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：针对手部疾病患者康复成本较高和康复训练不便的问题,开发了一种非穿戴式的基于手势识别的手部康复智能评估算法。为了提高手势识别检测能力,参照GhostNet原理,并结合自注意力机制,设计了全新的网络模块Lwblock。将YOLOv4算法中的模块Resblock改进为网络模块Lwblock,提出了Hand-YOLOv4算法。基于RexNet在Hand-YOLOv4算法框选的矩形区域内深度学习,识别出手部21个关键点。以自主手势识别技术为核心,结合动态时间规整(DTW)算法,设计了手部康复智能评估算法。试验结果表明,在手势识别任务中,检测速度较原模型提高了14%,且检测精度不会降低。该智能评估算法检测精度可达到90%以上,完全能够胜任手部康复评估工作,将促使手部医疗康复领域向舒适化、便捷化方向发展。