导读:本文包含了手势建模论文开题报告文献综述及选题提纲参考文献，主要关键词:手势识别,动态时间规划,半监督学习,一次学习
手势建模论文文献综述
况逸群[1]（2019）在《面向社会机器人的3D手势建模、识别与学习》一文中研究指出社会机器人(Social Robots)未来可能重塑整个社会,而自然人机交互技术是其核心技术之一。手势交互作为一种自然的人机交互方式,被广泛应用于社会机器人交互系统之中。然而,现有的手势识别算法需求大量的高质量训练数据、模型学习过程复杂、扩展性差,难以应用于社会机器人真实应用场景。本文紧密围绕社会机器人手势交互技术,重点研究如何利用少量的有标记数据,甚至单个样本数据进行手势学习,以及如何建模融合多模态信息以提升手势识别的性能。本论文的主要工作和成果归纳如下:针对因手部是一种高自由度的链式结构使得关节点数据标注非常困难,从而造成现有的基于有监督学习的方法学习成本极高的问题,本文提出了一种基于多视图投影的半监督学习方法。该方法将无标记叁维手势点云图投影至叁个坐标平面,利用自编码器学习投影视图之间的隐空间编码,作为手势姿态的隐式表征,进而利用有标签数据学习隐式表征到手部姿态的直接映射。实验表明,该方法不仅有效地减少了对标记数据的依赖,且在手姿态估计数据库上,将最好结果从19.60毫米提升到了17.04毫米。针对现有一次学习手势识别算法存在以下缺点:1)常用的运动特征只关注运动部分信息,造成手势描述的不连续,丢失了手势保持时期的信息;2)特征提取未关注于有效的手部区域,造成身体摆动等无效运动的干扰;3)识别算法丢失了特征的时空位置信息,本文提出了一种简单有效的基于上下文信息的显着性特征提取方法。该方法能够完整地保留手势的动静态信息,从而获得更丰富、更鲁棒的特征表达。其次,本文提出了一种基于特征匹配的动态规划算法,该算法利用特征匹配的稠密性及准确性度量两帧的相似性,而后采用动态规划算法求取两手势序列最优匹配距离。该算法保证了手势描述的连续性、准确性,并且充分利用了特征的时空位置信息。本文提出的算法在无需复杂的特征设计的情况下,得到了和当前基于复杂特征设计的算法相当的效果。针对基于深度学习的多模态手势识别算法需要谨慎的网络结构设计,繁琐的网络训练,且新的数据需要重新训练问题,本文提出了一种统一的多模态信息融合构架,称为VDTW(Voting based Dynamic Time Warping)。该算法通过利用叁维隐形状模型建模各模态特征的时空结构信息,而后通过一致性投票将特征映射至统一的概率空间,形成对各帧时空分布的概率估计,以此构建对齐代价矩阵。此外,本文还提出一种基于概率的快速上界求取方法,能够减少不必要的动态规划计算过程,从而加速计算。这些优点使得VDTW算法能够适用于大样本多模态手势分类任务,在Chalearn IsoGD多模态手势数据库上,获得了和基于深度学习的算法相当的结果。在上述算法研究的基础上,搭建了一套社会机器人系统JIAJIA,用于验证真实场景下的手势交互效果。多位志愿者受邀参与系统测试,使用体验方面得到较高评价,其次,量化的识别结果也验证了系统的实用性。(本文来源于《电子科技大学》期刊2019-04-01）
张彦彬,陈晓春[2]（2018）在《基于特征空间切分建模的变形手势跟踪算法》一文中研究指出为解决人机交互中手势形变和无规律运动带来的跟踪难题,提出了一种基于特征空间切分建模的非参数核密度估计算法来实现手势跟踪.首先,在检测模块中利用AdaBoost分类器检测图像中手势的存在,将检测到的手势位置信息传送给跟踪模块,该模块精确提取手势目标从而对其颜色建模.然后,利用目标的颜色模型对各帧图像进行后验概率密度估算,获取运动目标的概率密度图像,将其分解成手势运动区和同色干扰区.最后,对同色干扰区采用混合高斯建模来削弱同色目标的干扰,当目标丢失时启动再检测模块,并利用贝叶斯分类器与方差分类器实现手势目标重检.实验结果表明,该算法通过对特征空间切分建模以及不同分类器的级联解决了变形手势跟踪的同色干扰与再检测难题.该算法提高了跟踪的准确率(>81.5%),适合于非刚性物体做无规则运动的复杂场景.(本文来源于《机器人》期刊2018年04期）
张墨逸,张秋余,芦俊池,段宏湘[3]（2015）在《基于结构特征点的手势建模与高层特征提取》一文中研究指出在单目环境下,为提高手势特征提取的精度,提出一种图像结构特征点的提取方法,使用提取出的结构特征点建立手势模型并优化求解得到高层特征.对图像的梯度图进行分析,通过给出图像平滑点、非平滑点的定义,提出冲突值的计算与结构特征点的提取方法,对图像的局部结构特征进行适当地描述;建立2D结构手模型替代3D手模型;基于提取出的结构特征点,将贪婪算法与局部随机抽样一致性匹配算法相结合,对手势模型参数进行优化求解,进行手掌、手指和指尖定位.实验结果表明:该算法对预处理结果具有一定的鲁棒性,对分割出的边缘不敏感,因此能有效减少传统曲率算法中对干扰点的误判.(本文来源于《华中科技大学学报(自然科学版)》期刊2015年10期）
史东承,倪康[4]（2015）在《基于YCbCr颜色空间背景建模与手势阴影消除》一文中研究指出为了提高动态手势检测的精确度,本文将基于YCb Cr颜色空间的混合高斯背景建模应用于动态手势识别中,并且提出手势阴影消除的有效算法。首先,对待检测视频帧通过抠图抠出手势图像,在YCb'Cr'颜色空间进行椭圆拟合,统计建立椭圆肤色模型,继而在YCb Cr颜色空间进行混合高斯背景建模检测出动态手势,点乘原图像得到含有阴影的RGB手势图像,对检测出的含有阴影的手势图像利用已建立的椭圆肤色模型进行阴影消除,最后将手势图像连成视频序列。实验结果表明,该算法在复杂背景下进行动态手势的检测率可达91.4%,高出传统方法 10%左右,能够满足动态手势检测基本要求,且具有较高的实用价值。(本文来源于《中国光学》期刊2015年04期）
张志芬,吴怀宇,程磊,杜钊君[5]（2014）在《基于3D建模的手势识别在机械臂抓取中的应用》一文中研究指出为解决基于视觉的手势识别易受光照、阴影等因素干扰导致识别率及鲁棒性不稳定的问题,提出了一种基于深度图像传感器的手势识别技术。采用肤色建模与深度图像相结合的方法实现复杂背景下手势的定位分割;采用3D建模实现骨骼点的手势识别;将该算法应用于面向移动机械臂平台的人机交互控制系统中,成功地实现了目标物体的抓取。实验结果表明,该方法识别速度快、准确性高且具有良好的鲁棒性。(本文来源于《计算机工程与设计》期刊2014年06期）
刘颖轩,高智斌,谢健清,廖国斌,黄泽铭[6]（2014）在《基于手势控制的3D建模端口设计与实现》一文中研究指出文中介绍了如何运用手势进行3D建模,通过曲度传感器捕获不同手指的曲度来实现在建模中的各种功能,通过编程实现建模的实时显示和生成DXF文件,从而导入现有的叁维建模软件。(本文来源于《机械工程师》期刊2014年05期）
陈卫国,卢锦川,韦瑞录[7]（2013）在《基于肤色建模及自动阈值方式的手势提取研究》一文中研究指出在手势图像处理中,手势轮廓识别率高低的基础之一就在于能否精确的把手势轮廓提取出来。针对类肤色信息和复杂背景的影响,提出一种用单峰高斯概率函数的方法把不同人种的肤色在YcbCr彩色空间的分布进行建模,建立的模型用于手势图像的提取得出手势图像的似然概率图,接下来应用自动阈值和图像处理方法提取了手势的最终二值化轮廓,实验结果表明本文所用方法的简单高速有效性。(本文来源于《电脑知识与技术》期刊2013年17期）
杨宁[8]（2012）在《面向手势识别应用的视频背景建模研究》一文中研究指出传统的人机交互界面是基于机械装置的,如键盘、鼠标、操纵杆和游戏手柄等。近年来基于计算机视觉的方法越来越受推崇,它能够以一种自然的方式识别人的手势,让用户体验自然、无阻碍的人机交互。在手势识别应用中,视频处理的第一步就是从视频图像序列中分离出所要观察的目标,即背景建模与前景目标提取。背景建模的准确与否,直接关系到最终提取结果的准确性,因此,研究出好的背景建模方法是非常重要的。本文在基于手势交互应用的背景下,研究了视频处理中背景建模与前景目标提取方法。首先分析了国内外背景建模及模型更新的各种算法,由此重点研究了混合高斯背景建模和随机逼近背景建模算法,并对上述两种算法做了相应的改进。传统的混合高斯背景建模算法对图像中的各个像素点采用固定个数的高斯分布,但在实际应用中这并不是最优模型,因为其像素分布的多模性是随着时间与空间变化的。本文采用自适应更新高斯分布个数的方法,在判定前景与背景时给定一个时间阈值,在这段时间内始终符合高斯分布的像素点才归为背景区域,此方法能有效克服场景中噪声的影响。实验仿真结果表明,该算法在背景中有扰动及缓慢光照变化情况下能够较好地进行背景建模。随机逼近背景建模是基于Robbins-Monro的随机逼近算法的方法,模型中对背景和前景分别采用高斯分布和均匀分布表示,通过对分布参数的估计实现模型的更新。本文在建模过程中主要考虑了对背景突变的适应性,基于同一测试视频,与混合高斯算法进行对比实验,结果表明随机逼近算法的背景提取效果要优于混合高斯算法,该算法在复杂场景中也能够较好地提取出目标,并且能够抑制阴影的影响。本文基于视频背景建模工作为后续的手势目标的跟踪、识别及分析奠定了良好的基础,有助于手势交互的智能系统应用。(本文来源于《南京邮电大学》期刊2012-03-01）
李良辰[9]（2012）在《力感应触摸手势时空表观建模与识别系统原型开发》一文中研究指出触摸屏是目前最方便、简单、自然的一种人机交互方式,应用在各个领域以及各个行业,它极大的简化了计算机的使用,即便是一些从未使用过电脑的人,也使应用变的轻而易举,充分发挥计算机强的魅力。如今在以用户为中心的指导理念下,触摸手势交互的设计显得尤为重要。因此,手势的开发与建模,将使触摸屏的应用更具有更广阔空间。本文对触摸屏的单点、多点触摸识别关键技术进行了理论研究,对由一组在空间上检测到的触点P和与之相关的一组时间参数T组合而成的触摸手势进行分析,在识别要素上,添加了触摸感应的力度,从而形成了叁维识别坐标体系,增加了手势的多样性,然后建立识别模型,并通过相应的识别算法编写应用程序在表面声波触摸屏上实现单点、多点触摸识别技术。最后,对力感应下的单点、多点触摸识别技术的识别准确度、识别速度进行系统验证,将这一套手势识别的原型基于力感应触摸屏编程实现,同时丰富了手势识别后的显示方式,不仅仅表现在文本上,而且还会加入个性声音,图片,以及动画的演示。最终通过验证发布。文章在叁维触摸屏中力度的应用上开创了触摸屏与力度相结合的先河,首次提出基于力感应触摸屏的手势一般化的定义与设计,使得触摸交互形成了一个统一完成的手势库,交互设计者可自行选择对其有用的手势服务于应用系统,增强了交互手势的适应性与便捷性。(本文来源于《北京邮电大学》期刊2012-01-03）
魏朝龙[10]（2011）在《手势建模算法研究及其应用》一文中研究指出随着计算机硬件及软件技术的迅速发展,使符合人际交流习惯的手势识别成为可能。由于基于视觉的手势识别技术涉及计算机视觉、图像处理、模式识别等领域,以及手势本身具有的多样性、多义性和时间空间上的差异性等特点,此方向的研究成为一个极富挑战性的多学科交叉研究课题。本文主要研究手势识别中的手势建模过程,包括手势分析和手势识别两个阶段。传统的基于隐马尔可夫模型(简称HMM)的手势识别算法的最终结果是由输出概率最大的HMM模型来决定的。然而由于手势识别轨迹中打手势人本身的动作幅度不大以及部分手势本身的相似性,若干个HMM模型的输出概率有可能非常接近。仅凭概率最大来做判断,存在误识别的可能。同时,基于支持向量机(简称SVM)的手势识别是利用手势轨迹的整体数值特征来进行识别,从而忽视了手势轨迹中间的各种变化。HMM模型利用上下文关系进行模式识别,更多地表达了类别内的相似性,而支持向量机擅长分类问题,更大程度上反映了类别间的差异,二者的融合恰好弥补了彼此的不足。鉴于隐马尔可夫模型(简称HMM)具有良好的时间序列建模能力和支持向量机(SVM)在有限样本的分类方面具有的优良性能,本文提出了一种基于轨迹分割的HMM_SVM融合手势识别模型。其基本思想是：将手势特征提取过程中得到的手势轨迹分割成两部分,分别放入已经训练好的16个HMM模型中计算最大似然概率。如果输出概率满足特定条件,则借助SVM再次分类。这样能够较准确的进行手势识别,在一定程度上提高手势识别准确率。本文还实现了实时手势识别的原型系统。该系统包含手势图像捕获、手势图像预处理、手势分割、手势特征提取、手势轨迹识别等过程。在手势图像预处理阶段,本文提出一种基于改进ILAE算法的图像局部自适应增强算法对捕获的手势图像进行增强,为后续的手势图像分割及手势特征提取奠定了很好的基础。本文的手势识别实验结果表明,单独运用HMM模型对8种有代表性的手势轨迹的平均识别率为93.25%。而运用本文提出的一种基于轨迹分割的HMM_SVM融合手势识别模型对该8种有代表性的手势轨迹的平均识别率达到95%。后者在一定程度上提高了手势识别效率。最后,本文给出了目前所做的工作的一些不足之处以及对后续工作的展望。(本文来源于《广东工业大学》期刊2011-05-01）
手势建模论文开题报告
（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：
为解决人机交互中手势形变和无规律运动带来的跟踪难题,提出了一种基于特征空间切分建模的非参数核密度估计算法来实现手势跟踪.首先,在检测模块中利用AdaBoost分类器检测图像中手势的存在,将检测到的手势位置信息传送给跟踪模块,该模块精确提取手势目标从而对其颜色建模.然后,利用目标的颜色模型对各帧图像进行后验概率密度估算,获取运动目标的概率密度图像,将其分解成手势运动区和同色干扰区.最后,对同色干扰区采用混合高斯建模来削弱同色目标的干扰,当目标丢失时启动再检测模块,并利用贝叶斯分类器与方差分类器实现手势目标重检.实验结果表明,该算法通过对特征空间切分建模以及不同分类器的级联解决了变形手势跟踪的同色干扰与再检测难题.该算法提高了跟踪的准确率(>81.5%),适合于非刚性物体做无规则运动的复杂场景.
（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。
手势建模论文参考文献
[1].况逸群.面向社会机器人的3D手势建模、识别与学习[D].电子科技大学.2019
[2].张彦彬,陈晓春.基于特征空间切分建模的变形手势跟踪算法[J].机器人.2018
[3].张墨逸,张秋余,芦俊池,段宏湘.基于结构特征点的手势建模与高层特征提取[J].华中科技大学学报(自然科学版).2015
[4].史东承,倪康.基于YCbCr颜色空间背景建模与手势阴影消除[J].中国光学.2015
[5].张志芬,吴怀宇,程磊,杜钊君.基于3D建模的手势识别在机械臂抓取中的应用[J].计算机工程与设计.2014
[6].刘颖轩,高智斌,谢健清,廖国斌,黄泽铭.基于手势控制的3D建模端口设计与实现[J].机械工程师.2014
[7].陈卫国,卢锦川,韦瑞录.基于肤色建模及自动阈值方式的手势提取研究[J].电脑知识与技术.2013
[8].杨宁.面向手势识别应用的视频背景建模研究[D].南京邮电大学.2012
[9].李良辰.力感应触摸手势时空表观建模与识别系统原型开发[D].北京邮电大学.2012
[10].魏朝龙.手势建模算法研究及其应用[D].广东工业大学.2011