导读:本文包含了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:Gabor特征,手势识别,遗传算法,图像处理
静态手势识别论文文献综述
涂心琪,兰红[1](2019)在《基于Gabor特征的遗传算法实现静态手势识别》一文中研究指出在人机交互领域,手势识别是一个重要的研究分支。为了提高手势识别的准确率,提出一种基于Gabor特征结合遗传算法的手势识别方法。数据集采用网络数据源,将该数据源中的图片分成一个小样本数据库和大样本数据库两部分,使用小样本数据库进行训练测试后,再使用大样本手势数据库进行实验结果测试。针对小样本数据集,数据库图像原来是在RGB空间,为便于提取图像特征,将这些图像转换至LAB空间,之后使用Gabor特征提取技术来提取每张图片中的纹理特征,通过该技术来获得手势特征,通过调整参数使用遗传算法训练数据,最后选用大样本数据库的数据库中的10种数字手势识别图像进行验证。结果表明,对给定数据库的数字手势进行识别检验,该方法具有较好的鲁棒性。(本文来源于《通信技术》期刊2019年10期)
张晓燕[2](2019)在《基于肤色和模板匹配的静态手势识别》一文中研究指出随着计算机图像处理技术和手势识别技术的快速发展和广泛应用,基于利用传感器的人机交互方式相比于利用鼠标、键盘等设备的人机交互的发展前景更加广阔,如视觉传感器、温度传感器、光敏传感器和重力传感器等。对于静态的手势,采用一种基于肤色和已有的模板进行匹配的手势识别技术(黄添娣,基于肤色分割和统计模板匹配的手势识别人机交互系统:广东技术师范学院,2017),该算法主要包括:图像获取、手势分割、特征提取和手势识别。(本文来源于《电子世界》期刊2019年15期)
石雨鑫,邓洪敏,郭伟林[3](2019)在《基于混合卷积神经网络的静态手势识别》一文中研究指出静态手势识别在人机交互方面具有重要的应用价值,但手势背景的复杂性和手势形态的多样性给识别的准确性带来了一定的影响。为了提高手势识别的准确率,文中提出了一种基于卷积神经网络(Convolution Nenral Network,CNN)与随机森林(Random Forest,RF)的识别方法。该方法首先对静态手势的图片进行手势分割,然后利用卷积网络的特征提取功能提取特征向量,最后使用随机森林分类器对这些特征向量进行分类。一方面,卷积神经网络具有分层学习的能力,能够收集图片上更具代表性的信息;另一方面,随机森林对样本和特征选择具有随机性,并且对每个决策树结果进行了平均,不易出现过拟合问题。在静态手势数据集上进行验证,实验结果显示:所提方法能有效地对静态手势进行识别,平均识别率能够达到94.56%。文中进一步将所提方法与几种经典的特征提取方法(主成分分析(PCA)和局部二进制(LBP))进行对比,实验结果显示:相比于PCA和LBP特征提取方法,由CNN提取的特征向量进行分类识别的效果更好,该方法的识别率比PCA-RF方法高2.44%,比LBP-RF方法高1.74%。最后,在经典的MNIST数据集上进行验证,所提方法的识别率达到了97.9%,高于其他两种传统的特征提取方法。(本文来源于《计算机科学》期刊2019年S1期)
郭凯[4](2019)在《基于单目视觉的静态手势识别研究及应用》一文中研究指出伴随着智能化时代的飞速到来,人机交互技术已经贯穿到人们日常的生产和生活当中。手势识别作为人机交互技术的重要部分,仍存在着光照变化影响图像质量,复杂背景干扰手势区域获取,摄像头本身给图像添加噪声以及该技术应用领域不明确等问题。针对该项技术的应用性与推广性,主要对手势图像分割、手势特征提取以及手势识别应用叁个模块涉及到的算法进行研究改进。使算法不仅能克服周围复杂环境影响,还能使识别准确度有较大明显的提高。最后依托改进算法设计出智能家居手势识别系统。主要的工作和创新点如下:(1)在进行手势区域分割时,为了解决手势区域提取在现实环境下易受类肤色背景和光线变化干扰的问题。研究对比了RGB、HSV与YCbCr叁种颜色空间分别对同一种肤色的分割效果,并简要概括了帧间差分算法与背景差分算法使用场景。创新性的采用了一种YCbCr颜色空间与背景差分法相互配合使用的手势区域分割算法。并分别用肤色分割算法,背景差分算法以及组合算法叁种方法对处于较复杂环境下的手势进行分割。通过实验对比,该组合算法能够克服环境的影响,提取较准确的手势区域。(2)在进行手势特征提取时,为了解决单特征无法准确描述手势信息以及多个手势特征组合较复杂的问题。首先创新性的研究设计了一种基于曲率与指尖圆特征相互结合的方法对指尖数量特征检测,通过与传统指尖检测算法实验对比,设计的检测算法识别效率与正确率较高。在研究并提取手势二值图像的Hu不变矩特征时,通过分析测试数据后对比发现Hu不变矩7个矩中前4个低阶矩能更好的描述手势图像的信息,后3个高阶矩不仅检测时间长,而且容易包含噪声等干扰因素。为了不引入干扰因素,选用了前4个低阶矩来描述特征信息,并且实验获取的数据较好的验证了Hu不变矩具有平移,旋转以及比例不变的特性。通过实验获取到二值手势轮廓的傅里叶描述子,为了验证傅里叶描述子的可用性与准确性,借助傅里叶反变换的性质对数量不同的傅里叶描述子做手势轮廓重塑实验。通过对实验结果的对比分析,证实提取前10个傅里叶描述子能够较好的描述手势轮廓并不会造成边缘噪声。因此,将指尖数量、Hu不变矩以及傅里叶描述子叁种特征简单线性组合成15维数据矩阵对静态手势进行信息描述。(3)在进行手势识别与应用时,对比分析几类分类器后,选用BP神经网络完成对特征组合数据的训练与识别。为了确定较好的神经网络结构参数,首先通过改变隐含层节点数量以及学习率来获取识别结果,然后对识别结果进行对比分析后确定出结构参数,并与当前已研究出的的静态手势识别算法进行了对比实验,从测试数据中能够较明显的分析出,设计的手势识别算法识别率明显较高。并在实践应用上简单完成了智能家居模块电路的搭建,并将手势识别系统更好的移植到智能家居系统中。本文所提出的手势识别算法在设计的智能家居系统中得到了验证,能够准确的完成对智能家居各类电器的简单控制,实用性与推广性较好。(本文来源于《天津理工大学》期刊2019-06-01)
程琦[5](2019)在《基于卷积神经网络的复杂背景静态手势识别研究》一文中研究指出随着计算机技术的发展,计算机的使用越来越频繁,深入生活的方方面面。人机交互作为人与计算机沟通的桥梁,是长期的研究热点,特别是语音识别、手势识别、人脸识别等自然交互方式,随着计算机使用的普及,其需求与日俱增,越来越受到研究者的重视。深度学习技术,极大的提升了计算机处理抽象信息的能力,在处理自然交互信息方面具有明显优势,成为人机交互技术中的有效手段,掀起了智能人机交互研究的新热潮。手势作为人类重要的自然交互方式,具有直观快捷、形象生动的特点。同时,手势在高噪音环境、聋哑人交流等特定应用场景中具有不可替代的作用,市场需求巨大,前景十分广阔。基于视觉的静态手势识别是手势识别领域的经典研究内容,CNN(卷积神经网络)作为智能图像识别的核心技术之一,在静态手势识别方面的应用也较为成熟。但静态手势图像具有许多明显的特点,特别是图像中各类型手势对象具有相对固定的二维形状、手势对象与背景关系较弱等,这些特点在CNN分类算法中往往未能得到有效利用。本文通过对静态手势识别和CNN相关技术的系统性研究,以具有图像分割能力的FCN(全卷积神经网络)为基础,提出了静态手势识别方法。该方法在分类的同时有效结合了手势的二维形状,在复杂背景静态手势识别中取得了较高识别率和较强的鲁棒性。本文的主要工作如下:第一,对传统手势识别技术进行简要总结,重点介绍了与本文相关的技术。第二,对CNN深度学习技术进行系统性研究,包含叁方面内容。一是CNN基本原理,对CNN的基础结构、反向传播理论、各种功能层等进行了归纳。二是CNN程序实现的基本思想,结合MatConvNet深度学习工具箱对CNN的类型定义、数据组织、继承调用关系等进行了分析。叁是CNN经典模型,对经典的CNN基础模型、常用的分割识别模型进行了总结。第叁,FCN针对静态手势识别的研究。主要研究目的是结合实验总结FCN处理静态手势图像时所表现出的独特性质,作为将FCN用于静态手势识别的理论依据。研究内容包括,经典FCN的结构和原理、FCN针对静态手势图像的特性、FCN的结构选择和优化。第四,提出了基于FCN的静态手势识别的方法。其中FCN双重判定是核心算法,该算法通过对FCN预测值中分类信息和手势形状的综合利用,完成静态手势识别任务,方法还包含其他辅助算法。实验结果表明,提出方法不仅在实验数据库上取得了较高的识别率,将实验数据库上的训练模型直接在其他数据库上进行测试,识别率依然较高,具有较强鲁棒性。(本文来源于《山东大学》期刊2019-05-25)
高庆东[6](2019)在《基于SAE多特征融合的静态手势识别方法研究》一文中研究指出随着计算机视觉和人工智能技术的高速发展,以机器为中心的交互方式正逐渐被以人为中心的交互方式所取代,社会迫切需要更人性化、智能化的交互方式,由于手势交互具有直观性、方便性和自然性等特点使其成为一种重要的交互方式。目前手势交互还处于初级水平,研究基于计算机视觉的静态手势识别具有非常重要的意义。本文以提高手势识别准确率和识别速度为研究目标,设计实现一个基于计算机视觉的静态手势识别系统,完成对预定义静态手势的识别,该系统主要包括手势图像预处理、手势图像特征提取与分类识别叁个部分,本文重点研究特征提取和分类识别。首先探讨了经典的特征提取算法、降维算法和分类算法,详细介绍了HOG算法、LBP算法、PCA算法和SVM算法的原理和实现步骤,实验对比了各个算法的优缺点,使用单一的经典算法提取到的特征具有较高维度且特征中不包含手势图像的类别信息影响了分类速度和准确率,针对这一问题,本文提出一种改善方法,引入稀疏自编码网络(SAE)对多种特征进行降维融合,经过降维融合后的特征不仅具有较低的维度同时克服了单一特征表达能力不足的局限性,SAE是一种无监督深度学习网络需要大量的数据进行学习训练,为了克服训练数据较少的问题本文在原有数据集基础上进行扩充,扩充方法有旋转、对称和平移,通过JTD手势数据库上的实验证明,使用新特征可以有效提高系统性能。其次深入研究了SVM分类器与特征的关系,使用SAE算法提取到的特征缺少手势图像自身信息,导致出现同类别样本错分现象,针对这一问题,本文提出一种基于SVM的集成分类器算法,额外增加两个不同分类器KNN和XGBoost,使用粒子群优化算法从中选出多样性与精度较高的集成参数构建集成分类器对特征进行识别,通过JTD手势数据库的实验表明,本文所提出的方法取得了96.67%的分类准确率,且相比于单一分类器精度提升了2.53%。最后设计并实现了基于Microsoft Visual Studio 2015和OpenCV环境下的SAE-(HOG+LBP)-SVMs静态手势识别系统,系统主要包括图像预处理模块、SAE训练模块和分类器模块,将JTD数据集进行扩充制作成训练集,在正常光照环境下采集手势图像制作成测试集,通过JTD测试集和自制测试集上的实验证明,该系统相较于经典识别系统具有更高的准确率和更快的识别速度,改进后的算法具有可行性。(本文来源于《兰州理工大学》期刊2019-05-17)
杨刘涛,孙瑾,张哲[7](2019)在《一种双视点图像拼接的静态手势识别方法》一文中研究指出手势识别技术是实现基于手势的人机交互的关键技术.但人手自由度高,结构复杂,同时由于手势自遮挡会引起信息丢失.本文在卷积网络框架下,提出了一种双视点下使用图像拼接技术的静态手势识手势识别方法.该方法使用3D模型手建立手势库,为解决双视点图像与神经网络的结合问题以及模型手建库带来的网络泛化能力不足,对手势两个视点的图像提出一种剪切拼接方法,在结合双视点信息的同时随机调整模型手的大小及位置来模拟真实情况,提高网络的泛化能力.实验结果表明,本文方法能对单视点下识别错误、存在严重自遮挡的手势进行准确的识别,同时还具有很好的泛化能力,能正确识别未加入训练集的真实手势图像.(本文来源于《小型微型计算机系统》期刊2019年05期)
周文军[8](2019)在《基于DSSD的静态手势识别方法研究》一文中研究指出随着科技的不断发展,人们的生活水平也日益提高,因此人们已不满足于近距离手动的操作身边的事物与机器,而希望通过一种更简单,更快捷的方式来实现人机交互。此外,由于社会的进步,人文关怀的需要,聋哑人与正常人的无障碍沟通也是一件亟待解决的事情,而手势识别又是手语翻译系统中极为关键的一环。基于上述原因,手势识别技术便应运而生了。传统手势识别方法存在准确率与实时性不能同时兼顾的问题,且受环境的影响较大。此外,这些方法对于小手势的检测能力也不强。针对上述问题,本文提出了一种基于DSSD的静态手势识别方法。主要工作如下:利用普通摄像头在不同的环境下采集了手势图片作为数据集,并使用数据增强的方法来扩充数据集。在DSSD网络模型的基础上,做了一些改进:针对自制的数据集以及公共手势数据集,采用K-means算法及手肘法对先验框的宽高比进行了重新选取从而提高了检测精度;改进了信道融合方式,利用concat操作来代替元素点积以提高检测速度;采用迁移学习,对比了不同基础网络AlexNet、VGG16、ResNet101对DSSD网络模型的影响,同时解决了数据量小所带来的检测精度低的问题。随后,通过实验验证了迁移学习对于小数据集所带来的改善作用并且选取了表现较好的ResNet101作为DSSD的基础网络。实验还表明了我们利用K-means算法及手肘法选取的宽高比确实能够提高检测精度以及改进的信道融合方式确实能够提高检测速度。此外,实验通过与基于Faster R-CNN、YOLO及SSD等算法的手势识别方法的对比,证明了本文方法相较于它们有着更高的识别精度。为了验证本文方法的稳定性,实验测试了其在不同环境下的识别表现,结果表明本文方法受环境干扰不明显,可完成多种环境下的检测任务。最后,通过对比实验证明了该方法对于小手势目标具有不错的检测能力,能够实现较远距离的手势识别。文章最后设计了一个基于DSSD的手势解锁系统,可以实现单手势密码及多手势密码的解锁功能。通过实验展示了该系统的界面以及其解锁性能,实验表明该系统具有操作简便、识别精度高、识别速度快等优点,并且还具有一定的抗干扰能力。(本文来源于《合肥工业大学》期刊2019-04-01)
张金[9](2019)在《基于深度学习的静态手势识别》一文中研究指出随着智能设备的发展,手势作为一种人机交互手段,具有丰富、灵活、直观的特点,以手势作为人机交互的方式更符合人们的生活习惯。手势识别对于帮助聋哑群体融入正常的社会生活、机器控制、安全驾驶等方面都有着重要意义。其中,基于数据手套、Kinect等外部设备的手势识别技术已经相对成熟,并被广泛应用,但基于计算机视觉的手势识别技术依然不够成熟。传统图像处理方法通常为了避免环境影响,而选择在简单或单一背景下进行算法的研究设计,导致算法的实际应用价值不高。在复杂背景下,本文以提高手势检测速度和检测精度为目的,采用了不同的方法进行手势识别的研究与改进,并通过实验对比,分析各种算法在手势识别中存在的问题及产生的影响,最终改进的YOLOv3深度学习模型可以在保证手势检测精度的前提下,达到对手势的实时检测,具有良好的应用价值。本文主要采用了 3种方法对手势识别进行了研究:(1)针对传统图像处理算法对于有手臂、人脸等类肤色区域干扰无法进行有效分割,传统滑窗检测法生成大量的窗口图片而影响算法处理速度的问题,提出采用肤色分割提取类肤色区域,对类肤色区域按照自定义的图像缩放规则构建图像金字塔结构,并结合滑窗操作,生成窗口图片,对每个窗口图片进行目标识别和分类识别,这种改进使算法的处理速度达到了 25fps/s,使用范围扩大,手势识别精度达到了 61.2%,检测精度不高。(2)采用Faster RCNN深度网络模型进行手势识别的研究,针对Faster RCNN对远距离小目标手势的识别率不高的问题,运用Faster RCNN与FPN算法结合,提高小目标的检测精度,该模型虽然检测精度较高达到了 97.6%,但检测速度很慢(2fPs/s),无法达到实时检测。(3)采用YOLOv3深度网络模型进行手势识别的研究,针对YOLOv3存在对于近距离手势目标框定位不准确,当IOU增大时,性能下降的问题。提出重新对实验数据进行k-means聚类,生成适应本文数据集的先验框大小,去除顶层特征图对目标的预测,以提高目标手势的定位精度。最终该模型检测精度达到了 98.6%,检测速度为22fps/s,可以达到实时检测的效果。(本文来源于《杭州电子科技大学》期刊2019-03-01)
赵东波,李辉[10](2019)在《基于椭圆皮肤模型和深度学习的静态手势识别》一文中研究指出基于视觉的手势识别是人机交互的热点,本文提出一种基于椭圆皮肤模型和深度学习的静态手势识别算法。通过椭圆皮肤模型检测手部皮肤区域,相比于其他方法,更加快速和准确,然后采集手势图片样本,按照不同的手势进行分类保存,最后采用深度学习库Tiny-DNN将获取的训练集进行离线训练、用测试集进行预测统计。该方法有效地解决了手掌小角度旋转问题,相对于其他的方法,具有更高的正确率,并且能适应比较复杂的环境。实验结果表明,该算法在复杂的环境下,采用简单的成像设备进行手势识别,能检测并识别不同角度和大小的手掌,取得比较高的准确率。(本文来源于《电子设计工程》期刊2019年04期)
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:
随着计算机图像处理技术和手势识别技术的快速发展和广泛应用,基于利用传感器的人机交互方式相比于利用鼠标、键盘等设备的人机交互的发展前景更加广阔,如视觉传感器、温度传感器、光敏传感器和重力传感器等。对于静态的手势,采用一种基于肤色和已有的模板进行匹配的手势识别技术(黄添娣,基于肤色分割和统计模板匹配的手势识别人机交互系统:广东技术师范学院,2017),该算法主要包括:图像获取、手势分割、特征提取和手势识别。
(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。
静态手势识别论文参考文献
[1].涂心琪,兰红.基于Gabor特征的遗传算法实现静态手势识别[J].通信技术.2019
[2].张晓燕.基于肤色和模板匹配的静态手势识别[J].电子世界.2019
[3].石雨鑫,邓洪敏,郭伟林.基于混合卷积神经网络的静态手势识别[J].计算机科学.2019
[4].郭凯.基于单目视觉的静态手势识别研究及应用[D].天津理工大学.2019
[5].程琦.基于卷积神经网络的复杂背景静态手势识别研究[D].山东大学.2019
[6].高庆东.基于SAE多特征融合的静态手势识别方法研究[D].兰州理工大学.2019
[7].杨刘涛,孙瑾,张哲.一种双视点图像拼接的静态手势识别方法[J].小型微型计算机系统.2019
[8].周文军.基于DSSD的静态手势识别方法研究[D].合肥工业大学.2019
[9].张金.基于深度学习的静态手势识别[D].杭州电子科技大学.2019
[10].赵东波,李辉.基于椭圆皮肤模型和深度学习的静态手势识别[J].电子设计工程.2019