电容传感器非接触式手势识别系统

为了实现基于电容传感器的手势识别,设计了具有4路输出信号的电容传感器,研究了电容—数字转换器FDC2214的工作原理,基于电容传感器、电容-数字转换器FDC2214和单片机ATmega2560设计了手势识别系统,并给出了手势识别的阈值算法。经过对8种静态手势的测试,结果表明,系统能够实现非接触式测量,极板间距为3 cm时,可在60 s内完成一种手势的数据记录,手势判定时,对8种手势多次识别测试,识别准确率高于95%,识别时间均小于1 s。     

基于ICA的人机交互手势的识别

通过对独立分量分析(ICA)理论的研究以及对人机交互手势特征的分析，提出了一种基于ICA的静态手势特征提取与识别的方法。用ICA方法分别提取各类静态手势图像的独立分量特征(ICF)，构成手势图像的独立基函数空间，对手势图像采用独立分量的最小二乘意义下的表示，结合系统的判别阈值实现对手势的分类识别。系统采用4类手势，共计80幅图像，对方法的有效性进行了检测。实验结果表明，这一方法不仅可行，而且能够获得满意的识别结果。     

基于RBF网络的手势识别装置设计

针对已有手势识别系统准确度不高和响应速度慢的问题,设计了一款基于RBF网络的手势识别装置。该装置以STM32单片机为控制中心,使用电容传感器FDC2214进行容值数据采集;利用RBF网络对样本数据进行训练并抽取权值,将权值带入程序,输入乘权值得到输出,实现装置对手势的预测;按键实现装置判决模式与训练模式的切换;最终由TFTLCD显示容值数据和手势结果。实验测试表明:手势识别装置能够对任意测试人员进行多种手势的识别,并达到平均96. 25%的识别准确率和平均0. 6735s的系统响应速度,从而验证了本装置的有效性。     

基于改进去伪匹配SURF算法的静态手语字母识别

针对SURF(Speeded-Up Robust Features)特征点不稳定性导致的伪匹配问题以及距离特征判别兴趣点真伪的方法未考虑到图像尺度变化情况的匹配问题,本文结合深度图像提出一种改进的去伪匹配SURF算法用于静态手语识别。改进的去伪匹配算法采用手势轮廓面积加权的距离特征判别法,同时,采用角度特征判别法综合剔除错误匹配点。实验表明,手势轮廓面积对距离的加权有效解决尺度变化对匹配点去伪的影响,且本方法对光照、复杂背景、角度和尺度变化有较强鲁棒性,具有更高的识别率。     

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。     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

基于多项式拟合的电容式传感器手势识别系统

手势识别在人机交互方面具有重要的应用价值,但是传统设计方案中对用户的手势信息采集繁琐且设备昂贵。因此,设计了一款基于多项式拟合的电容式传感器手势识别系统,系统采用FDC2214传感器读取数据代入到拟合好的多项式函数中?进而判别不同的手势,并利用无线通信模块将判别结果发送给PC监测终端,介绍了该系统的软硬件及算法设计,并给出 了实验测试结果。结果表明:结合该算法的手势识别系统手势学习总时间为1.09ｓ,每个手势识别时间为0.62ｓ,准确率为97.41%,具有灵敏度高、准确性好,抗干扰性强的优点。     

一种基于损失电压分析的开关电容功率转换器静态模型

介绍了一种适用于多相交错开关电容功率转换器的静态模型。分析了电容与电容之间的电荷传递行为,将开关电容功率转换器中的电荷再分配损耗和开关导通损耗等价地描述为电荷传递子过程的电压损失。该模型可以简便、准确地描述任意开关频率下开关电容功率转换器的等效输出电阻。同时,运用了一种新的“比例电流近似”方法,建立了带电流负载时的电荷传递模型,用以描述和分析负载和输出去耦电容对电容功率转换器静态特性的影响。相比于传统模型,提出的模型在中等开关频率下能准确地描述开关电容功率转换器的静态特性,同时能准确地描述多相交错控制中开关电容功率转换器的输出电压纹波。     

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.     

动与静目标双重检测的手势检测方案及硬件设计

基于超声波的手势识别系统中引入手势检测方案一方面可以在无手势的时候不执行高复杂度的识别运算，有效地降低功耗；另一方面还可以分割出有效时间片段，提高手势识别的精度。为提升手势识别系统的性能，提出了一种手势检测方案并且以硬件实现了相应功能。采用动目标与静目标双重检测以及杂波图技术，提供手势识别系统在低功耗的检测模式以及高精度运算的识别模式间切换的条件，实现对环境静态杂波的跟踪和滤除，同时解决了传统单纯动目标检测在连续手势操作时存在的漏检问题。本方案由检测模式向识别模式切换的漏警率为0,识别模式向检测模式切换的虚警率为2%,模式切换的响应时间为733.47 ns。     

可穿戴式人体姿态识别系统研究进展

随着科技发展,基于可穿戴式传感器的研究逐渐得到重视,显现出功耗低、可携带性好、成本造价低、使用场景不受限制等独特优势。其中重要的一项应用是人体姿态识别,人体姿态识别过程主要分为人体运动信息采集、数据预处理、姿态角求解、模式识别特征的提取与识别。本文介绍了人体姿态识别技术的研究进程,总结了目前常用的传感器,最后对未来人体姿态识别技术发展进行展望。     

基于FMCW雷达的多维参数手势识别算法

该文提出一种基于调频连续波(FMCW)雷达多维参数的卷积神经网络手势识别方法。通过对雷达信号进行时频分析,估计手势目标的距离、多普勒和角度参数,构建出手势动作的多维参数数据集。同时,为了进行手势特征提取和精确分类,提出多分支网络结构和高维特征融合的方案,设计出具有端到端结构的RDA-T多维参数卷积神经网络。实验结果表明,结合手势动作的距离、多普勒和角度信息进行多维参数学习,所提方法有效解决了单维参数手势识别方法中手势描述信息量低的问题,且手势识别准确率相较于单参数方法提高了5%～8%。     

基于方向直方图矢量的手势识别

本文介绍了一种用于手势识别的新方法——图像的局部方向直方图矢量（OHV），利用图像的OHV作为手势的特征向量来进行手势的分类和识别。该方法时于光线和手势平移变化不敏感，具有较强的鲁棒性。在进行特征矢量匹配时，本文使用欧氏距离作为矢量闻匹配程度的度量算法。实验结果表明谊方法具有很高的识别率，并且简单，快速，可以用于实时的手势识别系统中。     

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.     

基于多特征融合与支持向量机的手势识别

针对手势识别中人的手部特征描述易受到环境因素影响,手势识别率低等问题,并考虑到单个特征的局限性,提出了一种基于Hu矩和HOG特征融合的支持向量机手势识别新方法。该方法首先对处理后的手势图像提取局部的HOG特征,然后针对手势的轮廓提取全局Hu矩特征,再将两种特征融合成混合特征,并通过主成分分析法对混合特征进行降维形成最终分类特征,并将新特征输入到支持向量机中进行识别。实验表明,该方法具有较好的鲁棒性和较高的识别率。     

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...     

A two-electrode frequency-scan system for gesture recognition

In this paper, we proposed a novel two-electrode, frequency-scan gesture recognition system based on bio-impedance measurement. This method not only achieves a high accuracy in recognizing common gestures and pinch gestures, but also reduces the measurement complexity and the number of electrodes. We developed a bespoke circuit with two medical electrodes to collect data from the back of the hand and presented a frequency-scan method to increase the diversity of impedance data. Feature extraction method was adapted to explore the representative features for gesture recognition, and machine learning classification models with five-fold cross-validation were used to train and realize accurate gesture recognition. To verify the effectiveness of this system, we designed two groups of nine gestures in a hand-gesture recognition experiment. The results showed that the system achieved a recognition accuracy of 98.3% with a group of four common gestures and an accuracy of 98.5% with a group of six pinch gestures. The proposed method realized a higher accuracy in pinch gesture set while using fewer electrodes. Additionally, we designed two real-time proof-of-concept interactive scenarios to demonstrate the general applications of this system.     

基于Kinect传感器的家电手势控制应用研究

为提高智能家电的人机交互性,研究实现了一种基于Kinect传感器的手势识别系统,用户通过该系统可手势控制电视的多种操作功能。对常见的三种动态手势识别算法进行分析对比后,结合应用需求,重点研究了动态手势识别DTW算法。基于Kinect for windows SDK获取的手势深度图像和骨骼图像数据,采用DTW算法进行识别,最后给出了程序实现。实验表明,该方法可实现多种电视控制功能,而且具有较好的实时性和准确性。