导读:本文包含了手势检测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,手势分割,皮肤检测,卷积姿势机
手势检测论文文献综述
吴鹏,牛斌,马利,徐和然[1]（2019）在《融合皮肤检测的卷积姿势机手势分割方法》一文中研究指出为解决复杂背景的手势分割问题,提出一种基于融合皮肤检测的卷积姿势机手势分割方法。通过两个CNN网络得到训练的手势分割部分和皮肤分割部分,通过最后一阶段的CNN网络输出最终的手势分割图像,皮肤分割的准确性对最终分割图像起辅助作用,其中核心部分即手势分割部分采用卷积姿势机网络,并运用中间监督的思想将皮肤信息融合。该网络将手势轮廓和经皮肤提取的手势细节结合,分别对轮廓、皮肤、融合3个子网络进行训练,结果对比提取手势的其它方法,验证了该方法的有效性。(本文来源于《计算机工程与设计》期刊2019年11期）
吴金君[2]（2019）在《FMCW雷达对手势目标的检测和分类算法研究》一文中研究指出手势是人类交互方式中一种最直接的手段,近年来手势检测和识别技术逐渐成为人机交互领域中的研究热点。手势识别技术中的数据来源主要包括:可穿戴传感器、视觉传感器和无线信号。人体可穿戴传感器要求用户必须佩戴专用设备,使用成本较高且不具有便利性。而基于视觉技术的摄像头在强光侵蚀、黑暗情况下摄像头可能会无法正常工作,并且存在泄漏用户隐私的风险。调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达具有便利性、鲁棒性和安全性等优势。本文基于FMCW雷达开展手势检测算法研究,具体内容如下:首先,研究感兴趣数据段的提取和手势参数估计方法。通过分析手势动作对时域信号幅值的扰动特性,提取包含手势的感兴趣数据段。然后研究了手势参数的提取,对传统参数估计方法做出改进后得到距离谱、多普勒谱和角度谱。其次,研究多普勒参数估计中的噪声和干扰方法。基于雷达信号处理得到的距离-多普勒图,利用改进的帧差法进行噪声去除。基于恒虚警检测原理在距离-多普勒图中进行目标检测,并利用手势目标运动特性对干扰目标进行抑制。然后,研究基于雷达参数提取的多维数据构建方法。通过将距离谱、多普勒谱和角度谱与时间信息耦合,构建得到距离-时间图、多普勒-时间图和角度-时间图,通过参数-时间图的方式挖掘手势动作的时序信息,并为卷积神经网络构建叁个通道的数据集。最后,研究端到端的多分支卷积神经网络。多分支的结构使得模型能够同时提取同一手势的距离-时间图、多普勒-时间图和角度-时间图的特征。通过全连接层对叁种特征进行早融合,使得网络结构具有端到端(无需分步训练)的特性。通过采集大量手势数据,并将处理后叁种图像数据送入多分支卷积神经网络进行训练和测试。实验结果表明6类手势动作的分类准确率达到了95.33%,并且相较于同类方法具有算法复杂度低的优势,验证了所提算法的可靠性和有效性。(本文来源于《重庆邮电大学》期刊2019-06-02）
孙凯云[3]（2019）在《基于卷积神经网络的误识手势检测与纠错算法研究》一文中研究指出随着机器视觉技术的蓬勃发展,手势识别技术以其便捷的肢体语言交流方式在人机交互中发挥着越来越重要的作用,受到广大人机交互研究者的热爱。得益于手势识别技术的日益成熟,以手势为交互工具的智能教育、智能医疗、智能社保等智能系统逐渐普及到人们日常生活中。因此本文基于语义柔性映射交互模型构建了手势数据库,然而在利用卷积神经网络手势模型实际应用过程中,存在一些易混淆的手势,这些手势的存在必然会降低整个系统的性能。而普适性差、效果不佳的智能系统将很难被人们接受采用。由此,本论文依托国家重点研发计划项目、国家自然科学基金项目和山东省重点研发计划项目等项目基金的支持,以智能交互式界面为应用平台,对教学过程中的误识手势展开研究。本文主要研究目标是探究基于卷积神经网络手势识别算法的误识手势出错机理,并提出基于概率统计模型和卷积特征的智能纠错算法,通过对误识手势的智能检测与纠错,实现交互式教学的智能化。本论文的创新点概括为以下叁个方面:(1)即使手势识别算法已很成熟,但在实际应用中由于外界因素的干扰,不可避免会出现误识手势。与传统的基于卷积神经网络识别静态手势算法相比较,本文提出了基于概率统计的误判概率模型,实现对误识手势的智能纠错。该算法主要从大数据角度分析,建立误识手势的混淆矩阵,分析每类手势和被网络模型错误识别为其他类手势的数量关系,并依据预测识别结果和实际类别的概率函数,建立了误判概率模型。在检测出错手势之后,本文以误判概率矩阵为基点产生随机数,设计了一个概率发生器进行纠错,使得混淆手势的识别率提高了5%左右。(2)现有方法一般通过优化网络结构及训练参数提高识别率,或通过定义新的手势特征和相似度算子以提高识别率。与之不同,本文探究误识手势出错机理,寻找出错过程的规律性。(3)由于上述基于概率的纠错算法没有体现手势出错过程,纠错效果不理想,因此,本文提出基于卷积特征的误识手势智能检测与纠错算法。为了探究误识手势的特点,本对误识手势从全连接层到卷积层的特征值逐一提取,并进行可视化,从特征值上比较分析同类手势被识别正确和错误的区别。在实验过程中首次提出区分误识手势的一个重要特征—叁维曲面的峰值。从大数据角度分析,同一种手势在同一通道上对应的曲面的峰值总趋向于固定的区域,并且不同手势类型对应的区域是不同的。基于这个规律,提出了误识特征矩阵及自动纠错算法。研究结果表明,本文提出的算法与改进前的卷积神经网络相比识别率提高了15%左右。(本文来源于《济南大学》期刊2019-06-01）
王瑾薇[4]（2019）在《基于神经网络的中国手语词手势检测与手语识别方法研究》一文中研究指出手语是使用手部姿态、手型变化以及轨迹信息来表达含义的视觉语言,是与听力及语言障碍者沟通的主要交流工具。手语识别可以改善我国目前需要使用手语的人数多但手语普及程度差的问题,为听力及语言障碍者提供更加便捷的学习、工作与生活方式。同时,手语手势检测与识别是人机交互领域的重要分支,其研究对人们向新型便利的智能交互过渡具有重要的先导意义。手势检测与手语识别方法通常可以分为传统方法和基于深度学习的方法。近年来随着深度学习在计算机视觉领域的大放异彩,证明了基于深度学习的方法具有提取特征丰富、建模能力强和训练直观等诸多优点。因此,本文基于神经网络对中国手语进行了手语词手势检测与手语识别研究,主要的研究内容包括:1.为了提升手语词手势检测的准确率和稳定性,提出了一种多尺度加速区域卷积神经网络用于手势的检测。分别针对手势区域小且包含丰富信息的特性和手势类别的难区分性,构建了多尺度特征提取结构和候选区域生成结构。在两个手语手势检测数据集上进行测试,提出的模型分别达到了 93.6%和90.0%的平均精度均值。2.针对手语是一个时序序列,构建了基于长短时记忆单元(Long Short-time Memory,LSTM)编解码网络的手语识别框架。并根据手语词动作间的可拆分性和上下文联系,在此框架的基础上融入了手语字单元的模型。以单路叁维卷积神经网络提取时空特征,以LSTM编解码网络实现手语图像特征序列输入到文本序列输出的过程。实验表明基于该方法能够在手语词数据集上达到98.7%的识别率。3.为实现手语RGB图片序列的检测、跟踪、表征与识别,我们将手语词手势检测模块与识别模块结合起来,构建了基于双路叁维卷积神经网络和LSTM编解码的手语识别框架。该框架依靠提出的手势检测模型与中值流跟踪算法来获取手势区域,在单路叁维卷积神经网络的基础上设计双路叁维卷积神经网络获取融合特征。(本文来源于《中国科学技术大学》期刊2019-05-01）
李鑫[5]（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）
张琴[6]（2019）在《基于手势识别的视力检测系统的设计》一文中研究指出本设计实现了一个视力检测系统,该系统通过手势识别技术实现对人体视力检测。系统包括摄像头采集、数据存储与转换、手势识别和输出控制几个模块,外部连接摄像头、存储器、显示器和扬声器等几个部件。显示器显示视力图标"E",被测者看到显示的"E"开口方向直接用手势动作确定方向,系统通过摄像头采集图像后识别并判断手势方向,根据对比正确开口方向检测被测者视力值。显示器最后显示被测者的实际视力值。该系统省去常规医疗的人工检测,方便准确又节省人力,实现动态手势交互测视力,增添趣味性也易于推广。(本文来源于《电脑与电信》期刊2019年03期）
王锟,宋永红,郑斐,梅魁志[7]（2019）在《基于卷积神经网络的嵌入式手势检测算法》一文中研究指出针对嵌入式平台下卷积神经网络运行速度慢,无法快速手势检测的问题,提出一种基于SSD的卷积神经网络的嵌入式手势检测算法,该算法显着提高了手势检测速度,并保持了高精度。首先通过一种预处理方法,对原来的手势数据库进行5倍扩展;然后对SSD算法的基础神经网络层进行卷积因子分解,使用MobileNet神经网络获得了在CPU下的3倍加速;最后通过改变输入图片大小同时改变网络结构,减少了算法的计算复杂度。实验结果表明所提算法在两个数据集上的平均精度均值(Mean Average Precision,mAP)下降2.7%,但是在Qualcomm SnapDragon820平台下检测一张图片时间可达到0.233 s,检测速度提高40倍以上。(本文来源于《计算机工程与应用》期刊2019年04期）
周雄健[8]（2018）在《基于静电电容式触摸检测的3D手势识别技术》一文中研究指出本文主要介绍了瑞萨电子基于静电电容式触摸检测的3D手势识别技术,包括基于静电电容式触摸检测的3D坐标计算原理、X/Y/Z叁轴坐标算法、抗干扰措施等。并且基于3D坐标计算,介绍了瑞萨电子的3D手势识别解决方案。(本文来源于《家电科技》期刊2018年12期）
康丽军,高茜[9]（2018）在《应用于虚拟现实人机交互系统的手势检测与跟踪研究（英文）》一文中研究指出随着虚拟现实技术的应用范围不断扩大,人机交互系统的重要性日益突出。在人机交互系统中较为关键的指标就是手势检测与跟踪的准确度。因此,提出了一种适用于虚拟现实人机交互系统的手势检测与跟踪算法。首先采用基于手势轮廓模型的检测算法来实现手势检测,有效提高了手势检测的鲁棒性。然后采用状态空间概率预测来实现手势跟踪。此外,采用了训练后的贝叶斯分类器对待检测手势图像进行分类。实验结果显示相比传统算法,提出的算法具有较高的实时性、准确性和鲁棒性,能够有效识别运动手势,满足了人机交互的要求。(本文来源于《机床与液压》期刊2018年18期）
李明东[10]（2018）在《基于HSV颜色空间肤色检测算法的动态手势识别研究》一文中研究指出通过对手势几何形状的不可预知性,在特征获取阶段,对手势跟踪及运动轨迹的参数进行获取,设计了跟踪检测算法。首先,给出了一种基于HSV颜色空间的肤色检测算法进行手势检测,以确定手势感兴趣区域并作为初始的搜索窗口。然后,采用CamShift跟踪算法跟踪手势感兴趣区域,实现了跟踪的手势重心的运动轨迹提取角度变化特征。实验结果表明,选取角度变化作为手势轨迹特征能够有效地区分动态手势,获得了很好的识别效果。(本文来源于《鄂州大学学报》期刊2018年05期）
手势检测论文开题报告
（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：
手势是人类交互方式中一种最直接的手段,近年来手势检测和识别技术逐渐成为人机交互领域中的研究热点。手势识别技术中的数据来源主要包括:可穿戴传感器、视觉传感器和无线信号。人体可穿戴传感器要求用户必须佩戴专用设备,使用成本较高且不具有便利性。而基于视觉技术的摄像头在强光侵蚀、黑暗情况下摄像头可能会无法正常工作,并且存在泄漏用户隐私的风险。调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达具有便利性、鲁棒性和安全性等优势。本文基于FMCW雷达开展手势检测算法研究,具体内容如下:首先,研究感兴趣数据段的提取和手势参数估计方法。通过分析手势动作对时域信号幅值的扰动特性,提取包含手势的感兴趣数据段。然后研究了手势参数的提取,对传统参数估计方法做出改进后得到距离谱、多普勒谱和角度谱。其次,研究多普勒参数估计中的噪声和干扰方法。基于雷达信号处理得到的距离-多普勒图,利用改进的帧差法进行噪声去除。基于恒虚警检测原理在距离-多普勒图中进行目标检测,并利用手势目标运动特性对干扰目标进行抑制。然后,研究基于雷达参数提取的多维数据构建方法。通过将距离谱、多普勒谱和角度谱与时间信息耦合,构建得到距离-时间图、多普勒-时间图和角度-时间图,通过参数-时间图的方式挖掘手势动作的时序信息,并为卷积神经网络构建叁个通道的数据集。最后,研究端到端的多分支卷积神经网络。多分支的结构使得模型能够同时提取同一手势的距离-时间图、多普勒-时间图和角度-时间图的特征。通过全连接层对叁种特征进行早融合,使得网络结构具有端到端(无需分步训练)的特性。通过采集大量手势数据,并将处理后叁种图像数据送入多分支卷积神经网络进行训练和测试。实验结果表明6类手势动作的分类准确率达到了95.33%,并且相较于同类方法具有算法复杂度低的优势,验证了所提算法的可靠性和有效性。
（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。
手势检测论文参考文献
[1].吴鹏,牛斌,马利,徐和然.融合皮肤检测的卷积姿势机手势分割方法[J].计算机工程与设计.2019
[2].吴金君.FMCW雷达对手势目标的检测和分类算法研究[D].重庆邮电大学.2019
[3].孙凯云.基于卷积神经网络的误识手势检测与纠错算法研究[D].济南大学.2019
[4].王瑾薇.基于神经网络的中国手语词手势检测与手语识别方法研究[D].中国科学技术大学.2019
[5].李鑫.面向手势识别的人手检测与跟踪[D].华中师范大学.2019
[6].张琴.基于手势识别的视力检测系统的设计[J].电脑与电信.2019
[7].王锟,宋永红,郑斐,梅魁志.基于卷积神经网络的嵌入式手势检测算法[J].计算机工程与应用.2019
[8].周雄健.基于静电电容式触摸检测的3D手势识别技术[J].家电科技.2018
[9].康丽军,高茜.应用于虚拟现实人机交互系统的手势检测与跟踪研究（英文）[J].机床与液压.2018
[10].李明东.基于HSV颜色空间肤色检测算法的动态手势识别研究[J].鄂州大学学报.2018