导读:本文包含了基于视觉的静态手势识别论文开题报告文献综述及选题提纲参考文献，主要关键词:手势分割,几何特征,特征提取,修正Hausdorff距离
基于视觉的静态手势识别论文文献综述
韩笑[1]（2019）在《基于视觉和几何特征的静态手势识别的研究》一文中研究指出手势是人类的一种自然语言,具有自然、简单、方便、实时性高的特点,它不仅不受地域、环境和文化的限制,而且在某种程度上比语言交流更方便,因此在人机交互领域很多研究者致力于通过手势判断传递的信息,手势识别技术应运而生。由于手势形态的灵活性和动态性,基于视觉的手势识别成为实际应用的主流趋势。本文在复杂背景下对基于视觉的手势识别方法进行了深入研究。主要针对手势分割、特征提取和识别匹配几个关键技术进行了一系列的研究和实验。在手势分割阶段,针对图像受噪声影响导致分割效果不佳的问题,提出了一种改进的手势分割算法。首先对图像进行肤色建模,得到肤色阈值。然后根据像素的邻域信息对图像进行局部自适应滤噪。为了得到更好的分割效果,针对二维Otsu算法选取阈值时的缺陷,结合肤色阈值对阈值组合进行优化,并新增组间平方和作为适应度函数计算最佳阈值,实验结果表明,改进后的分割算法提高了手势图像的分割效果。在特征提取阶段,针对手势受缩放、旋转的影响导致识别率低的问题,提出了一种基于手势几何分布的HGD特征提取方法,首先对分割后的手势图像进行归一化,并计算手势主方向和手势的宽长比,利用相似度函数进行初步识别,筛选出部分候选手势;再统计手势轮廓点分布在直角坐标系中的坐标,使用修正Hausdorff距离作为相似性度量方法识别出最终手势。为了证明HGD算法提取出的手势特征具有更好的性能,设计了一系列实验进行特征的匹配识别。首先对算法本身的性能进行了实验分析,实验表明HGD算法不受光照强度和手势背景的影响,在不同的光强和背景下都有较好的识别率。另外还与叁种同类特征提取算法了进行识别对比实验,实验结果表明,本文方法能够快速准确的识别各种情况下的手势,在一定条件下,平均识别率为92.89%,平均误识率为3.53%,识别速度较同类算法提高了4.2倍。(本文来源于《天津工业大学》期刊2019-01-11）
朱越,李振伟,杨晓利,胡志刚[2]（2019）在《基于视觉的静态手势识别系统》一文中研究指出为了丰富手势识别方法的多样性,提高手势识别的正确率,提出了一种基于手势轮廓像素变化的手势识别方法。在Matlab环境下,设计并开发了一个基于视觉的静态手势识别系统。系统主要由两部分组成:手势分割与手势识别。该系统通过摄像头实时采集手势图像,根据HSV颜色空间上的聚簇特性,通过结合RGB和HSV双颜色空间的手势分割方法得到二值化图像,再对图像进行平滑滤波、形态学处理等处理后得到矩形手势区域图像。手势轮廓可以很好地表征手势图像的局部特征,文中在获取手势轮廓的基础上根据手势区域的像素变化进行手势识别。实验结果表明,该系统能够对规定的四种常用静态手势进行识别,系统鲁棒性很好,平均识别率达到了90%,总体识别有效率达到了85.9%,有较好的识别效果。(本文来源于《计算机技术与发展》期刊2019年02期）
庄会伟[3]（2017）在《基于视觉的静态手势识别中关键技术的研究》一文中研究指出在信息技术高速发展的今天,计算机作为一项伟大的发明,正深刻地影响着人们生活的方方面面。以生物识别技术为基础的自然人机交互技术作为计算机技术的一项重要应用,与人们的日常生活息息相关。基于计算机视觉的生物识别技术是指利用计算机技术对图像或视频进行处理,通过提取人体特有的生物特征,实现对生物体的识别,该技术正在成为人工智能领域的一大研究热点。利用生物识别技术进行人机交互相比传统的技术具有便利性、唯一性等优点。常用的生物特征包括人脸、指纹、虹膜和手势等,其中手势特征相比其他生物特征具有生动、自然和信息量丰富的特点。但是,由于人手具有不确定性和多重性,手势识别技术还有许多问题有待解决,因此手势识别正在成为人机交互领域研究的热点及难点。手势识别系统主要包括叁个部分:图像预处理、特征提取和分类识别。本文主要研究了基于视觉的静态手势识别的相关算法,重点研究了特征提取算法与分类识别算法。针对这两部分内容,本论文主要做了以下工作:第一,详细研究了经典的特征提取算法和分类识别算法,并对它们的算法原理、算法步骤以及优缺点进行了细致的归纳总结。第二,针对基本的局部二值模式(Local Binary Patterns,LBP)算法识别率偏低,提取的特征维数偏大的缺点,本文提出了一种基于多邻域加权融合的局部二值模式算法,该算法是对基本LBP算法的一种改进。分别利用不同的处理策略由每一个中心像素点外两层的邻域点计算得到两幅LBP编码图像,并对它们进行统计得到两幅256维的直方图,然后将这两幅256维的直方图均匀量化为32维,最后将这两个32维的直方图进行加权融合得到一个32维的直方图作为最终的特征向量。通过在手势数据库上的实验结果证明,我们所提出的改进算法能够在提高手势识别率的同时大幅度地降低特征维数,从而提高运算速度。第叁,深入研究了非负矩阵分解(Non-Negative Matrix Factorization,NMF)算法与压缩感知(Compressive Sensing,CS)算法,并利用这两种算法设计了一个手势识别系统。首先利用NMF算法将原始高维的图像向量投影到低维的子空间中得到低维的特征向量,然后利用CS算法所设计的分类器对得到的低维特征向量进行分类,得到手势识别的结果。通过一系列的实验证明,利用CS算法设计的分类器相比其他几种常用的分类器能够获得更高的手势识别率,同时具有更好的抗遮挡能力。另一方面,相较于主成分分析法(Principal Components Analysis,PCA),NMF算法对于遮挡具有更好的鲁棒性。(本文来源于《山东大学》期刊2017-05-30）
姜丽,杨冬风,尹淑欣[4]（2016）在《基于计算机视觉的静态手势识别系统》一文中研究指出基于计算机视觉的静态手势识别分为手势分割、特征提取和手势识别叁个阶段。本文提出了在YCb Cr空间下基于肤色自适应的手势分割方法,以12个傅里叶描绘子为手势特征,利用BP神经网络对10个数字手势,600个样本进行了训练和识别,取得了比较好的效果。(本文来源于《科技展望》期刊2016年20期）
李亚兰[5]（2015）在《基于视觉的实时静态手势识别技术研究》一文中研究指出手势交流作为日常生活中人与人之间常用的交互方式,具有自然、简单等优势。随着计算机科学的飞速发展,手势识别成为新一代的人机交互方式。近年来,随着摄像头的普及,基于视觉的手势识别的技术是人机交互领域的重点研究方向之一。基于视觉的静态手势识别技术通过图像获取设备得到手势图像,一般通过手势分割、手势特征提取和手势分类叁步完成手势识别。基于视觉的手势识别容易受光照,手势之间的差异,旋转等因素的影响,通过对各种静态手势识别技术的研究和比较,基于HOG特征和支持向量机分类器的手势识别技术比较适用。HOG特征提取方法是对图像分块分单元的处理使得图像局部像素点之间的关系可以很好得到的表征,对图像小幅度的平移和小角度旋转以及光照不均衡都有一定的抑制。HOG特征结合支持向量机的方法在物体检测领域特别是行人检测应用已经比较成熟,而使用该技术对多种手势分类,需要分割出完整的手势区域并限制旋转幅度。本课题针对以上问题做了相应研究和改进。首先,本课题对几种肤色分割方法进行研究和分析,并选用基于亮度的多高斯肤色模型对手势图像肤色分割,使得分割算法在复杂背景下和光照变化的情况下适用。接着,本课题设计一种基于手腕定位去除手臂的方法,去除裸露手臂对手势分割的干扰。该算法使用指尖曲率检测和距离变换定位手势方向,然后从指间方向开始宽度搜索找到手腕位置。采用此方法可以比较快速准确地找到手腕进而去除胳膊区域,对手势大幅度旋转问题也可以解决。最后,对分割旋转后的手势图像提取HOG特征,并设计一种融合支持向量机和Softmax分类器对其分类,在保证准确率的情况下减少分类时间。本课题针对各个模块都做了相关实验分析,以验证本课题研究成果的可用性。对于没有胳膊和旋转因素干扰的手势,识别率为94.8%,复杂背景下手势识别测得的准确率为90.7%,在PC平台上单次计算时间为0.17s。(本文来源于《哈尔滨工业大学》期刊2015-12-01）
殷倩倩[6]（2014）在《基于计算机视觉的静态手势识别》一文中研究指出随着人机交互技术的发展,人们不再满足于传统的鼠标、键盘作为输入接口,迫切需要一种新型的更自然的人机交互模式。人机交互模式不在以计算机为中心,以用户为中心的人机交互模式——手势识别,正是现在的发展趋势。在医院,前来就诊的病患与普通人群使用同一触摸导航设备,健康人群通过接触设备有一定几率感染上致病细菌。基于计算机视觉的手势识别技术很好的解决了这一问题。人们可以通过单纯的手势操作医院导航系统,而不用接触到外置输入设备,避免了感染致病细菌。本文介绍了基于计算机视觉的手势识别技术的背景与应用,概述了手势识别技术的基本理论,研究手势识别过程中涉及到的相关技术。构建手部约束模型,利用数字手势一到九,九个手势图像建立手势模板,进行手势图像识别。整个手势识别工作分为四个阶段：手势图像分割、图像预处理、边缘检测、特征提取匹配识别等。首先,对各颜色空间比较后,选择RGB空间与HSV颜色空间的H分量相结合来提取肤色,对手势图像进行分割。然后,对二值化处理后的图像平滑滤波,选用阈值滤波器和高斯滤波器进行图像降噪,运用开运算技术去除图像中的椒盐噪声。之后,采用Canny边缘检测算子,对平滑滤波后的图像边缘提取,计算手势边缘轮廓。最后,根据手势轮廓特点,利用Hu不变矩的七个特征参数进行手势轮廓特征提取,通过欧氏距离完成手势匹配识别。本文研究实现的手势识别应用具有平移、尺寸和旋转不变性。运用OpenCV库,对各模块进行有效性、实时性验证。并通过模块实现得到手势识别效果和统计数据,实验中在简单背景下对手势一到九进行手势识别实验,识别率达到92%。在复杂背景下,手势识别率达到87%。(本文来源于《复旦大学》期刊2014-04-15）
孔凡震[7]（2009）在《基于视觉的静态手势识别算法研究》一文中研究指出随着虚拟现实技术的迅猛发展,研究符合人际交流习惯的新颖人机交互技术变得异常活跃,也取得了可喜的进步。这些研究包括人脸识别、表情解释、口形(唇读)识别、头部方位检测、视线跟踪、叁维定位、手势识别与人体姿势识别等等。其中,手势识别是当前比较热门的研究课题。本文对基于视觉的静态手势识别技术进行了比较深入的研究,并对其中的部分关键算法进行了改进。整个研究过程分为四大部分,即手势图像的获取、手势图像的预处理、手势图像的特征提取和手势图像的识别。具体工作如下:1.手势图像的获取方面,本文使用WINDOWS操作系统自身携带的VFW(Video forWindows)API函数,通过其AVICAP模块中的消息、宏函数、结构以及回调函数实现实时视频帧的捕获,并把得到的视频帧存放到自定义的数据结构DIBINFO中。2.手势图像的预处理方面,本文首先使用灰度直方图算法将手势图像二值化,然后根据本文提出的一种复合型去噪算法对图像消噪,再后采用掏空内部点的方法对手势目标进行轮廓提取,最后采用八邻域扫描法对手势目标进行边界跟踪。3.手势图像的特征提取方面,本文首先研究了人手的常见特征,如人手的面积、人手的矩形轮廓面积、手指(除拇指外)个数等,然后根据神经网络的特点,提出了手势图像的网格特征提取方法。4.手势图像的识别方面,本文采用了二次分类法,即首先用人手的常见特征对手势图像进行粗分类,然后用BP神经网络算法进行细分类,神经网络的输入层输入的是手势图像的网格特征,隐含层采用Sigmoid函数,输出层为四个节点。在构建手势图像的标准手势库时,采用了十种常见的手势作为标准手势。实验结果表明,本文对手势图像的二值化和去噪有较好的效果,系统的识别率和识别精度也较高。但也存在一定的问题,比如说标准手势库还不够完善,系统在复杂背景下还没有得到很好的验证。所以本文研究的手势图像识别技术,在一定程度上是对现有技术的一种改进和补充,而算法的优劣和可靠性,还有待于后续工作的继续完善和验证。(本文来源于《兰州交通大学》期刊2009-05-01）
刘昌盛[8]（2008）在《基于视觉的静态手势识别技术研究》一文中研究指出随着我国计算机技术的迅猛发展,人们对计算机使用方便程度的要求越来越高,手势是一种自然而直观的人际交流模式。已经成为一种重要的人机交互方式。基于视觉的手势识别是实现新一代人机交互所不可缺少的一项关键技术。然而,由于手势本身具有的多样性、多义性、以及时间和空间上的差异性等特点,加之人手是复杂变形体及视觉本身的不适定性,因此基于视觉的手势识别是一个极富挑战性的多学科交叉研究课题。手势分为动态手势和静态手势,动态手势定义为手运动的轨迹,而静态手势强调通过手型传递一定的意义。本文从手势的分割、手势的特征提取和识别叁个方面对静态手势识别算法进行了研究。手势的分割是所有手势识别系统的第一步也是最为重要的一步,分割的效果直接影响到后续的识别结果。本文提出了一种新的基于LM_BP神经网络的手势分割方法。这种方法不需要进行色彩空间的转换,不需要考虑肤色在色彩空间的聚类效果,只要训练样本足够丰富,便可以通过神经网络对肤色在颜色空间的分布进行精确的描述。训练后的网络可以将人体的肤色信息从复杂背景中较好的分割出来。在手势图像的特征提取和识别部分,本文首先采用八邻域搜索法对二值化的手势图像进行边缘检测,得到连通的手势外轮廓,然后分析了具有旋转、平移和尺度变换不变性,并且与边界的起点位置无关的归一化傅立叶描述子,并把归一化傅立叶描述子及欧式距离应用于字母手势的识别中,通过计算输入手势的归一化傅立叶描述子与样本库中各类图像的特征向量的欧式距离,判定输入图像与样本图像间的匹配程度,把待识别的输入图像归为距离最小的那一类。实验结果表明,提出的方法对复杂背景中的字母手势识别率可达到88.46%,可实时识别。(本文来源于《西北师范大学》期刊2008-05-01）
龚陶波[9]（2008）在《基于计算机视觉的静态手势识别系统》一文中研究指出摄像机能够捕捉到用户通过内在自然方式(如眼神、表情、手势和动作等)所表达的信息,因此通过摄像机与计算机进行交互是一种高效自然的人机交互方式,它能使人机对话变得简单,减少人们使用计算机的障碍。特别是最近几年,随着计算机技术的迅猛发展,研究符合人机交流习惯的新颖人机交互技术变得异常活跃,也取得了可喜的进步。这些研究包括人脸识别、面部表情识别、唇读、头部运动跟踪、凝视跟踪、手势识别、以及体势识别等。手势是一种自然、直观、易于学习的人机交互手段。手势识别按输入设备不同可以分为基于数据手套的手势识别和基于计算机视觉的手势识别。其中基于计算机视觉的手势识别以人手直接作为计算机的输入设备,人机之间的通讯将不再需要中间媒体,用户可以简单地定义一种适当的手势来对周围的机器进行控制。但是由于手势本身具有多样性、多义性以及时间和空间上的差异性等特点,加之人手是复杂变形体以及视觉本身的不适定性,基于视觉的手势识别是一个富有挑战性的、多学科交叉的研究课题。本文设计实现了一个基于计算机视觉的静态手势识别系统,该系统能够实时地对从摄像头输入的10个常用静态手势进行识别。系统的设计准则一是实时性,二是准确性。在手势建模方面,采用基于表观的手势模型;在手势分析方面,经过手势图像预处理和特征参数提取得到八个手势特征参数;在手势识别方面,采用二次分类(粗分类和细分类)的方法进行识别。整个系统分叁个部分实现。手势图像预处理部分,根据人体的肤色特征从环境中分割出手区域,然后通过图像增强和拉普拉斯边缘提取算法得到手势轮廓;手势特征提取部分,提取了八个手势特征参数,组成特征向量;视频流实时处理部分,使用天敏SDK-2000图像视频采集卡,通过回调函数对摄像头输入的视频流进行计算,提取出单个静态手势图像,并进行实时地识别。(本文来源于《华中师范大学》期刊2008-05-01）
王茂吉[10]（2006）在《基于视觉的静态手势识别系统》一文中研究指出人与计算机的交互活动越来越成为人们日常生活的一个重要组成部分。特别是最近几年,随着计算机技术的迅猛发展,研究符合人机交流习惯的新颖人机交互技术变得异常活跃,也取得了可喜的进步。这些研究包括人脸识别、面部表情识别、唇读、头部运动跟踪、凝视跟踪、手势识别、以及体势识别等。手势是一种自然、直观、易于学习的人机交互手段。手势识别按输入设备不同可以分为基于数据手套的手势识别和基于视觉的手势识别。其中基于视觉的手势识别以人手直接作为计算机的输入设备,人机之间的通讯将不再需要中间媒体,用户可以简单地定义一种适当的手势来对周围的机器进行控制。但是由于手势本身具有多样性、多义性以及时间和空间上的差异性等特点,加之人手是复杂变形体以及视觉本身的不适定性,基于视觉的手势识别是一个富有挑战性的、多学科交叉的研究课题。本文设计实现了一个基于视觉的静态手势识别系统,该系统能够实时地对从摄像头输入的14个常用静态手势进行识别,并通过识别结果控制幻灯片放映。系统的设计准则一是实时性,二是准确性。在手势建模方面,采用基于表观的手势模型;在手势分析方面,经过手势图像预处理和特征参数提取得到八个手势特征参数;在手势识别方面,采用二次分类(粗分类和细分类)的方法进行识别。整个系统分叁个部分实现。手势图像预处理部分,根据人体的肤色特征从环境中分割出手区域,然后通过图像增强和拉普拉斯边缘提取算法得到手势轮廓;手势特征提取部分,提取了八个手势特征参数,组成特征向量;视频流实时处理部分,使用VFW,通过回调函数对摄像头输入的视频流进行计算,提取出单个静态手势图像,并进行实时地识别。(本文来源于《哈尔滨工业大学》期刊2006-06-01）
基于视觉的静态手势识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了丰富手势识别方法的多样性,提高手势识别的正确率,提出了一种基于手势轮廓像素变化的手势识别方法。在Matlab环境下,设计并开发了一个基于视觉的静态手势识别系统。系统主要由两部分组成:手势分割与手势识别。该系统通过摄像头实时采集手势图像,根据HSV颜色空间上的聚簇特性,通过结合RGB和HSV双颜色空间的手势分割方法得到二值化图像,再对图像进行平滑滤波、形态学处理等处理后得到矩形手势区域图像。手势轮廓可以很好地表征手势图像的局部特征,文中在获取手势轮廓的基础上根据手势区域的像素变化进行手势识别。实验结果表明,该系统能够对规定的四种常用静态手势进行识别,系统鲁棒性很好,平均识别率达到了90%,总体识别有效率达到了85.9%,有较好的识别效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基于视觉的静态手势识别论文参考文献
[1].韩笑.基于视觉和几何特征的静态手势识别的研究[D].天津工业大学.2019
[2].朱越,李振伟,杨晓利,胡志刚.基于视觉的静态手势识别系统[J].计算机技术与发展.2019
[3].庄会伟.基于视觉的静态手势识别中关键技术的研究[D].山东大学.2017
[4].姜丽,杨冬风,尹淑欣.基于计算机视觉的静态手势识别系统[J].科技展望.2016
[5].李亚兰.基于视觉的实时静态手势识别技术研究[D].哈尔滨工业大学.2015
[6].殷倩倩.基于计算机视觉的静态手势识别[D].复旦大学.2014
[7].孔凡震.基于视觉的静态手势识别算法研究[D].兰州交通大学.2009
[8].刘昌盛.基于视觉的静态手势识别技术研究[D].西北师范大学.2008
[9].龚陶波.基于计算机视觉的静态手势识别系统[D].华中师范大学.2008
[10].王茂吉.基于视觉的静态手势识别系统[D].哈尔滨工业大学.2006
标签：手势分割; 几何特征; 特征提取; 修正Hausdorff距离;