基于词根的中国手语识别方法

迄今为止 ,手语识别面临的最大问题是如何解决词汇集易扩充的连续识别 提出一种大词汇量连续中国手语识别方法 ,将词根作为识别基元 ,由于基元的数目是有限的 ,因此基于HMM的手语信号的训练和识别变得比较容易处理 ,可以实现更大词汇量的识别 除此之外 ,所提方法还有利于实现手势语和手指语的混合识别 从中国手语中共整理出2 4 0 0多个词根 ,为每个词根建一个并行的HMM模型 ,对各数据流的HMM模型进行聚类 ,确定出手语识别的基元 根据这些基元对手势词编码 ,并建立了树状搜索网格 ,使用状态结点上高斯密度函数聚类、语言模型和N Best方法提高系统的速度和精度 对 5 119个手语词做了实验 ,连续语句的识别率可在 90

面向大词汇量的实时连续中国手语识别系统

目前手语识别研究的难点之一在于如何实现大词汇量的连续语句识别 .针对这个问题 ,该文提出了几个有效的方法 ,包括修正转移矩阵、状态结点的捆绑、快速匹配、在搜索路径中加入词跳转的估计参数等 .利用上述技术 ,该文实现了一个基于数据手套和位置跟踪器的大词汇量的连续的中国手语实时识别系统 .对中国手语辞典中收录的 5 10 0个词以及一批连续语句作实验 ,实验结果表明 。

改进SSD算法在中国手语识别上的应用

基于计算机视觉的手语识别技术能为聋校双语教学带来很大的便利。近年来,随着深度学习技术的蓬勃发展,手语识别的准确率和速度有了极大的提高。与使用颜色标记和外界技术(如Kinect手心定位技术)的方法不同,提出一种改进的SSD(Single-Shot Multibox Detector)网络,对手势进行目标检测完成中国手语识别。针对手部小目标,将SE-Net嵌入SSD中的特征层进行通道权重分配,改进损失函数更好地应对正负样本不均衡问题,使用mixup进行数据增强,将手势识别结果在中国手语关键手势模板库中进行匹配,从而完成动态手语识别。实验证明,该算法在手语识别上具有较高的准确率和识别速度。

基于HMM_SVM的中国手语识别研究

提出了基于隐马尔可夫方法的中国手语识别方法,通过对于手势的取像,图像处理,降维技术,通过应用Sugeno模糊积分,图像处理技术是计算机图形学识别的基本步骤,采用直方图的特征可以将手型的区域从背景中分离出来,然后通过降维处理,将得到的手部图像去除手部以外的区域,从而得到手的轮廓;使得不携带其他相关手套工具,达到静态简单手语识别,其正确率达到85%以上,证明这种方法在中国手语识别上的可行性。

基于Kinect的中国手语识别

基于微软Kinect提取的深度图像信息,提出了一种新的中国手语识别方法。该方法首先利用Kinect获取人体主要骨骼的3D坐标和手的3D坐标;然后根据中国手语的手型、手的位置和手的方向3个主要构造成分,分别采用DBSCAN和K-means聚类算法获取手语特征中的手的位置基元和方向基元,提出一种结合CLTree和Attribute bagging聚类集成方法提取手型基元;最后将这3类基元进行组合采用模板匹配方法识别中国手语。通过对选取的72个中国手语进行识别实验,平均识别率为90.35%,实验结果说明了方法的可行性。

一种中国手语单手词汇识别系统

利用数据手套、视觉设备和肘部弯曲传感器作为输入设备,提出了一种基于特征匹配和信息融合的中国手语单手词汇识别系统。首先利用手姿信息和手势信息的类型判别来确定待识词所属类别,并选择相应的词库;然后根据所属类别将待识词和库中词的相应特征按一定的规则进行匹配;最后利用D-S证据理论将各特征的匹配结果进行融合,选择具有最大基本概率赋值的词汇作为输出。实验结果表明,该系统不但具有较好的实时性和灵活性,而且识别率比较高。