摘要：基于BP神经网络算法设计一种能够实现对猜拳游戏和划拳游戏成功判决的手势识别装置。该装置具有训练和判决两种工作模式,对任意人员进行猜拳游戏和划拳游戏的手势训练,经过有限次训练后,生成深度BP神经网络,进而在判决模式下实现对手势识别的正确判定。该装置由控制模块、电容传感器模块、按键输入模块、显示模块以及探头部分组成。经测试证明,该装置具有成本低、响应时间短、正确率高的优点,扩展了手势识别的应用范围,具有良好的应用发展前景。

摘要：为了提高对手势动作的分类能力,提出一种基于双通道卷积神经网络(CNN)的调频连续波(FMCW)雷达手势识别方法。首先利用具有一个发射天线、两个接收天线的FMCW雷达对不同手势动作进行探测并收集回波数据,之后对每个接收通道的回波数据进行预处理,分别得到距离时间图、距离多普勒图与微多普勒时频谱图,然后将每个动作对应的三种彩色RGB图像进行堆叠。最后将堆叠后的彩色RGB图像输入到双通道CNN中进行手势特征提取和特征融合。实测数据处理结果表明所提基于双通道CNN手势识别方法对设计的八种手势动作的分类平均识别正确率为97.52%,与传统的单通道CNN相比,有效地提高了对手势动作的分类能力。

摘要：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,并利用小波变换提取手势时频域特征,设计CNN-GRU模型挖掘CSI序列的时空特征,从而实现动态手势识别。运用HandFi在两种环境的实验结果表明,其平均识别准确度均有较大提高。

摘要：设计了基于电容式传感器FDC2214的手势识别系统,经过有限次学习和阈值分析优化,识别正确率可以达到94.56%。首先设计所需的硬件电路,采用单极板单通道法和频率测量法提高测量的精度。然后在学习模式中,通过对采集的不同手势的电容值进行阈值标定,记录训练数据。在识别模式中,调用训练模型对采集的识别者手势进行分类识别。最后采用大量样本检测学习效果,证明系统具有较好的识别效果。

摘要：针对现有基于商用WiFi设备的人体手势识别方法存在的子载波选择不够优化、动作区间截取不够精确等问题,提出一种基于近似熵子载波选择的人体手势识别(AEGR)方法。利用提出的最小近似熵法构建识别方法待处理的CSI幅值数据,对构建的数据采用小波去噪和中值滤波组合法进行去噪;利用滑动窗极差法精确截取CSI幅值的动作区间,据此提取用于分类的8个特征量;利用随机森林算法进行人体手势识别。实验结果表明,AEGR方法的手势识别准确率可达98.75%,验证了其良好性能。

摘要：基于WiFi的信道状态信息(Channel State Information,CSI)的手势识别在人机交互中具有广泛的应用前景。目前,大多数的CSI手势识别方法需人工提取特征,特征提取的过程繁琐,且只能识别特定方向的手势,限制了人的活动范围。针对上述问题,提出了利用长短时记忆神经网络(Long Short-Term Memory,LSTM)训练的方法,设计了一个基于LSTM的CSI手势识别系统。该系统将采集到的CSI数据首先进行异常点去除、最优子载波选择和离散小波变化去噪等预处理操作;然后通过LSTM网络训练分类,无需人工提取手势特征;最终实现推、拉、左挥、右挥4种手势在4个不同方向的识别,平均准确率达到了82.75%。文中分别讨论了发送到接收端的距离与数据集大小对手势识别准确率的影响,并对比WiG和WiFinger方法识别4个方向手势的识别准确率,结果表明文中所提方法具有更高的识别效果。

摘要：手势识别除了为触屏智能设备提供人机交互,还可以成为一种新的用户信息收集方式,用以优化基于个人移动终端的购物推荐系统。文章在现有研究基础之上,讨论了手势识别数据用于收集用户兴趣点信息的可能性和有效性,并以智能手机为例,用两个小样本的实验进行验证,为进一步研究奠定了基础。

摘要：表面肌电信号由于个体差异性,在作为外设的控制源时,往往需要针对个体进行长时间的前期训练以获得精准分类辨识模型。针对该问题,在原有的KKT-SVM增量学习方法的基础上,提出了一种基于DBSCAN密度聚类的SVM增量学习算法(D-ISVM),并将该算法应用于在线肌电手势识别。首先,考虑新增样本和原非SV样本对新SV集的影响,通过DBSCAN对样本分布的紧密程度进行分析聚类,筛选出原SV集附近的新增样本以及原非SV样本;其次,结合核心对象以及各样本到超平面的距离进行二次筛选;最后,将筛选出的样本与原SV集一起训练以获得新SV集。实验结果表明,与传统算法相比,提出的D-ISVM增量学习算法能保持更高的识别准确率,同时进一步提高分类模型的学习速度,并有效解决了在线手势识别中表面肌电个体差异性的问题。

摘要：针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9MB,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。

摘要：针对手势识别的准确性受到复杂背景、光照变化、肤色干扰、旋转、平移、缩放等影响的问题,提出一种基于Kinect的实时手势识别方法。使用Kinect体感设备,获取人体的骨骼信息和深度信息,分析人体手部特征,根据人体手部轮廓提取指尖位置特征,结合骨骼关节点位置分析人体手部以及得到的手指特征,检测并实时识别10种计数手势。实验结果表明,该方法能够在复杂背景、肤色干扰以及光照发生变化的条件下获得正确的识别结果,满足手势的旋转、平移和缩放不变性,识别率高,具有良好的实时性和鲁棒性。