摘要：针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。

摘要：非接触的手势识别是一种新型人机交互方式,在增强现实(AR)/虚拟现实(VR)、智能家居、智能医疗等方面有着广阔的应用前景,近年来成为一个研究热点。由于需要利用毫米波雷达进行更精确的微动手势识别,该文提出一种新型的基于MIMO毫米波雷达的微动手势识别方法。采用4片AWR1243雷达板级联而成的毫米波级联(MMWCAS)雷达采集手势回波,对手势回波进行时频分析,基于距离-多普勒(RD)图和3D点云检测出人手目标。通过数据预处理,提取手势目标的距离-时间谱图(RTM)、多普勒-时间谱图(DTM)、方位角-时间谱图(ATM)和俯仰角-时间谱图(ETM),更加全面地表征手势的运动特征,并形成混合特征谱图(FTM),对12种微动手势进行识别。设计了基于DenseNet和卷积注意力模块的手势识别网络,将混合特征谱图作为网络的输入,创新性地融合了卷积注意力模块(CBAM),实验表明,识别准确率达到99.03%,且该网络将注意力放在手势动作的前半段,实现了高精度的手势识别。

摘要：钢琴弹奏手套是一种新兴的智能可穿戴式设备,通过手套中的多惯性传感器对钢琴弹奏者的手势状态进行实时感知和分析,可以让钢琴学习者实时了解弹奏手势是否规范,从而有效提高钢琴学习效率和兴趣,并降低学习成本。区别于其他应用领域中的手势,钢琴弹奏手势具有多样性、快速性、大动态以及强时变的特点,设计了一套基于惯性数据手套与红外检测杆的钢琴弹奏手势识别系统,并提出一种基于机器学习的钢琴弹奏手势识别方法,以惯性数据手套与红外检测杆的输出作为数据样本,针对钢琴弹奏手势特性,进行多模态手势特征的提取并采用分层识别算法改善识别效果。实验表明,所提出的方法能够较好的适应钢琴弹奏手势识别需求,识别准确率达到99%以上。

摘要：手势识别是人机交互领域的重要研究内容,为截肢患者控制智能假肢手提供基础.当前主流方法之一是利用表面肌电图(Electromyogram,EMG)识别手部运动意图,但肌电信号存在信号弱和易受噪声、汗液、疲劳影响等缺点.同时肌电图在识别准确率方面,尤其是截肢患者手势识别方面仍然具有较大的提升空间.针对这些问题,设计了基于气压肌动图(Pressure-based mechanomyogram,pMMG)的穿戴式信号采集装置,为手势识别提供了优质的信号源.结合深度神经网络中全连接层结构、典型抽样和标准正则化技术,提出了一种改进多类神经模糊推理系统(Improved multicalss neural fuzzy inference system,IMNFIS),与传统自适应神经模糊推理系统(Adaptive neural fuzzy inference system,ANFIS)相比,泛化能力得到显著提升.招募了7名健康受试者和1名截肢受试者,并用8种算法开展离线实验.所提方法在残疾人手势识别实验中取得了97.25%的最高平均准确率,在健康人手势识别实验中取得了98.18%的最高平均准确率.与近年公开报道的多种手势识别研究相比,所提方法的综合性能更优.

摘要：针对现有的超声波手势识别方法易受用户误操作手势的影响,难以对识别错误的手势进行实时修正等问题,提出一种融合情境感知信息的手势识别方法.首先通过对手势信号进行时频分析提取有效的手势特征,构建基于超限学习机算法的手势识别模型,并利用softmax函数将手势识别结果映射为手势的置信度;然后通过自定义的概率转化函数将情境信息转化为手势的情境置信度;最后融合手势的置信度和情境置信度,以利用情境感知结果过滤用户的误操作手势,修正识别错误的手势,输出符合用户意图的手势识别结果.将文中方法应用于超声波手势识别的实验结果表明,该方法的识别准确率能够达到94.7%,比无情境信息的超声波手势识别方法提高33.2%.

摘要：针对表面肌电信号解码模型因缺乏时空信息等重要性表征,面临解码精度低、鲁棒性差等问题,提出了一种基于循环时空深度神经网络的手势识别模型,来提高挖掘表面肌电信号的表征能力。首先,设计多通道卷积神经网络,并融入双向循环神经网络来提取强判别力的时空特征信息。其次,采用通道注意力机制来捕捉时空特征中通道重要性信息,设计基于时空特征的注意力模块以进一步增强时空特征信息。同时,基于特征金字塔网络思想来设计多尺度特征融合模块,从多尺度、多角度获取多级特征信息,提高模型对肌电信号的解码能力。最后,将所提出的手势识别模型在大型手势识别数据库Ninapro上进行测试,结果表明所提方法能有效提高对表面肌电信号的表征挖掘能力,为人体手势动作识别的深度学习建模工作提供借鉴意义。

摘要：设计了一种手势识别系统。测试时,手放在覆铜探头正上方亚克力板上,手和覆铜探头形成间距不变的电容,不同手势对应的电容正对面积不同。由于工频和随机热噪声的存在,采用卡尔曼滤波算法对传感器读取的值进行滤波,在归一化后的有限手势特征样本的支撑下,在单片机上完成BP神经网络训练。实验测试表明:在指定极板间距下,系统对任意测试者的猜拳和划拳手势识别正确率在95%以上,识别响应时间小于1 s,新测试者的手势特征训练时间小于1 min。

摘要：针对新冠疫情期间电梯公共按键会导致交叉感染的问题,设计了一种基于机器视觉的无接触式电梯按键控制手势识别算法。为提高手势识别检测精度,结合注意力机制设计了一种Ghost模块,并将YOLOv4中的ResBlock模块改进为Ghost模块,提出改进型YOLOv4算法。经测试,在识别手势的任务中,改进型YOLOv4算法的检测速度较原模型提高了14%,检测精度较原模型提高了0.1%。以改进型YOLOv4算法为核心,设计了一种能应用于电梯按键控制的手势算法,实验数据表明,控制电梯按键的手势识别精度达到98%,可满足公共电梯实施无接触控制的要求。

摘要：针对大部分的手势识别方法在较小样本下可能出现过拟合和训练误差等问题而影响识别精度,提出了一种基于多通道调频连续波(FMCW)毫米波雷达在小样本场景下的手势识别方法。采用FMCW雷达获取前推、后拉、推拉、拉推、快速挥手、快速敲击等六类手势的回波信号,首先对各种手势的雷达回波信号进行预处理,然后利用二维傅里叶变换得到手势动作的距离-时间谱图和速度-时间谱图,最后基于度量学习设计了双流度量学习原型网络以提取手势动作的多维特征并实现手势识别。实验结果表明,所设计的双流网络能够在小样本条件下进行手势识别,准确率可达到98.3%。

摘要：为培养创新实践班学生创新意识,引导学生接触人工智能算法,采用模块化思想设计了手势识别实验平台。平台硬件采用STM32F103作为核心,利用红外距离传感阵列采集手腕轮廓数据;软件采用C#编写应用演示界面框架,提供播放器控制器、手语识别器等案例的应用;算法部分提供决策树、SVM、神经网络等算法的C++/Matlab演示代码。模块化设计使得学生可根据兴趣选择学习方向合作完成作品研发。学生基于平台开发的手势识别作品具有可穿戴属性。在机电创新实践班教学中实验平台取得良好效果。