于数据量大而难以应用于实时手势识别。为此,利用Haar小波可用于分解图像,保留细节部分而丢弃高频部分的特点,将视频序列中每一帧的图像尺寸降到不影响系统准确率的程度,同时降低识别过程的计算量。采用单摄像头在一个36个元素的美国手语手势集上进行实验,结果证明系统的有效识别速率可以提高到30 f/s且准确率几乎未变,可以满足实时性需求。     

基于模式匹配的自然语言识别

在自然语言识别过程中,为了提高识别的准确性,我们引入了模式匹配。不仅仅局限于传统的语法-语义分析,而是在语法分析的基础上,结合工程应用来定义最适合自然语言识别的语言模式,然后把模式存入到知识库当中。当需要对自然语言识别时,根据已有模式来匹配句子,从中检索出所需要的信息。文章完整地阐述了这种基于模式匹配的自然语言识别的全过程,并对模式的定义、分析及提取给出了详尽的剖析。最后以一个实验系统证明了此方法的可行性和准确性。     

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。