手势识别
手势识别的相关文献在1995年到2023年内共计2871篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、机械、仪表工业
等领域,其中期刊论文1271篇、会议论文63篇、专利文献909594篇;相关期刊472种,包括电子设计工程、现代电子技术、传感器与微系统等;
相关会议57种,包括第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)、2017年全国工业控制计算机年会、2017年全国高性能计算学术年会 等;手势识别的相关文献由6136位作者贡献,包括梁文潮、杜国铭、陈益强等。
手势识别—发文量
专利文献>
论文:909594篇
占比:99.85%
总计:910928篇
手势识别
-研究学者
- 梁文潮
- 杜国铭
- 陈益强
- 不公告发明人
- 冯志全
- B·A·摩尔
- 于汉超
- 冯大志
- 张强
- 张毅
- 戴国忠
- 潘叶江
- 阮秋琦
- 陈香
- J·C·比弗
- J·H·沙法尔
- 崔恒荣
- 张杰
- 徐健
- 李翔宇
- 杨波
- 林水洋
- 王勇
- 詹姆斯·刘
- 陈敏
- 陈超
- 其他发明人请求不公开姓名
- 张辉
- 李涛
- 李磊
- 杨晓东
- 窦振龙
- 薛蔚平
- 韩燮
- 伊万·波派列夫
- 冷严
- 刘健
- 刘军发
- 刘峥
- 周松斌
- 周航
- 唐先红
- 唐杰
- 张平
- 张永亮
- 张锐
- 徐涛
- 曾云洪
- 李伟进
- 李美秀
-
-
张梦欢;
王亚刚
-
-
摘要:
基于超声波的非接触式传感扩展了移动设备的交互范围,提出了一种超声传感系统,它可以在多种表面材料上工作,只需要一对声音收发器。该系统使用了多普勒频移和信道脉冲响应来捕捉微妙的手部动作;然后通过卷积神经网络(CNN)从测量的信号数据中提取判别特征,形成对用户手势动作进行识别和身份验证的超声传感系统。在智能手机上实现了超声传感系统,并进行了大量的真实环境实验来评估其性能。实验结果表明:仅使用一个收发器对,它的性能可以与多收发器对实现相媲美;还可以用于多种材料表面,且不需要捕获用户的生物信息即可对用户手势识别,以及辅助身份验证的准确性超过96%。
-
-
范晶晶;
薛皓玮;
吴欣鸿;
王美丽
-
-
摘要:
针对轻量型目标检测网络对静态手势特征提取能力不足、错检率和漏检率高的问题,基于YOLOv4-tiny网络结构提出轻量型手势识别算法.首先引入表征力更强、成本更低的重影特征映射,增强网络获取多尺度手势特征的能力;然后嵌入通道注意力机制实现特征重标定,达到减少背景干扰的目的;最后采用Swish作为主激活函数,进一步提升手势识别准确率.在手势数据集上的实验结果表明,相比YOLOv4-tiny,所提算法具有较优的识别性能;并且对于不同环境条件下的多尺度手势,该算法能够实现精准的分类和实时的检测,对小尺度的手势具有更好的识别效果.
-
-
孙进;
张道周;
张洋;
习俊通;
朱兴龙
-
-
摘要:
为了提高手势识别过程中识别率,提出了一种基于双通道卷积神经网络(CNN)的识别算法。首先,对原始手势图像进行预处理,得到手部边缘图像;然后,分别选取手势图像和手部边缘图像作为CNN的两个输入通道;最后,在全连接层进行特征融合,并用SoftMax分类器对输出结果进行分类。通过实验证明:该算法能有效提高手势识别率,达到99.6%,增强了CNN的泛化能力。
-
-
张轩豪;
陈金伍;
刘孙辰星;
唐伟程;
段升顺;
吴俊
-
-
摘要:
高灵敏度、宽感应范围的柔性力敏传感器是当前柔性传感领域的重要需求。通过将MXene覆盖在氨纶包覆纱纤维表面,制备了一种新型的氨纶纤维应变式电阻传感器。该传感器能将拉伸应变转换成传感器内部导电通道的断裂和重组,进而引起电阻变化。对传感器的拉伸性能和应变传感性能进行检测,检测结果显示,提出的传感器具有较宽的应变范围、较好的稳定性和可重复性、较高的灵敏度。该传感器在0%~40%、40%~50%的应变范围下,传感器的灵敏度分别约为5.82、46.61,且能够稳定地监测手指的弯曲和伸展运动,在未来的可穿戴电子产品中具有潜在的应用价值。
-
-
袁冠;
邴睿;
刘肖;
代伟;
张艳梅;
蔡卓
-
-
摘要:
随着感知计算以及传感器集成技术的发展,使用各种传感设备实时捕捉的手势运动数据,为人机交互提供了新的驱动力,并被广泛地应用于智能家居、远程医疗、虚拟现实等领域.由于手势动作具有时序性与空间连接性,因此在手势识别中需要考虑手势空间连接关系和手势长距离依赖特性.然而现有的手势识别方法忽略了上述两种特性,导致识别精度不高.本文提出了基于时空图神经网络的手势识别算法,该方法从传感器空间分布角度出发,基于传感器的空间位置信息,借助图神经网络(Graph Neural Networks,GNN)对手势数据之间的空间关联性进行表征,并引入门控循环单元(Gated Recurrent Unit,GRU)解决手势的时序性和长距离依赖问题,增强手势识别性能.在多种数据集上的实验结果证明本文方法可行且有效.
-
-
丛玉华;
何啸;
邢长达;
王志胜
-
-
摘要:
基于手势识别的人机交互技术中,存在静态手势识别速度慢和精度低,以及手势动作可扩展性不强等问题,提出了融合注意力机制的Yolov4-Tiny算法,采用基础手势结合手势状态变化方式设计动作语义,根据动作语义调用相应的应用函数,实现人机交互。测试结果表明:所设计的算法在保证识别速度的基础上识别精度提升了19.38%,动态手势识别准确率达到96.5%,人机交互运行时间小于200 ms。
-
-
-
宋丽铭;
陈虹云;
徐欢潇;
胡瑞成;
李佳雯
-
-
摘要:
随着人机交互技术的不断发展,人与机器智能交流也受到越来越多专家学者的关注。如今,手势识别作为当前人机交互的主要方式之一,已经广泛应用于图像处理和虚拟现实等领域。文章打破以往会议中使用鼠标或者翻页笔进行会议控制的局限性,并基于手势识别的优越性设计出根据会议演讲者的实时手势操作对PowerPoint进行实时控制的会议控制系统。
-
-
洪期望;
李捍东
-
-
摘要:
针对传统神经网络算法普遍存在识别准别率不高、运算量较大的问题,以手势分类识别为目标,通过人体肤色特征和SVM模型,设计一种手势识别检测模型。方法采用椭圆傅里叶算子算法提取出手势区域的轮廓,构成手势的特征向量。将肤色空间从RGB空间转到HSV空间下,从背景中将手势区域分离出来,在手势完整性方面引入形态学处理技术,有效填补手势图片中的黑洞区域和去除白点区域,直接对手势图片进行边缘处理。利用Qt制作客户端实现了基本数字手势的快速识别,并进行验证实验。实验结果表明,该方法在手势识别的准确率方面相比于传统算法都有所提高。
-
-
田勇;
郭莹;
崔家栋;
李思柔;
陈晨;
丁学君
-
-
摘要:
针对现有基于商用WiFi设备的人体手势识别方法存在的子载波选择不够优化、动作区间截取不够精确等问题,提出一种基于近似熵子载波选择的人体手势识别(AEGR)方法。利用提出的最小近似熵法构建识别方法待处理的CSI幅值数据,对构建的数据采用小波去噪和中值滤波组合法进行去噪;利用滑动窗极差法精确截取CSI幅值的动作区间,据此提取用于分类的8个特征量;利用随机森林算法进行人体手势识别。实验结果表明,AEGR方法的手势识别准确率可达98.75%,验证了其良好性能。
-
-
陈涛;
刘林盛;
刘明辉;
陈金禄
- 《四川省第十五届汽车学术年会》
| 2021年
-
摘要:
基于毫米波雷达的手势识别是利用电磁波获取人体动态手势的运动特征,实现手势的自动识别.本文提出一种调频连续波(FMCW)毫米波雷达的手势识别技术,对雷达回波进行分析处理,经过雷达信号检测,在复杂环境中对手势与雷达距离、速度等特征进行提取,得到雷达与目标的距离加权多普勒、方位角、俯仰角、方位角俯仰角协方差、方位角加权多普勒相关性、俯仰角加权多普勒相关性这六种特征,根据特征使用浅层人工神经网络对6种手势进行识别分类.通过实验证明,此方法可以快速有效的识别出不同类别手势,对于未训练的测试集有很好的泛化性.
-
-
谈继勇;
佃松宜
- 《2017年全国工业控制计算机年会》
| 2017年
-
摘要:
针对目前电力系统操控领域中存在的触电等安全隐患,将手势识别技术应用到电力系统中,设计了一套以Kinect采集设备、PC机、单片机为平台的复杂背景下基于视觉的手势识别在高压危险检测和控制领域中的应用系统.该系统研究并采用了基于深度图像阈值分割前景背景和肤色检测相结合的手势检测方法,和基于手势之间放缩比例一致性、旋转角度一致性模板匹配的手势识别方法.实验结果表明,该系统平均识别率达94.26%,鲁棒性好.
-
-
-
XIE Xiaoyu;
谢小雨;
LIU Zhejie;
刘喆颉
- 《第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)》
| 2017年
-
摘要:
为了增强手势识别的多样性和简便性,提出了一种基于肌电信号(EMG)和加速度(ACC)信息融合的方法来识别动态手势.首先,利用MYO传感器采集EMG和ACC的手势动作信息;然后分别对ACC和EMG信号作特征降维和预处理;最后,为减少训练样本数,提出用协作稀疏表示分类器来识别基于ACC信号的姿态手势,用动态时间规整(DTW)算法和K-最邻近分类器(KNN)来分类EMG信号的手形手势.其中在利用协作稀疏表示分类器识别ACC姿态信号时,通过对创建字典最佳样本个数以及特征降维的维数进行研究来降低手势识别的复杂度.实验结果表明,手形手势的平均识别率达到了99.17%,对于向上向下、向左向右4种姿态手势平均识别率达到96.88%,而且计算速度快;对于总体的12个动态手势,其平均识别率达到96.11%.该方法对动态手势的识别率较高,计算速度快.
-
-
王科宇;
付浩;
陈超平;
李洋;
俞冰
- 《中国图象图形学学会第八届立体图象技术学术会议》
| 2017年
-
摘要:
面向增强现实的智能眼镜被预测为继手机之后的下一代计算设备.由于智能眼镜将不再配置鼠标、键盘、触摸屏等传统输入硬件,手势识别则将成为其主要的人机交互方式.本文在智能眼镜的硬件平台上开发了一种基于手势识别的三维人机交互技术.该交互技术首先通过内置深度相机采集到的深度信息获取手部三维坐标,然后分析色彩信息构建自适应肤色模型,最后通过k-NN和SVM两类机器学习算法进行手势分类与识别.实验结果表明,SVM算法的准确率高于k-NN算法.在简单背景和复杂背景中,SVM算法的准确率分别可达90.9%和72.6%.
-
-
-
-
SONG Nan;
宋南;
WU Pei-wen;
吴沛文;
YANG Hong-wu;
杨鸿武
- 《2018中国西部声学学术交流会》
| 2018年
-
摘要:
针对聋哑人与正常人之间存在的交流障碍问题,提出了一种融合人脸表情的手语到汉藏双语情感语音转换的方法.首先使用深度置信网络模型得到手势图像的特征信息,并通过深度神经网络模型得到人脸信息的表情特征.其次采用支持向量机对手势特征和人脸表情特征分别进行相应模型的训练及分类,根据识别出的手势信息和人脸表情信息分别获得手势文本及相应的情感标签.同时,利用普通话情感训练语料,采用说话人自适应训练方法,实现了一个基于隐Markov模型的情感语音合成系统.最后,利用识别获得的手势文本和情感标签,将手势及人脸表情转换为普通话或藏语的情感语音.客观评测表明,静态手势的识别率为92.8%,在扩充的Cohn-Kanade数据库和日本女性面部表情(Japanese Female Facial Expression,JAFFE)数据库上的人脸表情识别率为94.6%及80.3%.主观评测表明,转换获得的情感语音平均情感主观评定得分4.0分,利用三维情绪模型(Pleasure-Arousal-Dominance,PAD)分别评测人脸表情和合成的情感语音的PAD值,两者具有很高的相似度,表明合成的情感语音能够表达人脸表情的情感.
-
-
SONG Nan;
宋南;
WU Pei-wen;
吴沛文;
YANG Hong-wu;
杨鸿武
- 《2018中国西部声学学术交流会》
| 2018年
-
摘要:
针对聋哑人与正常人之间存在的交流障碍问题,提出了一种融合人脸表情的手语到汉藏双语情感语音转换的方法.首先使用深度置信网络模型得到手势图像的特征信息,并通过深度神经网络模型得到人脸信息的表情特征.其次采用支持向量机对手势特征和人脸表情特征分别进行相应模型的训练及分类,根据识别出的手势信息和人脸表情信息分别获得手势文本及相应的情感标签.同时,利用普通话情感训练语料,采用说话人自适应训练方法,实现了一个基于隐Markov模型的情感语音合成系统.最后,利用识别获得的手势文本和情感标签,将手势及人脸表情转换为普通话或藏语的情感语音.客观评测表明,静态手势的识别率为92.8%,在扩充的Cohn-Kanade数据库和日本女性面部表情(Japanese Female Facial Expression,JAFFE)数据库上的人脸表情识别率为94.6%及80.3%.主观评测表明,转换获得的情感语音平均情感主观评定得分4.0分,利用三维情绪模型(Pleasure-Arousal-Dominance,PAD)分别评测人脸表情和合成的情感语音的PAD值,两者具有很高的相似度,表明合成的情感语音能够表达人脸表情的情感.
-
-
SONG Nan;
宋南;
WU Pei-wen;
吴沛文;
YANG Hong-wu;
杨鸿武
- 《2018中国西部声学学术交流会》
| 2018年
-
摘要:
针对聋哑人与正常人之间存在的交流障碍问题,提出了一种融合人脸表情的手语到汉藏双语情感语音转换的方法.首先使用深度置信网络模型得到手势图像的特征信息,并通过深度神经网络模型得到人脸信息的表情特征.其次采用支持向量机对手势特征和人脸表情特征分别进行相应模型的训练及分类,根据识别出的手势信息和人脸表情信息分别获得手势文本及相应的情感标签.同时,利用普通话情感训练语料,采用说话人自适应训练方法,实现了一个基于隐Markov模型的情感语音合成系统.最后,利用识别获得的手势文本和情感标签,将手势及人脸表情转换为普通话或藏语的情感语音.客观评测表明,静态手势的识别率为92.8%,在扩充的Cohn-Kanade数据库和日本女性面部表情(Japanese Female Facial Expression,JAFFE)数据库上的人脸表情识别率为94.6%及80.3%.主观评测表明,转换获得的情感语音平均情感主观评定得分4.0分,利用三维情绪模型(Pleasure-Arousal-Dominance,PAD)分别评测人脸表情和合成的情感语音的PAD值,两者具有很高的相似度,表明合成的情感语音能够表达人脸表情的情感.