基于Leap Motion的动态手势识别方法

伴随虚拟现实（Virtual Reality,VR）技术的发展,以及人们对人机交互性能和体验感的要求提高,手势识别作为影响虚拟现实中交互操作的重要技术之一,其精确度急需提升^[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题,提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据,然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取,接着进行动态手势隐马尔科夫模型（Hidden Markov Model,HMM）的训练,最后根据待测手势与模型的匹配率进行识别.从实验结果中得出,该多特征识别方法能够提升相似手势的识别率.     

基于OpenCV的数字手势识别方法

手势作为一种传统的体态语言,能够同计算机进行更有创意的通信交互。高效的手势识别方法可以为人机交互和跨域人机障碍问题的研究提供思路。基于此,研究了一种基于OpenCV的数字手势识别方法,该方法对由摄像头采集的图像视频信息进行双边滤波去噪预处理,再通过肤色检测与二值化、图像形态学处理和轮廓提取进行手势分割,运用傅里叶描述子进行特征提取,利用支持向量机（SVM）模型进行数字手势1～10的识别。实验结果证明,基于OpenCV的数字手势识别方法识别准确率为94.8%,具有较好的识别率。     

基于HMM和SVM串联模型的低空飞行目标声识别方法

为弥补单一模型在识别低空飞行目标时的不足,进一步提高识别概率,提出了一种基于HMM(HiddenMarkov model)和SVMs(Support vector machines)串联结构的低空飞行目标声识别方法.针对战场环境下声信号的特点,该方法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,先由HMM计算各HMM模型与待辨识信号的匹配程度,形成匹配度特征向量,再利用SVM适合分类的优势,对匹配度特征向量做进一步决策,得到最后的识别结果,弥补了单一模型在识别低空飞行目标时的不足.实际数据的识别分析结果表明了该方法在低空飞行目标声识别中的准确性与有效性.     

基于手机手势识别的媒体控制界面

提出一种能够识别通过手机示意的自然手势、进而控制媒体播放的通用型人机界面。用户通过挥动个人的手机表达操作意图,由手机内置三轴加速度传感器获取相应的手势数据,采用动态时间弯曲等多种算法对用户的手势进行识别,实现对多媒体播放的通用控制。实验结果表明,该界面对手机的几种通用手势均能获得较高的识别率,能在实际应用中对媒体进行简单、方便的控制。     

基于隐马尔可夫模型的动态手势识别研究

随着虚拟现实技术的飞速发展，人们迫切需要一种自然友好的字符输入方式，于是越来越多的研究人员投入到动态手势的研发当中。本文基于隐马尔可夫模型（HMM）搭建了一套动态手势识别系统。这套系统通过Leap Motion采集动态手势数据，并能够识别36个字母和数字的手势（数字0-9和字母A-Z）。经过大量实验表明，该系统有着很强的鲁棒性，识别单独手势的识别率能够达到93.2%。     

基于双通道异构传感器融合的手势识别方法

为了捕捉用于动态手势识别的完整手势运动序列,需要同步获取手掌空间位置变化和手掌姿态变化两部分信息,而现有的单一传感器都由于自身的限制而难以实现.因此,提出一种基于双通道异构传感器深度摄像头和陀螺仪融合的动态手势协同识别模型,该模型同时从手掌空间位置的变化和姿态的变化两方面获取完整的手势运动数据,通过数据预处理、基于互信息的特征层融合和分类识别,提高手势识别效率和准确率.通过对数字手势0-9和小写英文字母手势a z的识别实验结果表明,提出的动态手势协同识别模型能够在有效降低特征向量维数和计算复杂度的同时,提高手势识别的准确率.     

基于手轮廓的深度图像手势识别方法

提出了一种新的手势识别方法,该方法从深度图像中提取手形轮廓,通过计算手形轮廓与轮廓形心点的距离,使用离散傅里叶变换获得手势的表观特征,引入径向基核的支持向量机识别手势。建立了一个常见的10种手势的数据集,测试获得了97.9%的识别率。     

基于运动传感器的手势识别

为了使手势交互较少受到视角和光线的限制,提出利用可穿戴传感器作为输入设备和机器学习算法相结合进行手势识别的方法.通过采集加速度仪和地磁仪的数据,然后进行预处理、特征提取和特征选择,最终由隐马尔科夫模型进行手势分类和识别.为验证方法的有效性,设计实现了一个原型系统进行识别和对比实验.实验结果表明,该方法可以实时有效地对手...     

基于MediaPipe与机器学习模型融合的手势识别框架

文章提出了一种基于MediaPipe与机器学习模型融合的手势识别框架。首先,通过MediaPipe获取手部21个关键点;其次,使用数据集增强模块扩充数据集,根据角度信息和距离信息使用自动化特征构建模块生成特征并使用主成分分析进行降维;最后,使用机器学习模型在自主数据集进行训练和预测,通过验证发现支持向量机模型效果最好。     

一种基于D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法

针对利用单一特征进行3D目标识别导致识别率低的问题,结合RGB图像和Depth图像的优势,提出一种结合支持向量机(SVM)和D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法。该方法提取目标物体的RGB特征以及Depth特征,分别以这两类单特征的SVM的概率输出作为独立的证据,构造出基于每个证据的基本概率分配函数(BPA),利用D-S证据融合规则进行证据融合,并根据决策准则得到最终的3D目标识别结果。在Kinect相机得到的RGB-D数据集上进行实验验证,结果表明,该方法能够有效地实现对RGB特征和Depth特征的融合,提高了3D目标识别的识别准确性和可靠性。     

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...     

基于D-S证据理论的脆弱性态势数据融合方法研究

将基于D-S证据理论的融合算法应用在态势感知领域的脆弱性态势数据处理中,对网络扫描和主机扫描等多种手段得到的脆弱性数据进行融合与分析。通过对脆弱性数据进行规格化,构造概率分配及融合处理,有效利用多源数据的冗余性、互补性,实现了对多个扫描结果的综合。结果表明此方法得到的结果更加全面可靠。     

基于CSI的手势识别方法研究

针对传统手势识别方法中存在的易受环境光线影响、用户需携带设备、部署代价高等不足,提出基于信道状态信息的手势识别方法(HandFi),以空中手写10个阿拉伯数字的独特书写模式引起CSI波形变换为基础,引入衡量当前室内环境变化的指标,来表征室内人数变化时子载波波动程度的变化,使用巴特沃斯低通滤波和主成分分析去噪,并利用小波...     

基于信息融合的模式识别方法研究

将多特征多分类器的模式识别看作信息融合问题,提出了一种基于支持向量机理论的决策级信息融合模型,并讨论了基于该模型的识别精度以及学习样本数之间的关系.通过对ORL人脸图像库、CENPAMI手写体数字数据库这两类不同样本问题的识别实验表明,基于信息融合的模式识别方法可以取得较高的整体识别性能.     

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Dempster-Shafer证据推理理论的ALV视觉信息融合

本文针对Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ（Ｄ－Ｓ）证据推理理论所存在的问题进行了新的推广,同时考虑证据的相关性与冲突性而修正了Ｄｅｍｐｓｔｅｒ组合规则,并将推广后Ｄ－Ｓ理论应用于ＡＬＶ实际非结构化道路网环境中视觉信息的融合,研究并探索了信息融合实际应用中诸多具有较大难度的问题,取得了有意义的结果。     

基于证据理论数据融合的双效水印

提出一种新的基于证据理论的数据融合的双效水印算法.首先应用水印公式构造特殊的水印嵌入后条件,根据嵌入系数之间的定性分析提取鲁棒水印;利用嵌入系数之间的定量分析能提取脆弱水印,并能准确定位篡改的区域.其次在嵌入过程中还使用纠错码对水印信息进行调和,把水印重复嵌入到图像信息的不同位置,以便利用纠错码的辅助信息来估计出提取的...     

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。     

深度图像手势分割及HOG-SVM手势识别方法研究

针对深度图像静态手势识别问题,提出一种基于深度图像手势分割及HOG-SVM手势识别方法。该方法的具体做法包含以下四个步骤:第一步,对深度图像进行手势分割,对随机方向的手臂图像通过椭圆拟合算法计算其倾斜角度,并将其校正至垂直方向;第二步,对手臂图像进行距离变换,通过分析距离变换返回的距离矩阵精确定位手掌心、手腕及手臂在图像中的坐标;第三步,计算、优化手势图像的HOG特征;第四步,实时采集大量训练样本并获取其训练矩阵,对训练矩阵进行处理找到最优的SVM参数,使响应曲线的可区分度达到最佳以提高手势识别率。实验证明,所设计的系统在保证实时性、鲁棒性的同时也获得了很高的识别率。     

症状推理在诊断信息融合中的应用研究

本文对诊断信息融合中的Dempster-Shafer症状推理理论进行了研究,给出了故障诊断过程中症状推理的过程描述,确定了故障识别框架和mass函数,给出了故障诊断中的证据合成规则,提出了用症状熵来描述诊断信息融合结果的可信度.最后,通过具体的诊断实例对以上的问题进行验证,取得了满意的结果