基于Kinect传感器的近场手势识别追踪系统的实现

利用Kinect深度传感器所获取的图像深度信息实现手部从背景中的分割,并通过零均值离散高斯滤波、二值化、取最小外包矩形、欧式距离变换等一系列过程对手势目标进行识别,最后把得到的识别结果显示在电脑上,实现实时追踪。该系统相较其它类似系统具有算法简单,实时性好,实现成本低等特点。     

基于Kinect的动态孤立手势识别研究北大核心CSCD

当前方法对动态孤立手势的识别,过程复杂、成本高,动态手势的移动轨迹易受到外界环境的干扰、识别准确率低.提出了基于Kinect的动态孤立手势识别方法,利用Kinect传感器获取动态手势信息,对人体手部进行实时、准确的定位跟踪,并对手部图像进行平滑去噪处理,提取动态手势轨迹的特征;引入隐马尔可夫模型(HMM)对动态孤立手势及手部运动轨迹的样本集进行有效训练,最终实现动态孤立手势的精确识别.实验证明提出的方法在噪声干扰和光线缺失的环境下,对动态孤立手势仍具有较高的识别率,鲁棒性强.     

基于深度图像和稀疏表示的多手势识别算法

针对复杂环境下多目标手势区域分割难度较大、识别率较低的问题,提出一种基于深度图像和稀疏表示的多手势识别算法。该算法采用肤色和深度图像分割相结合的方式对图像中出现的多手势进行精确分割,再对分割后的手势图像进行归一化处理,最后通过稀疏表示的方法实现手势识别。实验结果表明,该算法识别率较高、鲁棒性较好,具有良好的识别性能。     

一种基于方向直方图的嵌入式手势识别系统

将手势识别算法在DSP嵌入式系统上实现,并将算法进行改进使其能适合嵌入式系统的特点,采用改进的边缘像素直方图的方法实现手势识别,最终用Bhattacharyya距离匹配模版,识别手势含义。该方法在嵌入式系统上实现,有实际应用的价值,并对前景的平移和尺寸变化不敏感。算法简单快速,稳健性好,有应用前景。     

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Kinect深度图像的指尖识别及手势判定

在基于微软Kinect体感设备开发的交互应用系统中,使用传统的鼠标、键盘等交互设备难以达到理想的效果。针对这种情况,提出一种基于指尖识别的手势判定方法。采用Kinect传感器获取图像的深度信息,通过OpenNI的内置模块获取手心的位置信息,使用最近邻法实现手部的分割并对手形进行提取;并采用射线求交法优化Graham Scan算法获取凸包点集合,利用轮廓分析法从凸包点中识别出指尖。在此基础上,结合指尖数目和面积比例实现对“抓取”手势的判定。实验结果表明,该方法能有效地识别抓取动作的手势,且具有良好的鲁棒性。     

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。     

基于多边形凹凸点检测的远距离手势识别

手势识别是一种自然、直观的人机交互手段。文章提出了一种远距离手势识别算法。首先,对输入的手势序列图像进行双边滤波预处理;其次,运用肤色模型的方法对手势进行分割,获取手势区域;在识别阶段,文章提出一种基于多边形凹凸点检测的手势识别方法,识别分割出来的手势。实验结果表明该方法能够在较远距离下有效地识别多种手势,并且具有较好的实时性。     

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。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂。该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法。首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构。最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度。实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0%以上,高于现有基于数据谱图的手势分类方法。     

基于Kinect的空中手势跟踪识别的研究与实现

本文以肢体语言中的手势为出发点,利用微软的Kinect体感设备,采集RGB彩色图像和深度图像,研究并提出一套手势跟踪识别的设计思路与实现方法。首先,利用Kinect所获取的色彩及深度信息,建立人体骨骼图从而更方便地定位手部位置并获取手部轮廓。其次,从HSI彩色空间对手部的深度图像进行二值化,并进行腐蚀、细化处理,去除手掌掌心部分。最后,通过对手指的计数定义相应操作。经实验测试,该系统具有对手势的识别功能,可以达到用空中手势动作进行人机交互的目的。     

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。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构.最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度.实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0％以上,高于现有基于数据谱图的手势分类方法.     

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。     

基于改进AlexNet的双模态握笔手势识别

本文提出了一种基于改进AlexNet的双模态握笔手势识别方法.该方法根据握笔手势特征自建了 8 100张握笔手势数据集,对数据集进行了手势分割获取二值图像、骨架提取获取包含原图的骨架图像等处理,并将处理后的2种类型图像构成双模态图像输入至改进的AlexNet中.针对AlexNet提取握笔手势特征不充分的问题,本文将AlexNet第一层的卷积核大小修改为3×3,并在卷积层之后添加了批量归一化、注意力机制.通过实验证明,该方法对9种握笔手势的平均识别率达到75.6％,分别高于骨架图像、分割图像、AlexNet网络11％、16％和13％,证明了该模型对握笔手势识别的有效性.     

基于深度卷积神经网络的手势识别

在手势识别的过程中,手势变化的多样性和手势本身的复杂性会对手势识别的精确性和可靠性带来很大的影响。为了能够实现高准确率的手势识别,文章提出了一种基于深度卷积神经网络(CNN, Convolutional neural network)的手势识别方法。该方法针对22个英文字母(排除了G、S、J和Z)实现静态手势识别,首先选用合适的手势数据集,通过使用Keras(神经网络的高级API)实现卷积神经网络,最终获得较高的识别率,可以达到97%。实验表明,该方法可实现背景单一手势图像的精确识别。     

手势识别中的图像预处理技术研究

在手势识别过程中,当获取到的手势信息转换成可用计算机处理的数字图像时,手势图像在生成,传输或变换过程中会受到各种因素的干扰和影响,手势图像的画质将会因噪声而在不同程度上出现畸变,因此需要先对图像进行预处理。图像预处理的过程包括图像平滑和图像二值化,本文分别对多种平滑技术和二值化方法进行了研究和实验对比,为手势识别过程中的手势分割和特征提取提供了有效的数据样本。     

多种手势对应同一语义的柔性映射交互算法的研究

针对智能交互界面中手势识别错误导致交互界面变化错误和手势不识别两个基本问题,本文设计并实现了基于手势交互的智能教学界面,该系统可以通过获取教师的手势信息与教师进行交互.主要创新点在于提出了多种手势对应同一语义的柔性映射交互算法.本文选取了14种自然交互手势,分析了对应同一语义的多种手势之间的共同特征.实验结果显示,该算法能够有效降低用户负荷.该算法已经用于一个基于手势交互的智能教学系统界面中.     

基于计算机视觉的手势识别技术综述

随着计算机性能的逐步提高和图像处理技术的不断发展,基于计算机视觉的手势识别技术成为研究热点。本文介绍了手势识别的主要分类,并详细介绍了基于视觉的手势识别技术的工作原理和工作流程。阐述了手势分割、特征提取和手势识别的技术方法。