基于OpenCV动态手势识别的实现

随着科技的发展,各种手写输入、语言输入法不断涌现。计算机的操作方式也越来越接近自然言语。手势识别系统由数学摄像头作为输入设备,以为人体动作为操作指令,指挥操作计算机系统动作。人体动作通过数学摄像头,转化为计算机能识别的二进制图像信息,经过图像处理算法,使人们的操作意图能被计算机理解。本文所实现手势识别,利用OpenCV提供的各种图像处理算法,将从数学摄像头采集的图像视频信息,通过图像滤波,图像分割等算法,提取到有用的手形信息,再对其进行轮廓特征分析,运动信息分析。得出图像视频的操作意图,并转化为计算机指令,传递给操作系统。实现了直接由人体动作操作计算机的目的。     

基于RGB-D摄像头的实时手指跟踪与手势识别

近些年,基于视觉的手部跟踪与手势识别一直是人机交互和计算机视觉等领域的研究热点。传统方法主要是使用单目或多目RGB摄像头等设备获得手部位置、方向等信息,但RGB摄像头易受到复杂背景、光照变化、纹理的限制,导致其准确性、实时性和鲁棒性都较差。随着可获得场景深度信息的家用RGB-Depth(RGB-D)摄像头的发展和上市,可以利用深度信息较好地克服上述环境问题。首先定义了一个基于RGB-D摄像头的3D交互空间,根据深度信息将手部区域从复杂背景、多变的光照条件下进行分割;然后提出了一种基于深度摄像头的手指识别和跟踪方法,该方法基于手部轮廓对人手及手指进行识别和跟踪;最后通过对手指位置和轨迹的跟踪进行手势识别,从而实现人机交互。对提出的方法进行的实验验证了它的准确性、实时性和鲁棒性。     

基于HMM的触点轨迹识别

针对触点轨迹运动复杂,其识别准确率较低的问题。引入隐马尔科夫模型,采用基于模型描述的方法获得轨迹的动态特性,并对各个轨迹模式建立相应的隐马尔科夫模型。首先利用训练样本得到可靠地参数,然后计算测试样本对于各个模型的最大似然概率,最后选取最大概率值对应的轨迹模式作为识别的结果。实验结果表明,用HMM模型识别触点轨迹,其识别速度较快,并对不同复杂程度的触点运动轨迹,其最高识别率可达到80%。     

基于MediaPipe的数字手势识别

跟以往与计算机交互时使用的键盘鼠标等传统设备而言,现如今,在能直接实现人机交互的计算机视觉领域,利用摄像头和相关的视觉检测设备,通过特定的手势对电脑发出指令控制的技术,正逐渐地被人们所重视。本文提出了一种基于MediaPipe的快速数字手势识别方法,重点介绍了该方法的基本实现过程和必要的功能模块,通过创建手部检测模型,关键点定位和构建数字手势识别模块等具体流程充分实现基于MediaPipe的数字手势识别技术。本文在手势检测和动作跟踪方面具有一定的实用参考价值,也为其他模式识别技术提供了借鉴。     

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OpenCV的儿童票身高识别

在大数据时代,人们追求高效便捷的生活。在各个生活生产领域都进行了工业自动化的开发,而目前各个场所的儿童票检查却还依赖于人工。去人工的自动识别,可以大幅度的提高效率,方便数据的管理。为了实现自动化,此项目基于OpenCV对动态的人体进行像素识别,通过固定比例尺来计算人的身高。通过实验可知,该方法可行性高,基本能够实现身高识别。     

基于OpenCV智能车牌及颜色识别

车牌识别在高速收费口、小区车辆出入口、停车场自动收费系统等方面得到越来越广泛的应用,可一定程度减少交通道路拥挤,缓解交通压力。该文基于树莓派为主控平台,采用高清摄像头模块采集图像,应用OpenCV库相关功能完成车牌定位及字符分割,实现了精准提取车牌信息及颜色识别,并存入数据库中,最后将识别到的车牌号显示在屏幕的GUI界面。实验表明,车牌识别准确率达98%,识别效果较好,值得推广。     

基于Kinect深度图像信息的手势轨迹识别及应用

为实现基于Kinect深度图像信息的手势轨迹识别,提出了一种基于隐马尔可夫模型(HMM)的手势轨迹识别的方法。首先采用新型Kinect传感器获取图像深度信息;然后通过OpenNI的手部分析模块获得手心的位置,提取轨迹特征;最后利用隐马尔可夫模型训练有效的轨迹样本并实现轨迹的识别。实验结果证明,该方法能有效地识别手势轨迹,并可用于控制智能轮椅的运动。     

SVM和HMM混合模型在人脸识别中的应用

采用支持向量机（SVM）和隐马尔可夫模型（HMM）相结合的方法进行人脸识别。首先对照片中的人脸进行定位,从定位区域提取人脸各个器官的独立基特征,然后使用支持向量机和隐马尔可夫混合模型对定位区域进行人脸识别。利用SVM和HMM结合的优点,取得较高的识别率。     

基于HMM-SVM的图像型火焰识别

针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。     

基于加速度传感器的连续动态手势识别

针对个体手势动作信号的差异性和不稳定性,提出了一种基于加速度传感器的连续动态手势识别方法.通过MEMS加速度传感器采集手势动作信号,并结合手势信号的动作特征,对单个手势的有效数据进行自动定位截取,经预处理和特征提取后,构建隐马尔可夫模型(HMM)以实现对特定手势的实时识别.通过设计实现了一种可穿戴手势信号采集硬件原型系统,对10类手势的1000个手势数据进行识别对比实验,统计结果表明:该方法可以对连续手势进行实时有效的识别.     

基于ICA和HMM的疲劳驾驶眼部状态识别算法

汽车司机疲劳驾驶是引发交通事故的一个重要原因。驾驶员在正常驾驶、瞌睡驾驶及疲劳驾驶3种状态下的眼睛张开程度有一定的区别。提出了一种ICA结合隐马尔可夫模型(HMM)识别眼部状态的识别算法,首先对彩色图像进行二值化处理,然后利用ICA算法进行眼部状态特征提取,为了加快特征提取的速度,这里采用FastICA算法;然后通过HMM进行眼部状态识别。实验结果表明,该算法可快速有效地识别出驾驶员眼部状态。     

基于滑动窗口和动态规划的连续动作分割与识别

针对现有动作识别中对连续动作识别研究较少且单一算法对连续动作识别效果较差的问题，提出在单个动作建模的基础上，采用滑动窗口法和动态规划法结合，实现连续动作的分割与识别。首先，采用深度置信网络和隐马尔可夫结合的模型DBN-HMM对单个动作建模；其次，运用所训练动作模型的对数似然值和滑动窗口法对连续动作进行评分估计，实现初始分割点的检测；然后，采用动态规划对分割点位置进行优化并对单个动作进行识别。在公开动作数据库MSR Action3D上进行连续动作分割与识别测试，结果表明基于滑动窗口的动态规划能够优化分割点的选取，进而提高识别精度，能够用于连续动作识别。     

基于局部保持投影与隐马尔可夫模型的维文字符识别

针对传统隐马尔可夫模型(HMM)在对手写维吾尔文字符建模时,字符宽度变化大,模型训练收敛缓慢,且易陷入局部极值的问题,提出一种基于保局投影(LPP)与HMM相结合的维吾尔字符识别方法。首先,通过高度归一化保持原图像的宽高比,用滑动窗获取子图像序列,形成观测向量序列;其次,采用局部保持投影将观测序列映射到低维空间,并用随机抽样方法降低邻接图矩阵的规模;最后,采用新观测序列训练HMM。该算法在降维的同时提高了HMM的收敛速度,降低了陷入局部极值的风险。实验结果显示,算法的平均收敛步数减少,错误率降低,表明算法是有效的。     

基于双线性建模及隐马尔可夫模型的步态识别算法

针对存在两个未知隐含特性的步态识别问题提出了一种新的识别算法,将特性分别看作“内容”和“风格”,对图像序列以状态确定的连续HMM EM估计“内容”类型,引入非对称双线性模型理论对结果建模,通过SVD和NN聚类实现对“风格”的归类判定。实验选择人体两侧轮廓到质心垂线距离作为步态特征,通过在CASIA步态库上的实验证明,该算法能有效提高判别率,对未知风格或内容类型判断有较好的适应性。同时对影响步态识别准确性的其他因素也做了讨论。     

隐马尔可夫后处理模型在视频人脸识别中的应用

现有的多数人脸识别系统都专注于如何提高人脸识别算法的性能,但缺乏一种对数据源(人脸样本)进行分析和评估的机制。针对此问题,提出了一种建立在数据源分析基础上对典型人脸识别算法进行后处理的方法。为了揭示现有典型识别算法的识别性能在无约束环境下的鲁棒性,通过建立Lambertian反射模型和3D人脸模型,对特征脸算法的识别性能随数据源的变化(人脸姿态和光照改变)而变化的情况进行了分析评估。针对“数据源灾难”问题,提出了一种基于隐马尔可夫模型（HMM）的后处理解决方法,该方法通过利用视频序列图像的连续性和对训练人脸库的统计分析来提高判别分析方法对无约束环境的鲁棒性。实验结果表明,该方法可以有效地提高识别算法对“数据源灾难”的鲁棒性,提高识别率。     

基于轨迹分析的行人异常行为识别

提出一种基于轨迹分段主题模型的异常行为检测方法。为了解决跟踪偏差引起的轨迹不连续问题,首先使用模糊聚类算法对所有的轨迹进行全局聚类,然后对每一类轨迹采用分段采样的方式对段内轨迹点使用主题模型LDA进行局部聚类;以最大概率的轨迹点作为视觉单词,每类轨迹表示成一系列视觉单词的集合,在此基础上建立局部隐马尔科夫模型HMM;最后通过轨迹匹配的方法进行异常轨迹识别。在CAVIAR数据库上的实验结果表明,该算法能识别多种异常行为,提高了异常行为检测的准确率。     

基于轮廓特征的HMM手写数字识别

在手写数字识别中,边界链码和环构成了对字符轮廓的完整描述。针对手写数字的特点,建了24种笔划。首先将样本边界链码转化成由24个笔划组成的特征值,再加上环特征,构成整个特征值。然后利用隐马尔可夫模型（HMM）对提取的特征值进行分类识别。首次将字符轮廓特征应用在基于HMM的手写数字识别中,在识别MNIST字库上,取得了92.2%的识别率。