导读:本文包含了手势模型论文开题报告文献综述及选题提纲参考文献，主要关键词:情境设计,可穿戴设备,手势交互,交互设计
手势模型论文文献综述
张军,刘粤,陈坤杰[1]（2019）在《基于情境模型的可穿戴设备手势交互设计》一文中研究指出目的以可穿戴设备人机交互系统与手势交互特点为出发点,研究并提出以情境模型为基础的可穿戴设备手势交互设计的方法,指导可穿戴设备的手势交互设计创新。方法在情境设计理论研究和相关专业研究上,提取出与手势交互有关的环境情境、用户情境和设备情境等基本要素,以此梳理在可穿戴设备的人机交互过程中所包含的主体与客体因素,并立足用户体验,对可穿戴设备手势交互过程的信息输入与设备输出环节,分别提取手势交互的设计内容,阐述上述3种情境要素与可穿戴设备手势交互设计内容之间的映射关系,以可穿戴设备为目标对象,提出系统性和技术实现性并存,同时可以让用户达到较好使用体验的手势交互设计情境模型。结论以某移动通信设备企业的手势交互定义项目为例,初步验证了以情境模型为基础的可穿戴设备手势交互设计的方法的有效性。(本文来源于《包装工程》期刊2019年12期）
张彩珍,张云霞,赵丹,张晓金[2]（2019）在《基于肤色模型与BP神经网络的手势识别》一文中研究指出针对基于视觉的手势识别率不高,鲁棒性欠佳的问题,提出了一种基于YCb Cr椭圆聚类肤色模型分割手势结合反向传播(BP)神经网络识别的手势识别方法。对采集到的图像序列利用离散余弦变换(DCT)去噪处理和边缘检测,根据人体肤色在YCb Cr空间聚类紧凑的特性提取出手势的形状轮廓,将边缘检测与肤色模型分割结果相与得到分割出的手势,利用加速稳健特性(SURF)算法提取构建手势的特征向量,最后通过BP神经网络对手势图分类和识别。实验结果表明:针对复杂背景下的手势,该算法具有较强的鲁棒性,效率高,识别的准确率可达到96%。(本文来源于《传感器与微系统》期刊2019年06期）
丁泽宇,弓伟[3]（2019）在《基于隐马尔可夫模型的动态手势识别研究》一文中研究指出随着虚拟现实技术的飞速发展,人们迫切需要一种自然友好的字符输入方式,于是越来越多的研究人员投入到动态手势的研发当中。本文基于隐马尔可夫模型(HMM)搭建了一套动态手势识别系统。这套系统通过Leap Motion采集动态手势数据,并能够识别36个字母和数字的手势(数字0-9和字母A-Z)。经过大量实验表明,该系统有着很强的鲁棒性,识别单独手势的识别率能够达到93.2%。(本文来源于《电脑与电信》期刊2019年05期）
李艳德[4]（2019）在《基于穿戴传感感知的手势识别模型与应用研究》一文中研究指出随着虚拟现实技术、智能家居技术和浸身学习技术等技术的发展,现有的交互控制方式难以满足日益丰富的交互场景的需求。手势识别技术可以充分发挥手部灵活的特点,释放手部的交互天性,是交互方式的重要补充。但现阶段的手势识别技术研究主要集中于视频手势识别,相比之下,基于传感器的手势识别研究较少。并且,多数研究需要使用专业设备或自制设备,不便于使用和推广。本文利用已商用的智能穿戴设备、手势交互理论及机器学习方法,旨在提供一种基于穿戴传感感知的高效准确的手势识别和实时交互系统。该研究利用商用智能手环作为实验设备,采集四种常见场景下的抬手手势的加速度计数据和陀螺仪数据。通过数据预处理、数据分段、特征提取和分类模型训练等步骤训练分类模型。其中,改进的基于分类结果反馈的变步长滑动窗口结合双阈值的实时手势分段算法,可以兼顾交互的实时性和识别的准确性。本文引入Flappy bird游戏和智能灯泡来评估实时交互效果,通过抬手手势控制游戏中小鸟向上飞和切换灯泡的颜色。该系统可以实现对简单手势的高准确率的静态识别和流畅的实时交互控制,不但丰富了人机交互方式,还将充分挖掘利用穿戴设备产生的数据,为穿戴行业发展带来新的突破口。同时,也将为智能家居控制、VR交互、游戏控制、帕金森病人手功能康复、聋哑人手语识别、手势输入等应用场景提供新的解决思路。(本文来源于《兰州大学》期刊2019-05-01）
张少白,诸明倩[5]（2019）在《视觉遮挡下的手势协调神经网络模型》一文中研究指出在人类抓握运动过程中,相比于目标物体没被遮挡,目标物体被遮挡时进行抓取物体会导致更大的抓握孔径。然而,以前没有用于解释这种效应机制的抓握运动神经网络模型。针对这种情况,对视觉未被遮挡时进行抓握的Vilaplana模型进行研究与分析,同时讨论了视觉遮挡这种特殊情况对手臂移动与抓取的影响。在此基础上,将手臂移动与手势抓取划分为四个阶段,即手臂收缩阶段、抓取物体阶段,手臂关节收缩阶段、物体释放阶段。讨论视觉对各个阶段的影响程度,对Vilaplana的模型进行改进,使之能够适应视觉遮挡下的抓取运动,最终提出了视觉遮挡下的手势协调模型。该模型通过增大峰值抓握孔径来补偿视觉的不确定性,符合一般的人体机理。通过MATLAB仿真证明,视觉遮挡并不会对新模型的手臂运动产生较大的影响,抓握孔径的增大将会避免手与物体之间不必要的碰撞。(本文来源于《计算机技术与发展》期刊2019年08期）
李敬华,淮华瑞,孔德慧,王立春,孙艳丰[6]（2019）在《基于双通道混合3D-2D RBM模型的手势识别》一文中研究指出为了挖掘基于视频的动态手势识别问题中手势的固有时空表示,提出一种3D-2D受限玻尔兹曼机(restricted Boltzmann machine,RBM)模型,以便建模手势视频数据的时空相关信息.特别地,为了更好地描述动态手势的时空特征,提出传统手工定义特征与3D-2D RBM结合的混合特征表示方法,该方法首先提取Canny-2D HOG表观特征以及光流-2D HOG运动特征,然后基于3D-2D RBM进一步学习动态手势潜在的高层时空语义特征,提升动态手势的特征描述力.融合手势外观判别和运动判别的双通道融合判别改进了单通道分类的能力.在公开的剑桥手势数据集上的实验验证了所提方法的有效性和优越性.(本文来源于《北京工业大学学报》期刊2019年05期）
赵东波,李辉[7]（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）
雷金树,王松,朱东,吴亚东[8]（2019）在《基于游标模型的沉浸式医学可视化非接触式手势交互方法》一文中研究指出在高度沉浸式的虚拟环境中,由于用户的整体视觉空间被渲染的可视化映射所覆盖,传统鼠标、键盘以及触控屏幕等交互方式无法直接应用到沉浸式环境下,大大影响了分析和理解3D医学数据的效率与准确性.为实现沉浸式虚拟环境下对3D医学数据的交互操作,提出一种基于游标模型的非接触式手势交互方法.首先借助游标模型快速确定手势状态,定义4种手势动作实现位移、缩放、旋转以及剖切4种医学可视化交互操作,并借助弹簧模型改善手势抖动问题;最后以HTC VIVE+Leap Motion构建沉浸式医学可视化系统,定义6项分析任务,对比鼠标、手柄等交互方式,从训练时间、完成时间、操作难度和用户反馈4个方面验证文中方法的有效性.(本文来源于《计算机辅助设计与图形学学报》期刊2019年02期）
谢奕红[9]（2019）在《一种基于Kinect和谱图小波特征的静态手势识别模型研究》一文中研究指出Kinect传感器可以用来捕捉3D深度图像,有助于手势识别在内的识别研究,谱图小波也广泛的应用于图像的检索以及分类。针对传统手势识别算法存在识别精度不高、鲁棒性弱,本文提出一种基于Kinect的谱图小波方法实现静态手势识别算法。首先,通过阈值分割来获取手势区域图像;然后将获取的图像用谱图小波特征表示,再使用BOF模型对图像编码,获得图像的直方图表示,最后通过欧式距离比较手势特征之间的距离,最终完成静态手势识别。实验结果表明,(本文来源于《电子世界》期刊2019年03期）
曹书豪,许成哲[10]（2019）在《基于深度学习模型的表面肌电信号手势动作识别算法研究》一文中研究指出本文提出了一种基于深度学习模型的表面肌电信号手势动作识别算法,采用瑞士Ninapro公开数据库,通过2阶巴特沃斯滤波器进行带阻滤波对原始信号进行预处理,并利用标准偏差滤除无信号段,采用时间窗重迭的方式将原始数据扩充至符合深度学习模型训练的数据量。最后将预处理后的数据输入34层ResNet深度学习模型并得出识别结果。实验结果显示本文提出的算法较比同类论文取得了更高的识别精度,在52手势动作分类识别准确率达到92. 66%,验证了本算法的有效性。(本文来源于《科技视界》期刊2019年01期）
手势模型论文开题报告
（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：
针对基于视觉的手势识别率不高,鲁棒性欠佳的问题,提出了一种基于YCb Cr椭圆聚类肤色模型分割手势结合反向传播(BP)神经网络识别的手势识别方法。对采集到的图像序列利用离散余弦变换(DCT)去噪处理和边缘检测,根据人体肤色在YCb Cr空间聚类紧凑的特性提取出手势的形状轮廓,将边缘检测与肤色模型分割结果相与得到分割出的手势,利用加速稳健特性(SURF)算法提取构建手势的特征向量,最后通过BP神经网络对手势图分类和识别。实验结果表明:针对复杂背景下的手势,该算法具有较强的鲁棒性,效率高,识别的准确率可达到96%。
（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。
手势模型论文参考文献
[1].张军,刘粤,陈坤杰.基于情境模型的可穿戴设备手势交互设计[J].包装工程.2019
[2].张彩珍,张云霞,赵丹,张晓金.基于肤色模型与BP神经网络的手势识别[J].传感器与微系统.2019
[3].丁泽宇,弓伟.基于隐马尔可夫模型的动态手势识别研究[J].电脑与电信.2019
[4].李艳德.基于穿戴传感感知的手势识别模型与应用研究[D].兰州大学.2019
[5].张少白,诸明倩.视觉遮挡下的手势协调神经网络模型[J].计算机技术与发展.2019
[6].李敬华,淮华瑞,孔德慧,王立春,孙艳丰.基于双通道混合3D-2DRBM模型的手势识别[J].北京工业大学学报.2019
[7].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
[8].雷金树,王松,朱东,吴亚东.基于游标模型的沉浸式医学可视化非接触式手势交互方法[J].计算机辅助设计与图形学学报.2019
[9].谢奕红.一种基于Kinect和谱图小波特征的静态手势识别模型研究[J].电子世界.2019
[10].曹书豪,许成哲.基于深度学习模型的表面肌电信号手势动作识别算法研究[J].科技视界.2019