基于双目视觉的低复杂度高准确度手势提取算法

为满足实时人机交互的需求,解决在不同光照、不同背景下,与肤色无关的手势提取问题,提出了一种低复杂度、高准确度、适合硬件实现的手势提取算法.该算法对双目图像基于逐行扫描的机制提取手势.首先检测边缘,由边缘对图像形成分割,获得手势轮廓,随后通过匹配提取出手势,最后消除背景噪声的影响,获得准确的手势.实验采用两个相同型号的网络摄像头在室内光照条件下采集图像.结果表明,该方法在复杂背景中能够快速准确地提取出各种手势,相比传统的基于肤色的手势提取方法干扰更少.

复杂背景下的手势提取

通过学习Open CV中的肤色检测类,在多个颜色空间下构造了肤色检测函数。并且比较了各个空间下肤色检测函数对于各种颜色的敏感程度,通过多个肤色检测函数混合使用完成复杂背景下的手势提取,再结合背景差分方法得到了最理想的二值化手势图像。

基于指尖角度集核密度估计手势特征提取

针对手势识别实时性和鲁棒性不足的问题,提出基于指尖角度集核密度估计的特征提取方法。通过对一般手势定义指尖角度集并提取指尖角度集核密度估计特征。为解决形状匹配的相位漂移问题和进一步提高实时性,对该特征集有效区间归一化和均匀采样得到指尖角度集核密度估计序列。基于互相关系数形状匹配算法进行手势识别。实验分析表明,采用该特征提取方法的任意手势识别实时性和鲁棒性比现有方法有显著提高。

基于改进LLE算法的手势特征提取研究

在人机交互领域中,基于视觉的手势特征提取成为研究的热点,但手势存在较大范围的变化,很难实现对手势的有效分类。研究了一种基于LLE改进算法的手势特征提取方法。先将手势特征数据中的某个数据点与邻近数据点组成局部线性关系,对重构误差进行拉格朗日乘子算法优化处理,求出新的局部重建权值矩阵,为了使局部线性关系能够满足低维度空间,通过求解映射矩阵的方法,将手势特征样本数据的目标特征空间映射到低维度空间中。采用稀疏观察手势描述法对手势特征进行提取,根据手势参数对手势轨迹数据进行归一化处理,为了提高手势特征提取的实时性,采用支持向量分类器的方法将手势从难以分类的空间映射到高维度的手势空间中。实验结果表明,所提方法对手势的查准率和召回率较高,泛化性较好,即使在样本数据很少的情况下,也具有较好的识别效果。

基于关键帧和局部极值的手势特征提取算法

为了缩短动态手势特征提取的时间,提出一种基于关键帧和局部极值的手势特征提取算法(KFLE)。对传统关键帧图像选取算法进行改进,提出一种基于运动方向和自适应阈值的关键帧手势图像选取算法,通过比较相邻帧手势图像之间的运动方向和质心距离,选择出运动方向或距离发生明显改变的关键帧手势图像进行指尖特征选取;在对关键帧手势图像进行特征提取的过程中,提出一种基于局部极值的指尖特征提取算法,通过构造距离函数并结合凸包过滤,寻找手势轮廓曲线上的局部极值点,确定手势中存在的指尖特征。实验结果表明,与基于凸包缺陷的手势特征提取算法和基于改进k-曲率的手势特征提取算法相比,该算法分别缩短了44.3%和71.9%的特征提取时间。

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。

人机交互手势的超声波检测及其HMM融合SVM识别算法

随着智能装备的性能提升和普及应用,经常采用手势进行人机交互。为了更有效地解决复杂手势识别精度不理想的问题,提高对复杂手势的识别准确率,提出利用超声波多普勒频移的SVM-HMM手势识别算法对提取到的手势特征序列进行识别分类。该算法采用支持向量机SVM改进隐马尔可夫模型HMM中的状态转移概率矩阵,并经由Sigmoid函数处理状态序列中各个隐状态的输出概率,对HMM的分类性能进行优化。利用设置的三种不同分类器的对比实验结果表明,该改进算法具有较好的提升效果,尤其对于复杂手势的识别效果提升更为明显。通过实验结果表明,SVM-HMM的算法能够准确进行手势识别,总体手势的识别率为94.625%,相比未改进的HMM平均识别率提高了10.75%,对比其他改进HMM算法对复杂手势的识别准确率提升4%左右。

基于组合色彩空间和卷积神经网络的手势识别算法

为了提高静态手势识别的准确性,提出一种基于组合色彩空间和卷积神经网络的手势识别方法。该方法首先对图像中的手势区域进行提取,针对RGB图像中有效分割手势区域的问题,综合考虑YCbCr和Lab色彩空间的特性,采用组合色彩空间进行图像重构,分割并提取单一和复杂背景下的手势区域。将分割后的图像作为卷积神经网络分类器的输入样本,实现图像中静态手势的分类识别。在公开数据集上的实验结果表明,基于组合色彩空间的算法可以有效提取各类背景下图像中的手势区域,提高手势区域在卷积神经网络中的识别准确率。

多目标优化的静态手语识别算法研究

手势是人类与计算机交互的直观方式,随着人工智能技术的发展,以机器为核心的计算模式正朝着以人为中心的计算模式转变,自然且符合人类习惯的人机交互(HCI)方式逐渐成为目前研究的热点。一个高效的人机交互系统应该以良好的识别精度和识别速度为目标。文中提出了一种基于深度信息的静态手势识别方法,包含了手势大小、光照和旋转变化等因素的影响。从识别精度和速度两个方面,综合比较了如Hu矩、Zernike矩、伪Zernike矩、傅里叶描述符和Gabor特征等几种常见的图像特征描述符。手势识别采用多层感知器,它具有结构灵活、识别速度快等特点。为了提高识别精度、减少计算量,特征向量和神经网络均通过基于NSGA-II的多目标进化算法调整。在对手语识别的进一步探究中,对所提出的方法的有效性进行验证。

基于Leap Motion技术的三维体感交互商业展示空间设计

配置Leap Motion技术的三维体感交互的多媒体设备是商业展示空间设计的重要技术。鉴于其精准的手势识别和跟踪技术,结合3ds Max9构建具备商品及使用场景展示的虚拟商业展示空间,提升用户的沉浸式体验,有助于用户充分了解待售商品的特点及使用要点,将商业空间打造为融合娱乐性、情感性、互动性以及延展性的直达消费者的展示渠道,对于消费者了解并选购产品具有明显优势,值得推广应用。