首页 | 官方网站   微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 140 毫秒
1.
手势识别是人机交互中的重要组成部分,文章针对基于光流PCA(主分量分析)和DTW(动态时间规整)进行命令手势识别。利用块相关算法计算光流,并通过主分量分析得到降维的投影系数,以及手掌区域的质心作为混合特征向量。针对该混合特征向量定义了新的加权距离测度,并用DTW对手势进行匹配。针对9个手势训练和识别,识别率达到92%。  相似文献   

2.
针对目前室内移动机器人手势指令识别系统存在的问题,对图像传感器与机器人相分离的图像采集方案进行了研究,并利用动态手势指令对机器人进行控制。动态手势指令识别方法是对手的不同运动轨迹进行识别,通过皮肤颜色模型和手势中心点方向向量法追踪得到手势运动轨迹,提取手势运动轨迹的特征向量,通过基于动态时间规整(DTW)实现对轨迹的识别。实验结果表明,该系统可以实现对机器人前进、后退、左转、右转的实时控制。  相似文献   

3.
针对当前手势控制技术中手势数据的不稳定性,研究了一种基于RFID反向散射通信的机器人手势控制系统.首先,通过对数据进行加窗处理来解决标签反射信号在时域上的不连续性,并利用相对熵的思想提取相位流中动态手势的指纹特征分段;其次,利用动态时间规整(Dynamic Time Warping,DTW)算法计算当前分段与先验手势指纹库中各一维分量的匹配程度,并在此基础上结合k邻近算法实现手势分类;最后通过蓝牙设备与机器人进行串口通信,实现人机交互应用.实验结果显示该系统可以对机器人进行前进、后退、向左、向右、顺时针旋转、停止的实时控制,机器人对手势指令的正确反馈率高于84%,证明系统在真实环境下具有良好的可行性和鲁棒性.  相似文献   

4.
黄振翔  彭波  吴娟 《计算机工程》2014,(5):216-218,223
在动态手势识别领域,动态时间规整(DTW)算法在消除不同时空表示模式之间的时间差异方面具有优势,但作为一种模板匹配算法,受限于样本库的容量大小并且缺乏统计模型框架训练,其识别效果和稳定性较差,尤其在大数据量、复杂手势和组合手势的情况下。针对上述不足,提出一种基于DTW和混合判别特征检测器(CFDF)的手势识别算法。利用DTW只对手势信号在时域进行规整,通过CFDF将手势特征的概率分布转换成二值的分段线性函数,根据允许的偏差范围分别做归0或归1处理后,再进行二次分类。实验结果表明,该算法通过舍弃无辨识度特征有效地降低了维度和噪声,手势平均识别率可达91.2%,比单独采用DTW的识别算法提高了6.0%。  相似文献   

5.
针对动态手势跟踪稳定性的不足和识别效率的问题, 提出一种基于TLD和DTW的动态手势跟踪识别框架. 首先利用基于Haar特征的静态手势分类器获得手势区域, 然后使用TLD跟踪算法对获得的手势区域进行跟踪以获取手势轨迹, 最后提取轨迹特征, 使用改进的DTW算法进行识别. 实验表明, 该框架能够长时间稳定地跟踪手势区域, 并能够在保证识别率的基础上显著提高识别效率.  相似文献   

6.
基于动态时间规整的手势加速度信号识别   总被引:1,自引:0,他引:1  
为了提高基于加速度传感器的动态手势识别算法的性能,本文采用了动态时间规整(DTW)识别算法。通过该算法计算测试模板和参考模板的相似度,从而得出识别结果。为了验证该方法,建立了一套手势加速度无线采集系统,并采集了41个志愿者的手势信息。实验结果表明,该方法手势平均识别率在97%以上。与HMM识别算法相比,DTW识别算法在识别的准确率上比HMM识别算法更具优势。  相似文献   

7.
《电子技术应用》2016,(7):83-86
设计了一套智能仿生双向手语翻译系统,该系统主要由STM32微处理器、LD3320非特定语音识别模块、SYN6288语音合成芯片等组成,能够实现语音与手势的双向翻译。其中语音转手势部分可通过语音识别模块获得指令,手语机器人根据指令完成语音转动作的翻译。手势转语音部分通过数据手套捕获手臂的动作和姿态,识别手语动作,控制手语机器人发出语音。该系统具有成本低、识别度高、使用方便等优势,具有良好的应用前景。  相似文献   

8.
刘红  刘蓉  李书玲 《计算机应用》2015,35(1):189-193
针对手势交互中手势信号的相似性及不稳定性,设计并实现了一种基于随机投影(RP)的加速度手势识别方法.识别系统包含训练阶段和测试阶段:训练阶段运用动态时间规整(DTW)和近邻传播(AP)算法对训练集中的每一个手势迹创建样本中心;测试阶段先通过计算未知手势迹与样本中心的距离找出候选姿势迹,然后用RP算法将候选手势迹和未知手势迹投影到低维子空间,把识别问题转换成l1-minimization问题来对未知的手势迹进行识别.在采集的2400个数据样本上进行了基于特定人和非特定人的实验,结果表明所提算法分别取得了98.41%和96.67%的识别率,该方法能够有效识别加速度手势动作.  相似文献   

9.
基于手势识别的机器人人机交互技术研究   总被引:8,自引:1,他引:7  
研究了基于视觉的动态手势识别技术,采用基于肤色的高斯模型与改进的光流场跟踪算法结合的方 法,实现了复杂背景下实时的手势跟踪,具有快速和准确的特点,且具有较好的鲁棒性.对于动态手势识别器,采 用了隐马尔可夫模型(HMM)作为训练识别算法.考虑到动态手势特征本身的一些特点,对HMM 参数优化算法重 估式加以修正,调整了算法比例因子,从而推导了最佳状态链的确定算法、HMM 参数优化算法.最后将研究开发 的动态手势识别算法成功地应用到了基于网络的远程机器人控制系统中.  相似文献   

10.
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.  相似文献   

11.
Gesture recognition is a technology often used in human-computer interaction applications. Dynamic time warping (DTW) is one of the techniques used in gesture recognition to find an optimal alignment between two sequences. Oftentimes a pre-processing of sequences is required to remove variations due to different camera or body orientations or due to different skeleton sizes between the reference gesture sequences and the test gesture sequences. We discuss a set of pre-processing methods to make the gesture recognition mechanism robust to these variations. DTW computes a dissimilarity measure by time-warping the sequences on a per sample basis by using the distance between the current reference and test sequences. However, all body joints involved in a gesture are not equally important in computing the distance between two sequence samples. We propose a weighted DTW method that weights joints by optimizing a discriminant ratio. Finally, we demonstrate the performance of our pre-processing and the weighted DTW method and compare our results with the conventional DTW and state-of-the-art.  相似文献   

12.
为提高大词汇量手语识别速度,论文提出了一种将动态时间规整(DTW)和隐马尔可夫模型(HMM)相结合的多层次的大词汇量手语识别方法。该方法思想是先进行全局粗略搜索,将要识别的手势词归入某一组范围较小的词表中,然后通过更加精确的HMM局部搜索将词识别出来。各个词汇表用DTW/ISODATA算法来产生。对4942个孤立手语词作了实验,结果表明,相对于仅用HMM单层识别而言,识别速度从原来每个词的2.364秒提高到0.137秒,提高了94.2%,识别准确率也提高了4.66%。  相似文献   

13.
为解决当前智能家居系统操作繁琐的问题,同时为获得更简单的控制方式,并增加用户的体验感受,研究了基于Kinect骨骼信息的手势识别技术,并将其融入至智能家居的人机交互系统中。在该系统中,用户可以自定义手势动作或语音实现家居设备的智能控制。使用了一种基于加权动态时间规整的模板匹配手势识别算法。通过Kinect的深度摄像头获取手势深度图像和骨骼图像数据,并采用加权动态时间规整算法进行识别。实验表明使用该算法实现手势识别是可行且有效的,且其最佳识别位置是在Kinect的正前方2~2.5m处,识别准确率达到96%左右。  相似文献   

14.
基于WiFi和体感交互的演示系统设计与实现   总被引:1,自引:0,他引:1  
柳杨 《电子技术应用》2013,39(4):121-123
基于智能手持终端系统内置的三轴陀螺仪捕获手势命令,利用自适应模板匹配方法进行手势识别,在不降低识别率的情况下,提高了识别效率。以WiFi网络作为信息传递载体,将手势命令传输到服务器,以控制演讲时幻灯片的放映。这种基于WiFi和体感交互的演示方式,能克服传统USB激光笔操作方式单一、接收距离有限等问题,提供更好的用户体验。  相似文献   

15.
为了提高肌电信号手势识别算法的准确度,增强实时性,提出了一种基于动态时间规整(DTW)算法的手势识别方法,该方法利用肌电信号(EMG)对个体间的手势进行识别。首先,采用滑动平均能量的方法对原始的EMG信号进行数据分割,探测有效动作;其次,对于分割的数据段使用平均绝对值(MAV)来提取信号特征;最后,用DTW算法将8维的EMG信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,实现了个体间的手势识别。实验结果表明,使用DTW算法对肌电信号进行手势识别,其动作识别的准确率达到96.09%,该方法计算速度快,实时性强。  相似文献   

16.
In designing and developing a gesture recognition system, it is crucial to know the characteristics of a gesture selected to control, for example, an end effector of a robot arm. We conducted an experiment to collect a set of user-defined gestures and investigate characteristics of the gestures for controlling primitive motions of an end effector in human–robot collaboration. We recorded 152 gestures from 19 volunteers by presenting virtual robotic arm movements to the participants, and then asked the participants to think about and perform gestures that would cause the motions. It was found that the hands were the parts of the body used most often for gesture articulation even when the participants were holding tools and objects with both hands: a number of participants used one- and two-handed gestures interchangeably, gestures were consistently performed by the participants across all pairs of reversible gestures, and the participants expected better recognition performance for gestures that were easy to think of and perform. These findings are expected to be useful as guidelines in creating a gesture set for controlling robotic arms according to natural user behaviors.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号