导读:本文包含了人手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:人机协调装配,图像分割,手部内轮廓,手部生物特征
人手识别论文文献综述
乔丹[1]（2019）在《人机装配环境下的人手特征识别与叁维重构》一文中研究指出自动化的、能适应多类情景的信息处理算法是提高工作效率、制造系统柔性与产品质量的有效实用手段。基于双目机器视觉的人机交互协作装配技术,使用视觉处理得到的手部位姿作为装配机器人行为决策的输入信息,通过装配任务的合作实现高效、柔性的生产过程。手部图像的生物特征信息和与其相联系的含有手部姿态的信息是手部位姿预测的前提,具有很高的研究价值和实用价值。本文通过对人机交互合作装配图像中手部生物特征的理论解析、提取与识别、双目叁维重构及推断,实现了基于手部特征的手部位姿重建。在肤色建模的基础上,利用图像肤色分割实现了手部位置的图像定位,识别手部内轮廓线,为手部的生物特征识别提供了基础。在YCrCb色彩空间,采用最大类间方差法进行自适应阈值识别,实现手部图像的基本定位和大体轮廓获取。基于聚类学习方法在RGB色彩空间上建立了肤色混合高斯模型,配合YCrCb颜色空间的自适应阈值识别结果,通过期望最大化算法实现了对手部区域的较准确分割,得到了较为准确的手形外轮廓。基于改进的Laplace算子在人手灰度图像上提取纹路点,得到了手形内轮廓,与手形外轮廓组合为完整的手部轮廓,完成了人手完整轮廓的识别。对手指生物特征进行识别和推断,提取完整指节,识别近、中指节位置,推断远指节位置和手腕位置,实现了手部结构化的特征检测。以序列搜寻方式将手形外轮廓与内轮廓由图像数据表示为轮廓坐标链;基于区域转角算法,由手形外轮廓识别指根位置;将手形外轮廓与手形内轮廓组合为人手完整轮廓,由手形完整轮廓识别手指指尖位置;由手形内轮廓的识别结果,对指根与指尖识别结果进行修正。由指根指尖识别结果提取代指根点,并由其配合指根指尖点进行手指形状提取;基于改进Laplace算子提取近、中指节位置。利用代指根点结合手部轮廓推断手腕点;以所提取的手指形状及近、中指节位置在图像上推断远指节位置。整合所有识别和推断得到的信息,实现了手部特征检测。对手部生物特征进行叁维重构和位姿推断,得到了完整的手部叁维空间位姿信息。以线性叁角形法对手部生物特征进行叁维重构,得到了手部生物特征的叁维位姿信息。以指骨长度特征建立了手部位姿模型,并建立了空间推断远指节的自适应阈值推断算法,将叁维重构信息中部分带入人手位姿模型,空间推断出远指节的叁维信息。整合所有手部生物特征的叁维信息,得到了叁维空间中的手部位姿信息。(本文来源于《西安理工大学》期刊2019-06-30）
都明宇,王志恒,荀一,鲍官军,高峰[2]（2019）在《多模式人手动作分类识别方法》一文中研究指出为了满足手部运动功能康复器的主动康复训练对多种人手动作模式识别的需求,分析了表面肌电信号采样通道设置布局、训练样本制作、特征提取方式、模式分类器结构参数等因素对手部动作识别的影响,设计了针对前臂的表面肌电信号采集方案,分别基于时域统计量、自回归模型系数、小波包分解系数特征设计了BP神经网络分类器。实验结果表明:对6种单指动作、13种多指动作、20种手部动作的最佳平均识别率分别为98.5%、92.4%、90.9%,计算时间小于190 ms,验证了所提出方法的有效性和实用性。(本文来源于《中国机械工程》期刊2019年12期）
吴颜生[3]（2019）在《基于表面肌电信号的人手动作识别研究》一文中研究指出表面肌电信号(surface Electromyogram signal,sEMG)是肌肉收缩期间在皮肤表面产生的一种微弱生物电信号,它具有采集方便、非侵入、对肢体无损伤的特性,近年来得到了广泛研究。利用sEMG控制的交互设备具有潜在的应用研究价值,基于sEMG的人手动作识别研究成为目前仿生假肢的一个重要研究热点。当前基于sEMG的动作识别虽然取得了一些进展,但在sEMG包络信号的研究分析与使用、活动段检测算法的复杂性与准确率、特征的优化选择与处理、个体差异性等方面仍存在一些问题,导致识别率下降、能够识别的动作不够多。针对这些问题,本文以开发肌电假肢为目标,采用实验与理论相结合的方法,就基于表面肌电信号的人手动作识别进行了如下研究:1)研究了两种类型的sEMG信号的特性,包括sEMG原始信号和sEMG包络信号。前者是从皮肤表面通过氯化银电极贴直接获取的,只经过简单放大未经信号处理电路进一步处理,是一种交流信号,拥有丰富的时域和频域信息。后者是利用信号处理电路对sEMG原始信号进行整流、积分和放大后得到的直流信号,反映的是sEMG原始信号的包络轨迹,只在时域中携带丰富的信息。2)活动段检测及预处理方法的研究。在活动段检测中本文提出并比较了改进的基于短时能量和基于滑动绝对值平均的两种算法,分析了它们的优劣。在数据预处理过程中本文对sEMG原始信号采用八阶巴特沃斯带通滤波器,对sEMG包络信号研究了叁种预处理方法,包括滑动中值滤波、数字滤波器和小波变换,最终选择出基于小波六层分解与重构的平滑消抖预处理技术。3)sEMG的特征提取及处理方法的研究。这些研究内容包括特征提取、特征的预处理和特征的选择优化。本文根据sEMG原始信号的性质,从sEMG原始信号时域、频域、时频域和参数模型中共提取了52个特征。根据sEMG包络信号的特性,从sEMG包络信号的时域中提取了24个特征。不同的特征其量纲不同,在特征的预处理过程中本文对所有特征进行了最大最小缩放处理以消除量纲。由于个体差异性,不同的人最优特征组合是不一样的,本文使用了四种单变量特征选择算法包括皮尔森相关系数、F检验、卡方检验和Relief-F对原始特征进行了选择优化。4)sEMG的使用方式以及有监督学习与单变量特征选择的匹配研究。本文运用了叁种有监督学习算法,包括K近邻、多层前馈神经网络和支持向量机。在实验中发现,模式分类器与单变量特征选择算法匹配不同所得到的识别结果不同,同时将sEMG原始信号与sEMG包络信号结合使用效果最佳,经过一系列的分析比较,本文选择出F检验与支持向量机的最佳匹配组合,将两种信号结合使用的方法。通过这种方法,本文仅仅使用两个传感器,对九种人手动作达到了95%的识别率。5)仿生机械手的在线实时肌电控制实验。将以上得到的结论在硬件平台上实现,开发出了仿生手实时模仿实验者的实验平台。该实验平台包括数据采集终端、波形显示以及数据处理终端和仿生机械手控制终端。它们之间通过串口或NRF24L01无线通信模块进行通信,能够对实验者动作进行在线实时识别并模拟。(本文来源于《东北师范大学》期刊2019-05-01）
李鑫[4]（2019）在《面向手势识别的人手检测与跟踪》一文中研究指出由于具备便捷、自然的优势,手势识别这一新兴人机交互技术被越来越多地应用于虚拟现实、康复医疗、远程遥控等领域。人手检测和人手跟踪是手势识别背后的两个基本而核心的问题,其准确度和实时性直接决定了手势人机交互技术的用户体验和效率。为此,本文针对人手检测和人手跟踪方法展开研究,旨在为手势识别人机交互提供高效、准确的人手检测和人手跟踪算法。针对人手检测问题存在数据类内差异巨大的难点,本文提出一种基于条件随机森林的人手检测方法。首先,对人手进行聚类分析。由于具有相似姿态、光照的人手被聚到同一个类,聚类后每个类中的人手类内差异将显着减低。其次,分别针对各个聚类中的的人手建构条件随机森林。最后,根据测试样本与各聚类中心的在特征空间的距离来从相应的条件随机森林选取相应数量的决策树,动态组建随机森林用于测试样本的分类。实验表明,本文提出的人手检测方法有良好的准确度。针对人手跟踪算法容易受背景干扰而发生漂移现象的问题,本文提出一种融合颜色特征的判别目标模型的人手跟踪方法。一方面建立基于颜色直方图的最小错误率贝叶斯分类器,分离人手和背景;另一方面识别与人手表观特征相似的干扰区域,并将其建模到贝叶斯分类器中,进一步抑制背景干扰。此外,还提出一种分割阈值自适应方法,用以更精准地对人手和背景进行分割。在人手跟踪视频数据集的实验表明,本文提出的人手跟踪算法可以降低背景区域的干扰影响,从而减轻漂移现象的发生,具有良好的准确性、鲁棒性与实时性。(本文来源于《华中师范大学》期刊2019-04-01）
张振阳[5]（2019）在《基于sEMG人手动作识别的康复机械手控制研究》一文中研究指出世界上每年都会有很多人因为意外导致肢体伤残,而手部伤残对人们的生产和生活有极大的影响。手部功能障碍可以通过康复训练达到康复的目的,但传统人工辅助康复训练的方式成本较高,而使用机器代替人工帮助患者康复训练的方式显得经济又方便。传统的康复机械手采用“被动训练”方式,患者的手指由外骨骼机械手拉动而被动运动,这种方式没有加入自我意识的“主动训练”方式效果好。本文设计并实现了一个由表面肌电信号控制的外骨骼康复机械手,它能帮助患者利用自己的意识控制外骨骼手完成一些动作。本文对肌电控制机械手中提升信号质量的方法、特征选择、模式识别以及主动控制方法等几个关键问题进行了研究。从对表面肌电信号的采集分析出发,根据手功能障碍患者的临床特征设计了康复动作,根据手臂肌肉解剖图合理布置四通道采样电极的放置位置,同时为平衡采样信号的质量与控制程序运算量,选择了600Hz为采样频率,并设计了合理的采集方案。通过计算采样信号的类内和类间距离,利用距离可分性判据选择了可分性较好的方差特征作为肌电控制的分类特征。针对表面肌电信号中包含的大量噪声干扰,采用实时数字陷波的方式滤除工频噪声,将表面肌电信号的信噪比大幅提升,并利用盲源分离方法去除通道串扰,排除了通道串扰的影响。除此之外,还利用高通滤波法去除运动伪迹,利用BP神经网络对表面肌电信号进行模式识别,动作识别率达到97.6%,利用双阈值法检测动作的发生,并设计了实时肌电控制方案。本文着重研究了表面肌电信号噪声与串扰的去除方法,为设计康复机械手的肌电控制方法提供了方便,并利用人工神经网络为康复器训练了六种康复动作。在以后的研究中还需要进一步提升信号质量,尤其是对于手部功能障碍患者,他们手臂的表面肌电信号要比健康人的弱很多,噪声对信号的影响也更大。要从微弱的信号中提取信息,必须想办法消除掉噪声的影响。在使用体验上,进一步提升产品的识别率,把肌电控制机械手做到更加轻便小巧。此外还可以加入在线训练,在识别率下降的时候,重新进行训练,恢复康复手的识别率。鉴于主动式康复训练器拥有更多优良特性,在以后会逐渐取代被动式康复训练设备成为康复训练的常用设备。(本文来源于《浙江工业大学》期刊2019-01-01）
都明宇,王志恒,荀一,鲍官军,高峰[6]（2018）在《基于多通道sEMG小波包分解特征的人手动作模式识别方法》一文中研究指出为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法;通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确地完成样本动作标签的制作;以原始肌电信号的小波包分解系数作为特征向量训练分类器;通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数;设计并训练完成了BP神经网络人手运动模式分类器;对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。(本文来源于《计算机测量与控制》期刊2018年06期）
都明宇,鲍官军,杨庆华,王志恒,张立彬[7]（2018）在《基于改进支持向量机的人手动作模式识别方法》一文中研究指出为了提高基于表面肌电信号(sEMG)控制的手部运动康复器对人手多种动作模式的识别率,比较常规支持向量机(SVM)多类分类器的特点,提出改进的决策树支持向量机多类分类方法.该方法引入基于sEMG特征向量的类间距离可分性测度来指导决策树的构建,能够为每个SVM子分类器的训练提供识别率较高的样本划分方案,在提高决策树内部节点分类成功率的同时,简化了分类器结构.通过实验对比可知,新方法在20种手部动作模式的识别训练过程中,单项动作最低识别率较常规决策树方式提高了7.1%,平均识别率达到88.9%,训练速度较一对一支持向量机分类器提高了5.8%.(本文来源于《浙江大学学报(工学版)》期刊2018年07期）
都明宇[8]（2017）在《基于表面肌电信号的人手动作模式识别关键技术研究》一文中研究指出手作为人类的重要器官,不仅是我们从事生产劳动的主要工具,也是重要的交流工具。人的手不仅能够灵活自如的做出精细、复杂的手势和动作,完成各种创造性工作,实现对自然世界的改造,还能够传达思想情感和行为意图,成为重要的辅助交互手段。表面肌电信号(Surfaceelectromyographic,sEMG)作为一种伴随肌肉活动的电生理信号,其蕴含了丰富的人体运动意识信息,是最理想的仿生康复设备和新型人机交互设备的生物信号控制源。深入研究基于表面肌电信号的人手动作模式识别技术,实现低成本、快捷、准确的手部动作识别能力,将识别结果转换为多自由度控制指令去驱动输出,不仅可以满足肢体残障人士对智能仿生手自主操控的迫切需求,为康复医学领域提供更为可靠和人性化的辅助康复设备,而且在人机交互中,为使用者根据情境选择合适的动作种类表达自身意图并与外界环境进行信息交换提供了支持。因此,具有非常重要的研究意义和应用价值。由于sEMG自身复杂的不确定性和人体运动状态的多样性,要实现准确高效的动作解析依然存在较多问题和挑战。例如目标肌群的筛选、sEMG特征的选择和提取、连续动作/运动建模方式还不完善;动作识别成功率不高、识别动作的种类和数量有限、算法复杂时效性无法满足实际需求。针对这些方面问题,本文开展了以下几个方面内容的研究:(1)表面肌电信号采集方案优选由于表面肌电信号固有的随机性、非线性、信号微弱且易受干扰的特点,导致获取肌电信号的质量与具体的采集形式和方案关系极为密切。早期研究由于动作模式少,选择合适的肌群提取足够特征信息的需求并不迫切,往往依赖经验直接确定采集系统实施方案也能取得不错的效果。但随着待识别动作种类的增加,经验方法的弊端逐渐显现。为最大程度的降低信号的随机性,避免电极位置选择的盲目性,有针对性的开展最合理采样电极位置的实验研究,设计全新的表面肌电信号采集方案。(2)数据的活动段划分及标签样本制作基于机器学习的分类器设计,对训练样本的类型属性和数量要求都很高。因此大批量样本的提取和动作标签的添加就变的至关重要。研究快速简洁的原始肌电信号处理方法,设计肌电信号活动段检测算法,自动标识动作样本所属动作类型,为大批量训练样本的制作提供便利条件,在提高准确率的同时,降低整体制作时间成本和代价,为后续分类训练提供保障。(3)拓展手部动作和手势识别的类型与数量为了适应仿生康复设备和新型人机交互应用对手部动作模式多样性的客观要求,拓展手部动作和手势识别的动作类型和总量。设计了包括放松动作,单指动作,多指手势,手腕动作在内的共计20种手部动作与手势的分类识别系统。采用不同的特征提取算法和分类识别算法,通过实验对比找到最合理的配置方案满足多模式分类应用需求。(4)多模式分类识别系统综合性能评价为避免片面的以识别率高低来衡量分类识别系统性能优劣,对比不同特征提取和模式识别算法复杂度,鲁棒性和实时性,综合考虑识别率、系统反应时间、实例化代价的影响,评价不同配置方案的性能。(本文来源于《浙江工业大学》期刊2017-10-01）
王雅[9]（2017）在《基于改进的HMM和自适应技术的非特定人手语识别的研究》一文中研究指出手语是听力和语言障碍群体沟通交流的一种语言。全世界共有2.3亿左右的聋哑人,作为社会弱势群体的聋哑人经常会遇到生活、工作、心理、教育、交流等很多方面的问题。尤其是交流问题,手语的普及程度较差,能够掌握手语的人数量很少,这就使得聋哑人的沟通交流存在很大阻碍。手语识别的研究自上世纪九十年代开始,它通过一定的计算机技术将手语以非操手语者可以理解的形式呈现出来,从而帮助聋哑人无障碍地表达和交流。该技术作为人机交互领域的研究内容之一,对语言交流障碍群体有着重要的现实意义。目前基于数字设备的手语识别准确率已经达到较高的水平,对特定人手语的识别也有了较好的性能,但是现有的手语识别系统在用户变换情况下的性能差强人意,远不能达到理想的性能要求。而非特定人手语识别恰恰是手语识别系统得以实际应用亟待解决的关键问题。个体之间手语数据的差异性和手语训练样本的匮乏是牵制非特定人手语识别系统性能的重要原因。为了解决以上问题,本文对手语识别中的关键算法进行了研究,并对现有算法进行了改进。主要研究工作有以下两个方面:(1)对基于隐Markov模型(Hidden Markov Model,HMM)的手语训练建模进行了研究,对HMM叁个基本问题的解决进行分析,并针对其中的训练问题常用到的Baum-Welch算法收敛于局部最优解的不足进行改进,引入自适应诱导进化遗传算法进行手语词的HMM参数训练,从而在给定的解空间中找到全局最优解。(2)针对非特定人手语识别中不同手语者个体间的差异性和手语训练数据的不充分这两个难点问题,本文提出了基于最大似然线性回归(Maximum Likelihood Linear Regression,MLLR)算法和最大后验概率(Maximum a posteriority,MAP)算法的自适应手语识别框架,该方法优化了MLLR回归类的划分,并且提供给MAP更精准的初始模型,充分发挥了MLLR的快速性和MAP的渐进性。然后引入了最小分类误差(Minimum Classification Error,MCE)模型参数估计算法,以弥补模型参数自适应方法的局限性,进一步降低系统误识率。接着对该算法中计算量大的缺点进行了改进。实验结果表明,本文算法在非特定人手语识别中的性能要优于已有的自适应算法,该算法利用少量自适应数据便能使得非特定人手语识别达到良好的效果。(本文来源于《西安建筑科技大学》期刊2017-06-08）
梁富鑫[10]（2016）在《基于表面肌电信号的人手动作模式识别和抓取力预测技术研究》一文中研究指出表面肌电信号(surface electromyography,sEMG)是由肌肉兴奋时募集的多个运动单元产生的动作电位在表面电极处的综合迭加。目前,基于sEMG的智能假肢已成为研究热点。遗憾的是,大部分的研究都倾向于识别人手动作模式,却很少对假肢手抓取物体时所应该施加的力进行预测估计,从而难以研制出更加精确抓取任务的智能假肢手。本文的目的在于探索一种基于sEMG的手部抓取动作识别以及抓取力预测的方法,本文研究的主要内容有:(1)在采用6阶巴特沃斯带通滤波与快速独立成分分析(FastICA)相结合的方法对sEMG进行预处理的基础上;采用小波包结合样本熵的特征提取方法得到sEMG的标准样本熵(SSE)特征;然后采用SVM模型分类器进行基于两通道与四通道sEMG的抓取动作模式识别。(2)分别在随意与规定抓取模式下,选取sEMG的标准样本熵为特征,采用AGA--SVR预测模型进行抓取力预测实。预测精度优于传统的采用sEMG幅值或MAV特征进行抓取力预测。(3)设计了基于MATLAB-GUI的实验平台,详细分析了抓取模式识别和抓取力预测的精度,验证了本文方案的可行性:在基于sEMG手部抓取动作识别平台进行验证实验,结果得出基于两通道的4种抓取动作模式的正确识别率大于92%,进一步的交叉验证试验结果的最低识别率为90%,验证了该分类器的良好性能;基于四通道的实验结果得到每种抓取动作模式的正确识别率均大于96%,表明适当增加电极的个数所得正确识别率有所提高。在随意抓取模式下基于二通道的力预测实验结果表明sEMG的幅值能够反映抓取力大小的变化;AGA--SVR预测模型的回归精度优于BP算法预测模型;基于四通道的力预测实验结果表明其预测精度优于基于两通道的力预测。在规定抓取模式下基于四通道的力预测实验结果表明其力预测的精度优于随意抓取模式下的力预测;采用基于四通道sEMG的MAV特征进行力预测的精度要优于直接用sEMG的幅值进行力预测,而采用sEMG的SSE特征进行力预测的精度则又优于用sEMG的MAV特征进行力预测。实验结果表明,采用手臂的sEMG信号不仅能够识别出手部动作模式种类,还能预测出抓取力的大小,该研究有助于研发能够完成精确抓取任务的肌电假肢手。(本文来源于《上海师范大学》期刊2016-05-01）
人手识别论文开题报告
（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：
为了满足手部运动功能康复器的主动康复训练对多种人手动作模式识别的需求,分析了表面肌电信号采样通道设置布局、训练样本制作、特征提取方式、模式分类器结构参数等因素对手部动作识别的影响,设计了针对前臂的表面肌电信号采集方案,分别基于时域统计量、自回归模型系数、小波包分解系数特征设计了BP神经网络分类器。实验结果表明:对6种单指动作、13种多指动作、20种手部动作的最佳平均识别率分别为98.5%、92.4%、90.9%,计算时间小于190 ms,验证了所提出方法的有效性和实用性。
（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。
人手识别论文参考文献
[1].乔丹.人机装配环境下的人手特征识别与叁维重构[D].西安理工大学.2019
[2].都明宇,王志恒,荀一,鲍官军,高峰.多模式人手动作分类识别方法[J].中国机械工程.2019
[3].吴颜生.基于表面肌电信号的人手动作识别研究[D].东北师范大学.2019
[4].李鑫.面向手势识别的人手检测与跟踪[D].华中师范大学.2019
[5].张振阳.基于sEMG人手动作识别的康复机械手控制研究[D].浙江工业大学.2019
[6].都明宇,王志恒,荀一,鲍官军,高峰.基于多通道sEMG小波包分解特征的人手动作模式识别方法[J].计算机测量与控制.2018
[7].都明宇,鲍官军,杨庆华,王志恒,张立彬.基于改进支持向量机的人手动作模式识别方法[J].浙江大学学报(工学版).2018
[8].都明宇.基于表面肌电信号的人手动作模式识别关键技术研究[D].浙江工业大学.2017
[9].王雅.基于改进的HMM和自适应技术的非特定人手语识别的研究[D].西安建筑科技大学.2017
[10].梁富鑫.基于表面肌电信号的人手动作模式识别和抓取力预测技术研究[D].上海师范大学.2016