摘要：为了使艺术设计更为普及,文章提出了基于手势识别的人工智能生成艺术设计。通过采集用户的手势识别结果,结合用户需要的生成艺术效果,在Media Pipe机器学习框架下,首先对Open CV捕获的图像进行检测,其次精确提取手部状态信息,再次调用Auto Py和Py Auto GUI,生成手部姿势和指令动作之间的映射,最后结合Processing和***设计并实现一个基于手势识别的交互式艺术平台,有效实现了用户和作品之间双向、实时的艺术交互。

摘要：无接触手势识别技术作为一种自然的人机交互方式,可以应用于手机、平板和可穿戴设备。为了高效实现超声手势识别嵌入式系统中采用的"一对其余"多分类随机森林算法,提出一种其推理过程的嵌入式软件实现方案。设计更精简的模型节点数据结构,以降低手势模型占用的存储空间。为节省系统能耗并缩短运行时间,利用分支定界的方法及时排除不可能产生正确解的手势类型,在保证识别率的条件下避免不必要的FLASH读取和决策树判定过程。实验结果表明,与传统的随机森林算法相比,该方案在FPGA上运行的实测时间缩短约60%,一次推理的平均判定次数低至243。

摘要：该文面向本科实践教学,以静态手势识别为目标,利用机器学习开发了机器视觉实验项目。在实验的算法设计部分,分别利用支持向量机和卷积神经网络实现了两种手势识别算法。文中详细介绍了两种手势识别算法的原理、特点和流程。在实验的算法验证部分,详细介绍了利用Python语言、编译环境和数据集实现算法仿真的方法。仿真结果显示,两种算法均可有效识别多种静态手势。该实验项目包括任务分析、算法设计、算法优化、编程实现、结果分析等环节。通过本实验的训练,有助于提升本科生在智能图像处理领域的实践能力。

摘要：为了实现超声波手势识别功能来改善人机交互的体验,设计了一个用于手势识别的超声波收发器嵌入式系统,包括前端的发射器驱动电路和接收器信号采集电路设计、可编程片上系统(System on a Programmable Chip,SOPC)硬件电路设计以及相应的软件设计.实验结果证明该系统的软硬件实现方案可以正确控制超声波的发射、接收以及后续的数据传输,同时确保发射和接收之间的相位同步,最终在PC端获得完好的回波信号.

摘要：针对基于视觉的动态手势识别易受光照、背景和手势形状变化影响等问题,在分析人体手势空间上下文特征的基础上,首先建立一种基于人体骨架和部件轮廓特征的动态手势模型,并采用卷积姿势机和单发多框检测器技术构造深度神经网络进行人体手势骨架和部件轮廓特征提取。其次,引入长短时记忆网络提取动态人体手势中骨架、左右手和头部轮廓的时序特征,进而分类识别手势。在此基础上,设计了一种空间上下文与时序特征融合的动态手势识别机(GRSCTFF),并通过交警指挥手势视频样本库对其进行网络训练和实验分析。实验证明,该系统可以快速准确识别动态交警指挥手势,准确率达到94.12%,并对光线、背景和手势形状变化具有较强的抗干扰能力。

摘要：手势日益成为一种重要的人机交互方式,可在电子游戏、虚拟现实等场景中为用户提供更优质的体验。近年来,研究者探索利用不同感知技术实现手势识别,如射频信号、声学信号等。与之相比,利用可见光识别手势具有更强普适性。基本原理为:不同手势遮挡可见光会产生独特的阴影模式,通过光电传感器捕捉阴影变化即可实现手势识别。针对可见光手势识别面临的环境依赖难题,设计了一种基于光电传感器阵列的数字手势识别系统,提出了基于图像的阵列感知数据抽象表示模型,结合图像固有特性发掘不同传感器数据之间的时间和空间关联性,利用时空特征设计了基于CNN-RNN的环境自适应手势识别方法。为了验证所提方法的有效性,设计了环境自适应手势识别系统Vi-Gesture,准确率相比基线方法提升10%以上。

摘要：为了实现基于雷达传感器的人机交互,设计了一个基于深度学习的毫米波雷达手势识别实验。首先,该实验基于77 GHz的FMCW雷达,采集人体手部动作回波数据,并对回波数据进行帧差预处理,再利用多维FFT算法构建距离-速度-角度联合的多维特征融合数据谱图。然后,调用MATLAB中的深度学习工具箱,基于典型的VGG16网络,搭建了适用于多维特征数据提取和动作识别的3D-VGG16-NET网络。实验结果显示,该网络算法对手势的平均识别准确率达到99.38%。

摘要：提出了一种新的人手特征点提取方法,该方法将人手的质心作为匹配点,根据双目视觉定位数学模型计算目标位置信息,同时通过图像分割获取人手轮廓,利用轮廓凸包点特征来识别不同手势。在此基础上,研究设计了一种光学人手定位与手势识别系统,该系统在实时定位空间人手三维位置的同时,能够识别出相应的手势,可将其作为虚拟手的驱动接口,实现对虚拟物体的抓取、移动和释放操作。

摘要：手势交互作为一种自然便捷的交互方式,在智能家居和智能交通等领域具有日益广泛的应用前景。由于手势行为发生的速度、空间约束和用户差异的影响,同一语义手势表现出具有不同时间和空间尺度的多形态特征,这给保障手势识别的准确率带来了挑战。提出了一种基于动态时间规整DTW(Dynamic Time Warping)方法的时空多尺度手势识别方法 SDTW(Spatial-Temporal Dynamic Time Warping),该方法通过对空间形态数据进行分箱操作来达到适应一定程度空间尺度变化的能力。因此,SDTW方法不仅具备DTW方法的时间尺度适应性,而且扩展了空间尺度适应性。文中实现了一个基于智能手机加速度传感设备的SDTW手势识别原型系统。实验测试验证了所提方法能够有效提升手势识别的准确率。

摘要：利用一发两收的线性调频毫米波雷达与MATLAB设计了手势识别教学实验。首先,利用线性调频毫米波雷达采集不同手势样本;其次,利用MATLAB软件对采集到的单通道信号进行快时间傅里叶变换与慢时间短时傅里叶变换,生成距离和径向速度谱;再次,对双通道信号进行相干处理后,再进行快时间傅里叶变换与慢时间短时傅里叶变换,生成角度和角速度谱;最后从谱图中提取经验特征,并将提取的特征经过监督式机器学习算法进行分类,或直接将谱图输入神经网络进行非监督式学习分类。文章详细叙述了利用雷达和机器学习算法进行手势识别的实验原理与过程,有助于学生掌握雷达信号处理的基本方法与应用流程。