摘要：手势识别在人机交互方面具有重要的应用价值,但是传统设计方案中对用户的手势信息采集繁琐且设备昂贵,因此设计了一款基于多项式拟合的电容式传感器手势识别系统。系统采用FDC2214传感器读取数据代入到拟合好的多项式函数中,进而判别不同的手势,并利用无线通信模块将判别结果发送给PC监测终端。介绍了该系统的软硬件及算法设计,并给出了实验测试结果,结果表明:结合该算法的手势识别系统手势学习总时间为1.09 s,每个手势识别时间为0.62 s,准确率为97.41%,具有灵敏度高、准确性好,抗干扰性强的优点。

摘要：为提高手势识别系统的识别率和识别效率,提出基于Kinect骨骼数据的手势识别方法。在获取的关节坐标的基础上,统计各关节在空间3个维度上的变化量并表示为相应的权值,在动态时间规整(DTW)算法中进行特征加权,提高算法识别率和鲁棒性。在进行匹配前使用模板选择方法从数据库选取与待测手势最为相近的模板,减少用于DTW匹配的模板数量,缩短样本识别时间。实验结果表明,所提方法具有较高的识别率和识别效率。

摘要：手势识别是人机交互的一种方式,用于手势识别的传统K最邻近算法由于训练组数据量大影响了其识别效率,为此提出了一种新的手势特征提取方法,设计了一款基于改进K最邻近算法的手势识别俄罗斯方块游戏.该方法根据手势信号的特征量,只需记录特征量的符号作为训练组以及测试组来储存.实验表明,改进K最邻近算法在体感游戏中对手势识别的平均成功率较阈值判别法的手势识别成功率提高了10%左右.

摘要：针对基于超声波的手势识别系统在真实场景下的自动化和杂波干扰问题,提出一套包括手势检测、杂波滤除的手势识别算法。手势检测算法基于动态能量阈值,能够检测手势的产生,自动触发手势识别流程。杂波滤除算法使用目标分割,滤除RDM(range Doppler map)图中的杂波,只提取其中有效目标的特征,用于手势的分类。实验结果表明,该系统能够在手势检测和手势识别两个流程间自动切换,对7种不同手势的识别率为97.9%,在存在干扰的真实应用环境中,杂波滤除算法能够提高识别率。

摘要：为解决现有手势识别方法易受外部环境干扰和特征提取繁琐的问题,提出一种基于Intel Realsense技术的深度图像手势识别的方法。根据SR300捕获的深度图像中获取的手部关节点和手指的信息,对这22个关节点进行几何建模;采用关节等效距离和手指伸直程度的特征,实现手势识别;将该方法应用到机械臂机器人的人机交互中去,成功实现抓取杯子到嘴边喝水等动作。实验结果表明,该方法特征简单,识别率高,通用性强,具有较强的鲁棒性。

摘要：为在虚拟维修训练中实现更加自然高效的人机交互,增强维修训练人员的沉浸感,提出一种基于Kinect深度图像和骨骼数据的手势识别方法。通过对维修样机和维修资源的维修特征进行研究,建立基于维修特征的维修动作集合,定义维修操作的常用手势库;在分析和构建手势识别系统流程的基础上,结合Kinect深度图像和骨骼数据实现手势图像的分割,基于形态学闭运算完成手势分割图的预处理,采用Zernike矩的方法实现对常用手势的识别。将该方法应用于机械设备的虚拟维修训练中,结果验证了该方法的可行性和有效性。

摘要：为了提高表面肌电信号(sEMG)手势识别算法的准确性,并解决人为提取大量特征具有局限性的问题,提出了一种基于深度神经网络的手势识别方法。将MYO臂环采集到的8通道sEMG数据,采用活动段分割的方法探测到有效动作;设计出一种融合卷积神经网络(CNN)和长短时记忆(LSTM)网络的神经网络;实验的结果表明手势识别准确率为91.6%,验证了提出的方案高效可行。

摘要：为解决基于视觉的手势识别易受光照、阴影等因素干扰导致识别率及鲁棒性不稳定的问题,提出了一种基于深度图像传感器的手势识别技术。采用肤色建模与深度图像相结合的方法实现复杂背景下手势的定位分割;采用3D建模实现骨骼点的手势识别;将该算法应用于面向移动机械臂平台的人机交互控制系统中,成功地实现了目标物体的抓取。实验结果表明,该方法识别速度快、准确性高且具有良好的鲁棒性。

摘要：针对证据理论能将多源数据有机合成为具有更高可信度结果的特点,提出基于证据理论融合的手势识别方法。方法先采用Leap Motion采集手势视频序列,提取手势运动轨迹的方向角作为特征;采用隐马尔科夫模型和支持向量机分别对手势进行训练,进而在识别中通过证据理论将两种方法所计算的手势基本概率分配进行决策融合,实现最终的手势识别;将该方法应用于医疗可视化系统中,实现了自然直观的手势交互。实验结果表明,该方法结合了隐马尔科夫模型和支持向量机的优点,可有效提高手势识别率和交互准确性。

摘要：针对现有毫米波雷达手势识别研究中手势信息提取不充分的问题,提出一种基于RDATM三维参数数据集的手势识别方法。该方法先对获取的雷达手势回波数据进行预处理并进行动态手势检测,然后利用回波信号频谱信息构造距离-时间图(Range-Time Map, RTM),多普勒-时间图(Doppler-Time Map, DTM)和角度-时间图(Angle-Time Map, ATM),最后利用RTM、DTM、ATM构建RDATM数据集并送入基于VGG16网络改进的单分支卷积神经网络进行手势特征提取和分类。实验结果表明,利用RDATM数据集对6种手势的平均分类准确率可高达99.17%。且文中改进的网络相较于原VGG16模型对同类型数据集训练时间更短、分类准确率更高。