摘要：基于小样本库的手势识别是先进人机交互研究中的一个重要分支.根据Tortoise人手模型训练手势模式库并结合交互者的具体手部特征进行手形训练,生成适用于特定交互者的手势模式库.在交互过程中,根据来自一个或多个同步摄像头的视频信息进行基于自适应遗传算法的手势识别.实验结果表明,在环境光照基本稳定的条件下,文中算法可以实现鲁棒的实时手势识别.

摘要：针对传统手势识别准确率不高、鲁棒性不强的问题,通过研究静态手势轮廓特征,从手势边缘序列角度出发提出一种基于手势边缘轮廓递归图的CK-1距离的手势识别算法CSRP.首先通过阈值分割获取手势区域图像;然后定位起始点坐标,建立随着空间位置变化的手势边缘序列;为了克服边缘序列数据的不等长问题,构造基于时空域的手势轮廓序列递归图;最后利用MPEG-1压缩算法计算手势递归图像之间的CK-1距离,完成手势识别.实验结果表明,该算法在手势发生旋转、平移、缩放时具有较高的鲁棒性,并且计算量小、效率高,手势识别的准确率高达97%.

摘要：针对无人驾驶汽车快速准确识别交警指挥手势的需求,本文在分析交警指挥手势的关节铰接特征基础上,建立基于关节点和骨架的交警指挥手势模型;其次,引入卷积姿势机(Convolutional Pose Machine,CPM)提取交警指挥手势的关键节点,进而提取交警指挥手势中骨架的相对长度及其与重力加速度的夹角作为空间上下文特征,并引入长短时记忆网络(Long Short Term Memory,LSTM)提取交警指挥手势的时序特征;最后,设计了融合空间上下文和时序特征的交警指挥手势识别机(Chinese Traffic Police Gesture Recognizer,CTPGR),创建了包含8种交警指挥手势、时长约2小时的交警指挥手势视频库对CTPGR进行训练验证,并通过实验将CTPGR与已有交警手势识别算法进行了对比分析.实验证明CTPGR可以快速准确地识别交警指挥手势,系统对复杂背景和动态交警指挥手势具有较强的适应能力.

摘要：针对三维空间的手势识别,基于轻量级的二维平面手势识别算法进行了扩展及改进,将其扩展到了三维空间,提出了基于投影的单次旋转模板匹配识别方法.将手势模板集划分为空间平面手势和空间立体手势2类模板;对于空间平面手势模板,输入手势轨迹需要先投影到相应的坐标平面,再进入模板匹配流程;基于矩阵奇异值分解,计算归一化手势轨迹与模板之间的最优旋转矩阵,经过一次刚体转置即可完成与模板的匹配度计算.实验结果表明,该方法对三维手势具有较高的识别率,且对于空间平面手势、空间立体手势的识别能力较为均衡.

摘要：为实现复杂背景下的手势识别,根据手势图像的区域形状特征提出一种基于手势空间分布特征的手势识别算法.利用复杂背景下基于亮度高斯模型的手势分割算法分割出肤色区域,利用"搜索窗口"筛选当前肤色区域实现手势定位,并提取包括空间相对密度特征和指节相对间距特征的手势空间分布特征,最后综合手势的2个手势特征向量计算总的相似性来识别手势.通过引入随机采样机制提高识别速度,并引入搜索窗口机制实现肤色干扰时的手势识别.实验结果表明,在环境光照相对稳定的条件下,文中算法能够实现鲁棒的实时手势识别,且具有很好的旋转、平移、缩放不变性,对于差异较大的手势识别率高达98%.

摘要：随着计算机的广泛应用和可穿戴电子设备的发展,将人机交互和可穿戴设备相结合逐渐成为研究热点,其中手势识别技术在人机交互领域扮演着重要的角色。主要提出基于电学测量的智能手势识别方法,利用传感器设备采集手腕边界电压数据,同时利用深度神经网络将采集到的电压数据进行分类,最终实现手势识别的目的。实验验证了通过电学测量数据对手势分类的可行性,将深度神经网络加入到手势识别系统中后,手势正确识别率达到90%以上,从而证明了系统具有较好的便携性、稳定性和实时性,为智能手势识别系统的设计提供了新思路。

摘要：在虚拟环境的交互任务实施过程中,手势识别的正确率和效率将直接影响到操作者的沉浸感和成功率.针对已有的手势识别方法难以在既保证较高识别正确率的同时又满足实时性要求的问题,提出一种能够有效用于静态手势识别的手型特征提取方法以及相应的手型特征点集匹配策略.首先,利用可穿戴式设备——数据手套采集多种原始的手部运动数据,对这些数据进行预处理后构建出手势库;然后,提取并表示每一种手势的手型特征;最后,运用特征点集模板匹配方法进行手势识别.实验结果证明,该方法在手势类别数目较大(25类手势)时识别正确率能够达到98.9%,并且计算量小、效率高,能够保证用户和虚拟环境交互的实时性.

摘要：手势识别是计算机视觉的一个非常具有挑战性的问题,可运用于人机交互、手语识别、虚拟角色控制等众多领域.然而,由于手本身具有极高的自由度,通过样本直接估计所有手势参数相当困难.为此,提出一种可分解手势参数的手势估计方法——协同重排序.首先将手根据指骨的关节角度划分为多个局部观测单元,并建立离线的局部估计数据库;然后利用此数据库,使用k-最邻近(k-NN)搜索算法对从深度图中获得的局部观测单元进行姿态估计;最后依据当前观测单元的k-NN搜索结果对姿态估计结果重新排序,收敛后得到最终估计结果.除了手势局部参数估计方法之外,还提出一种手的全局姿态估计的方法,使得整个方法可更好地适用于多种任务场景.对合成图像和真实深度图像数据集验证文中方法的性能:不用GPU加速的情况下,该方法可以在30 ms内完成手势识别(其中局部姿态估计17 ms,全局姿态估计12 ms),最大平均估计误差小于10°,具有很高的效率和有效性.

摘要：针对轻量型目标检测网络对静态手势特征提取能力不足、错检率和漏检率高的问题,基于YOLOv4-tiny网络结构提出轻量型手势识别算法.首先引入表征力更强、成本更低的重影特征映射,增强网络获取多尺度手势特征的能力;然后嵌入通道注意力机制实现特征重标定,达到减少背景干扰的目的;最后采用Swish作为主激活函数,进一步提升手势识别准确率.在手势数据集上的实验结果表明,相比YOLOv4-tiny,所提算法具有较优的识别性能;并且对于不同环境条件下的多尺度手势,该算法能够实现精准的分类和实时的检测,对小尺度的手势具有更好的识别效果.

摘要：肌肉计算机接口(MCI)系统是虚拟现实、人机交互研究的热点之一,其核心问题是EMG肌电信号分类,因而MCI系统可以与深度学习方法有效结合。表面EMG信号分为高密度瞬时信号与稀疏多通道信号,前者类似于图像,可以采用CNN网络处理;本文应用RNN网络对后者进行研究,并利用MYO臂环实现了相应MCI系统。稀疏多通道EMG信号是不定长时间序列信号,前后时间相关性高,采用RNN网络进行分类。通过对原始信号进行时域、时频域、频域特征拓展,获得原始信号的多流特征序列,并提出两类组合RNN网络架构处理相应多流信号。用户依赖时算法准确率达90.78%,非用户依赖的人群测试中手势识别准确率达78.01%,实时动作识别准确率达82.09%,算法能在61.7毫秒内识别手势动作。本文所提出的组合RNN网络方法可以有效区分基于EMG信号的不同动作,且所设计的MCI系统用户泛化性与工作实时性表现好。