基于Leap Motion和支持向量机的手势识别

为了使手势识别在更多的领域得到推广及应用,提出了基于Leap Motion体感设备实时跟踪技术获取手势三维空间坐标信息的方法,并从中分别提取角度信息和相对坐标信息,构建手势特征数据,建立手势识别模型。对特征数据进行归一化处理后,利用支持向量机(SVM)分类器进行训练、建模和分类,实现手势识别。实验结果表明:以角度数据和坐标数据作为手势特征的方法可行,平均识别率分别为96.6%和91.8%。通过对比可以得出:以角度数据作为特征值具有较高的准确性和鲁棒性,并避免了单纯依照一种特征值产生的局限性。

基于Leap motion的钢琴弹奏手指运动曲线的测量与分析

针对建立手指触键运动自适应曲线的完整描述,提出了一种基于Leap motion空间3D体感传感器的新型测量方法。首先引入手指运动偏角的概念,建立手指触键运动模型并分布对齐坐标系;然后,根据新型测量方法,进行手指触键动作捕捉与运动特征点选取;最后运用不同的拟合模式在置信区间为95%的条件下处理手指触键动作数据,建立手指触键运动特征描述自适应函数。该函数针对不同长度的人手可为其提供准确的钢琴弹奏触键运动曲线。该研究为钢琴弹奏教育服务型机器人教学平台中的手指触键运动曲线自适应判别系统的建立提供理论支持。

基于Leap Motion的动态手势识别

动态手势识别作为人机交互的一个重要方向,在各个领域具有广泛的需求。相较于静态手势,动态手势的变化更为复杂,对其特征的充分提取与描述是准确识别动态手势的关键。为了解决对动态手势特征描述不充分的问题,利用高精度的Leap Motion传感器对手部三维坐标信息进行采集,提出了一种包含手指姿势和手掌位移的特征在内的、能够充分描述复杂动态手势的特征序列,并结合长短期记忆网络模型进行动态手势识别。实验结果表明,提出的方法在包含16种动态手势的数据集上的识别准确率为98.50%;与其他特征序列的对比实验表明,提出的特征序列,能更充分准确地描述动态手势特征。

基于LSTM算法的动态手势识别实现

随着人们对人机交互要求的不断提升,交互方式也得到多样化发展,如鼠标键盘交互、触摸屏交互、语音交互、体感交互等.本文基于长短期记忆网络对leap motion传感器采集到的动态手势数据进行识别,并能够识别36个大写字母和数字的手势,均取得了较好的结果.