摘要：人体在运动过程中会产生微弱的生物电信号,其中蕴含着大量的控制信息。为了使用生物电信号中的信息控制机械臂动作,提出一种基于DTW算法的sEMG手势识别控制系统,利用该系统对采集的原始信号进行滤波和放大。为了确定有效的sEMG,采用移动平均法对处理信号进行划分。使用平均绝对值从数据片段中提取有效段数据,应用DTW算法将3路表面肌电信号融合,计算样本与模型之间的相似度,实现手势识别;再将识别后的信号通过无线模块发送到控制指令,以控制机械臂的动作;最后,采用提出的算法并结合6种类型的手势分类模型创建最佳特征模型。实验测试结果表明,使用动态时间规整(DTW)算法进行手势识别的平均准确率为93.752%,6种手势的平均模型匹配率达到92%,实现了肌电信号对机械臂的精确控制。由此证明所提方法的手势识别比传统的阈值控制开关更准确。

摘要：针对物联网环境下人机交互的需求,提出了一种基于电容传感器的手势识别装置设计方案。该装置采用模块化架构,包括数据采集、数据处理、手势识别和物联网通信等功能模块。通过高精度ADC、自适应采样率调整、复合滤波、DCNN-LSTM神经网络等技术,实现了对6种典型手势的实时、高精度识别。实验结果表明,该装置的平均识别精度达98.5%,响应时延低至16.4ms,具有良好的应用前景。

摘要：为了降低音乐教育中部分乐器教育的设备普及难度和提升学习趣味性,研究提出了一种基于动态手势识别算法的虚拟弹奏技术。过程中通过体感周边外设获取使用者的骨骼信息,经过设备内置软件进行实时处理后输出关节运动情况,在与标准动作样本进行对比后输出动作识别结果,再建立虚拟乐器模型,利用七参数模型完成设备之间的坐标系转换。实验结果表明,研究方法在动作识别准确率测试中,在复杂背景中动作长度增加到250 ms时动作识别准确率保持在98.4%以上;在操作响应时延分析中,研究方法响应时延超过100 ms的操作数量少于总数的1%。以上结果说明研究方法具有良好的运行效率和精确性。

摘要：鉴于传统的手势动作识别算法可能会因手势速度幅度的变化及不准确的特征提取而降低准确率,拟采用混沌理论的非线性动力模型构建思想,探索凌空手势内在的混沌运动特性,建立基于混沌动力学特征的识别算法。通过离散观察嵌入Leapmotion的头戴式显示器所获得的手指轨迹,假设一个特定类型的混沌动力学系统可以模拟手势动作模型,从而基于相空间重构法建立由混沌特征因子组成的特征矩阵用于分类识别。在连续字母手势识别实验中对假设进行了验证,所提方法的最高准确率可以达到96.6%。

摘要：基于深度图像的手势识别通常需要大量的训练数据,如何快速标定和建立姿态数据集是一个具有挑战性的任务.文中提出一种半自动标定方法,利用随机决策树森林建立深度像素的标定数据集;在此基础上设计了一个基于视觉的手势交互桌面应用开发框架,该框架采用RGB-D信息作为数据输入,同时利用3D手形轮廓降低手势匹配的复杂度.实验结果表明,文中方法能够支持复杂手势的实时识别.

摘要：针对无人驾驶汽车自动识别连续交警手势的需求,提出高度分层分区的图卷积交警手势识别方法.首先,依据人体部件在空间域内的自然、辅助和自身连接关系以及时间域内的关联关系建立交警手势时空图模型,并从图像序列卷积预测模型参数;其次,引入时空图卷积网络,提出以人物自然站立状态下时空图顶点相对高度差为标签的图卷积高度分层分区策略,打破现有分区策略对图结构的限制;最后,设计保留时间维度的空间域平均层网络输出架构,在减少特征数量的同时适配多对多序列预测模式,达到识别连续交警手势的目的.与领域内代表性方法的对比实验表明,该方法的识别准确率显著提高,不同手势之间混淆率仅为0.1%,Jaccard指数超过对比方法.

摘要：针对动态手势在时间尺度上的多变性和复杂性,提出了一种动态手势识别框架.该框架利用时间序列上提取的手势轮廓构造动态手势轮廓图像,获得不同动态手势在不同时间尺度下其轮廓图像的均值图像和方差图像,并将这些图像用于构成动态手势轮廓模型库,在此模型库基础上,利用相关信息方法和改进的动态时间规整方法完成动态手势的识别.实验结果表明,文中提出的动态手势轮廓模型对不同时间尺度的动态手势具有较强的鲁棒性,改进的动态时间规整方法较传统方法具有更高的识别率.

摘要：针对传统手势识别系统识别率不高、响应不稳定等问题,设计了一个包括柔性传感器、信号采集系统、手势识别算法的柔性应变传感器数据手套手势识别系统。该系统可准确捕捉每根手指关节运动信息,具有高自由度、低成本、高识别率等特点。在软硅胶材料中掺杂特定配比的碳黑(CB)和碳纳米管(CNTs),通过转印技术设计出线性度好、灵敏度高的电阻式传感器。实验结果表明,传感器具有较好的静态、动态响应特性,并完成传感器标定;利用多个柔性传感器制备数据手套并搭建信号采集系统,进一步提出融合BP神经网络和模板匹配技术的手势识别方法,以提升相近手势字母识别率,算法识别率为98.5%;针对不同人群开展手势识别实验,结果表明,该手势识别系统准确率达到92.8%,响应时间约40ms,该数据手套具有较好的应用潜力。

摘要：针对目前手势识别方法受手势旋转、平移、缩放的影响,导致手势识别率偏低的问题,提出一种基于手势主方向和类-Hausdorff距离模板匹配的手势识别方法.首先把分割后的手势图像进行标准化处理,并求出标准化图像中的手势主方向;然后根据手势主方向建立二维手势直角坐标系提取空间手势特征;再利用空间手势坐标点分布特征方法对手势进行初步识别;最后利用类-Hausdorff距离模板匹配的思想识别最终的手势.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地实现手势识别,总体识别率达到95%;对发生旋转的手势识别率能超过90%.

摘要：针对传统手势识别算法准确率不高、鲁棒性不强的问题,基于卷积神经网络提出基于Faster R-CNN的手势识别算法.首先修改Faster R-CNN框架的关键参数,达到同时检测和识别手势的目的;然后提出扰动交叠率算法,避免训练模型的过拟合问题,进一步提高识别准确率.在公共数据集NTU和VIVA上进行手势识别实验的结果表明,该算法有效地避免了训练模型的过拟合问题,比传统算法具有更高的识别准确率和更强的鲁棒性.