支持概念设计的特征手势建模

给出了特征手势的概念并且建立了特征手势库 ,描述了基于特征手势的建模过程 ;进一步讨论了特征手势内部的约束建立和求解算法以及上下文感知技术 ,通过与传统建模和交互方式的对比 ,验证了特征手势建模的方便性 文中算法以用户为中心 ,给出了自然简便的设计工具 。

虚拟现实人机交互中多特征手势检验算法研究

文章首先对虚拟现实人机交互的概念和常用方向进行探讨,在此基础上重点论述功能实现所建立的基础,提出通过仿真模拟来对多途径手势进行使用验证,帮助提升人机交互过程中各个手势实现的仿真能力。对于当前的交互功能实现,本文所总结的技术方法具有可行性,应用在设计阶段安全且稳定。

基于虚拟现实的人机交互中的多特征手势识别追踪算法的研究

文章首先分析了虚拟现实人机交互中的要点部分,总结为视线选择与虚拟场景构建,并对其中的构成要点技术加以论述。在此基础上重点探讨实现虚拟现实人机交互环境下多特征手势识别的追踪算法,结合实际案例整理出识别后的多特征手势虚拟图,帮助人们更直观地了解虚拟现实技术下手势识别效果。

基于特征点分布分析的手势特征检测方法

为提高对手势特征点检测的精度和速度,提出一种快速、准确的复杂背景下手势特征检测方法。利用基于肤色亮度的手势分割方法将手势提取出来,获得手势轮廓,针对不同手型,利用改进的曲率算法对轮廓点进行初步筛选,通过对候选点区域内分布特点的分析,最终确定特征点位置。进一步提出了新的特征点分离算法。与已有算法相比,该算法提出基于亮度分布的肤色模型,增强了手势分割的鲁棒性;引入了手型分析尺度和特征点分布分析,对手势特征位置由粗到精进行检测,改善了算法的精度和时间开销。实验表明,该方法在复杂背景下对手势特征的检测有较高的准确率和实时性,有效地减少了传统曲率方法中干扰点的误判和特征点的冗余,对不同大小的手型具有一定的鲁棒性。最后,通过在运动三维人手跟踪中的成功运用,验证了该方法的有效性。

结合CSS与傅里叶描述子的手势特征提取

目前常用的基于视觉的静态手势特征提取方法只从单一方面进行描述,缺乏全局信息和局部信息的有效结合。为此,提出一种结合CSS形状描述子与傅里叶描述子的手势特征提取方法。将CSS形状描述子与傅里叶描述子相结合,以此作为一种融合手势局部特征和全局特征的新的静态手势特征。实验结果表明,与传统方法相比,该方法的正确率更高,达到98.3%。

基于三维模型的双目手势特征提取

提出一种基于三维模型的双目手势特征提取算法.该算法使用双摄像头,在手势的三维几何模型基本框架下,将得到的几何体的旋转角度作为提取出的手势特征.使用图像的极半径不变矩对比图像之间的相似度,并用遗传算法逐代改变三维模型中几何体的旋转角度,使其最大程度地接近真实手势,克服三维重建中速度与精度之间的平衡问题.实验证明,在简单手势的条件下,该算法可以比较精确地对手势实现三维重建,进而提取手势特征,是手势识别的基础.

基于手势多特征融合及优化Multiclass-SVC的手势识别

深度相机的发展使得获取手势骨骼信息更加方便,为了从多维手势骨骼节点大数据中获取有用信息并在室内复杂环境和近距离条件下实现对常见双手静态交互动作的识别,提出一种基于多特征融合及生物启发式遗传算法优化多分类支持向量分类器(multiclass-SVC)的静态手势识别方法。利用手势骨骼数据设计了新的手势特征且通过特征组合策略建立更全面的手势特征序列,削弱了冗余特征产生的影响,提高了数据处理能力;采用生物启发式遗传算法优化multiclass-SVC的核函数与惩罚参数,得到最优核函数和惩罚参数,能够克服因随机选择核函数和惩罚参数导致手势识别准确度低的缺点;运用P、R、F1、A度量指标对手势识别模型进行综合评估,且通过与KNN、MLP、MLR、XGboost等模型的对比实验,验证了所提手势识别模型能有效提高手势识别准确度;通过迭代增加手势样本数据进行模型训练的方法分析了样本容量对手势识别准确度的影响,提供了一种提高手势识别准确度的有效方法。实验结果表明,手势识别准确率达到98.4%,识别算法的查准率、查全率和F1性能评测指标均值不低于0.98。

一种基于曲波变换的手势特征提取新方法

论文分析了具有各向异性特点的曲波变换,通过曲波变换的USFFT的算法实现,把曲波变换应用到手势边缘特征的提取中。试验结果表明,利用曲波变换得到的手势特征优于当前流行的小波变换方法,能够得到更多的手势边缘结构特征信息,为下一步的在高维空间识别工作创造条件。

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。

人机交互手势特征识别及边缘修复算法研究

为了能够在图像采集区域将人的脸部和手势准确区分,需要将人机交互相互联系,同时也成为该领域的研究热点。脸部的特征和手的纹理高度相似,对手势准确识别产生了较强的干扰性。针对人脸与手会出现重叠的现象,本文基于人机交互手势识别特征,提出了边缘修复算法,在像素点空间匹配算法的基础之上,通过边缘修复算法修复人脸与手重合交界处的模糊边缘处,研究结果显示,边缘修复算法的正确率高达94.6%,而其他算法的正确率仅为8.7%,该算法对头部运动和手势变换频繁等情况具有显著的分辨效果。

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。

基于三维视觉特征的数字手势语义识别新方法研究

为了解决现有手势识别易受背景噪声干扰和算法较为复杂的问题,提出一种基于3D视觉的数字手势语义识别方法。首先,通过RealSense 3D相机采集手部区域的RGB图像和深度图像,并结合深度信息和肤色信息,对手势进行分割;其次,对手势图像进行形态学滤波后,得到手势区域的轮廓凸包面积比、凸缺陷数、手指夹角和关键点连线比值等特征参数;最后,通过分析不同手势独有的特征参数,实现准确的手势识别。对数字0~9的手势分别进行50次识别实验,手势分割准确率为100%,手势识别准确率为98.5%。实验表明该方法准确可靠,数字手势识别效果理想。

基于Kinect的手势特征提取的改进算法研究

在手语识别系统的应用背景下,基于微软的Kinect平台对使用者的手部主要特征进行提取。在算法CLTree和Integrating Boosting的基础上进行算法改进,提出新的算法Double Mixing对提取的特征进行处理,得到一系列能够让计算机进行识别的手语手型特征信息,为后续的手语识别工作打下实验性的基础。

基于手势特征融合的操作动作识别

针对动态复杂场景下的操作动作识别,提出一种基于手势特征融合的动作识别框架,该框架主要包含RGB视频特征提取模块、手势特征提取模块与动作分类模块。其中RGB视频特征提取模块主要使用I3D网络提取RGB视频的时间和空间特征;手势特征提取模块利用MaskR-CNN网络提取操作者手势特征;动作分类模块融合上述特征,并输入到分类器中进行分类。在EPIC-Kitchens数据集上,提出的方法识别抓取手势的准确性高达89.63%,识别综合动作的准确度达到了74.67%。

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。

概念设计中基于笔式手势的交互计算研究(英文)

基于笔式手势的自然交互是支持概念设计创新的有效方式.提出了一种笔式手势的层次概念模型,结合基于约束的自由勾画和上下文感知技术描述了手势设计方式,进一步讨论了手势内部的约束建立和求解算法;基于手势应用的范式,给出了概念设计中特征手势建模的应用实例,通过与传统建模和交互方式的对比,验证了特征手势建模的方便性.给出一个自然、高效的方法,以基于手势的方式来完成概念设计构思过程,采用笔式交互快速自然地记录下设计思路,所实现的系统方便了用户的创新设计,改善了人机交互模式.

服务机器人手势识别系统研究

为了解决手势控制服务机器人时单手手势交互不够自然和易受背景光照影响的问题,提出一种较自然的双手手势识别方案。利用Viola-Jones检测器和高斯肤色模型结合的方法进行手势分割,有效克服了背景和光照的影响。针对单一特征识别时的缺点,提取手势形状的多种特征组成混合特征向量。最后通过经典的BP神经网络方法实现手势识别。实验表明,该系统在不同背景和光照条件下鲁棒性较好,识别率在90%以上,可以对服务机器人进行前进、后退、左转、右转、停止的实时控制。

结合手势主方向和类-Hausdorff距离的手势识别

针对目前手势识别方法受手势旋转、平移、缩放的影响,导致手势识别率偏低的问题,提出一种基于手势主方向和类-Hausdorff距离模板匹配的手势识别方法.首先把分割后的手势图像进行标准化处理,并求出标准化图像中的手势主方向;然后根据手势主方向建立二维手势直角坐标系提取空间手势特征;再利用空间手势坐标点分布特征方法对手势进行初步识别;最后利用类-Hausdorff距离模板匹配的思想识别最终的手势.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确地实现手势识别,总体识别率达到95%;对发生旋转的手势识别率能超过90%.

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。

基于支持向量机的人机交互媒体播放界面手势识别方法

为了提高手势识别在人机交互媒体播放界面交流的准确率,提出一种基于支持向量机的人机交互媒体播放界面手势识别方法。首先通过分析人机交互媒体播放界面,利用Cam Shift方法跟踪用户手势,确定手势在人机交互媒体播放界面的区域,通过计算波峰数量、手势的长度和能量,提取出手势特征;然后通过扫描用户手势的深度图像,得到手势范围,引入高斯滤波函数,过滤掉手势图像的掩模,确定手心位置,完成手势分割;最后利用支持向量机的分类阈值,计算手势图像的分类面,引入拉格朗日算法,将最优分类面问题转化为对偶性问题,实现人机交互媒体播放界面的手势识别。实验结果表明,该方法能够清晰识别人机交互媒体播放界面中的手势,并将准确率提高到90%以上。研究结果为复杂工作环境中运用手势动作进行人机互动提供理论支持。