基于Kinect的车载手势识别辅助系统设计

车联网作为战略性新兴产业中智能化汽车和物联网两大领域的重要交集,受到广泛关注.通过车联网、地理位置服务(Location Based Service)、手势感应三种技术的分析,将其整合成综合系统,实现手势操作在车载系统中的多媒体功能和地理位置服务.采用Kinect作为手势感应设备,建立WPF工程,设计界面并进行具体功能编程.通过百度LBS开发者平台提供的相关API进行数据调用,实现LBS服务.测试结果表明,系统具有功能多样、灵活方便的特点,具有良好的应用前景.     

基于Kinect深度图像的指尖识别及手势判定

在基于微软Kinect体感设备开发的交互应用系统中,使用传统的鼠标、键盘等交互设备难以达到理想的效果。针对这种情况,提出一种基于指尖识别的手势判定方法。采用Kinect传感器获取图像的深度信息,通过OpenNI的内置模块获取手心的位置信息,使用最近邻法实现手部的分割并对手形进行提取;并采用射线求交法优化Graham Scan算法获取凸包点集合,利用轮廓分析法从凸包点中识别出指尖。在此基础上,结合指尖数目和面积比例实现对“抓取”手势的判定。实验结果表明,该方法能有效地识别抓取动作的手势,且具有良好的鲁棒性。     

基于Kinect的空中手势跟踪识别的研究与实现

本文以肢体语言中的手势为出发点,利用微软的Kinect体感设备,采集RGB彩色图像和深度图像,研究并提出一套手势跟踪识别的设计思路与实现方法。首先,利用Kinect所获取的色彩及深度信息,建立人体骨骼图从而更方便地定位手部位置并获取手部轮廓。其次,从HSI彩色空间对手部的深度图像进行二值化,并进行腐蚀、细化处理,去除手掌掌心部分。最后,通过对手指的计数定义相应操作。经实验测试,该系统具有对手势的识别功能,可以达到用空中手势动作进行人机交互的目的。     

基于Kinect的手势识别及在虚拟装配技术中的应用

为了实现在Virtools环境下自然方便的人机交互过程,设计开发了基于Kinect的虚拟装配交互技术。该技术通过三维多手指检测并结合Kalman滤波来稳定跟踪指尖,同时基于指尖特征自定义了多种装配所需的手势;以Mir-crosoft Visual Studio 2010为开发工具,设计了手势操控相关功能块的编辑后集成于Virtools环境中,实现了手势在虚拟装配中的交互控制。实例证明,该技术能很好地完成虚拟装配过程,效果良好。     

基于Kinect传感器的近场手势识别追踪系统的实现

利用Kinect深度传感器所获取的图像深度信息实现手部从背景中的分割,并通过零均值离散高斯滤波、二值化、取最小外包矩形、欧式距离变换等一系列过程对手势目标进行识别,最后把得到的识别结果显示在电脑上,实现实时追踪。该系统相较其它类似系统具有算法简单,实时性好,实现成本低等特点。     

基于Kinect传感器的家电手势控制应用研究

为提高智能家电的人机交互性,研究实现了一种基于Kinect传感器的手势识别系统,用户通过该系统可手势控制电视的多种操作功能。对常见的三种动态手势识别算法进行分析对比后,结合应用需求,重点研究了动态手势识别DTW算法。基于Kinect for windows SDK获取的手势深度图像和骨骼图像数据,采用DTW算法进行识别,最后给出了程序实现。实验表明,该方法可实现多种电视控制功能,而且具有较好的实时性和准确性。     

一种基于深度图像的手势识别算法

利用Kinect捕捉深度图像,使用有效的手势分割手段将手势区域截取并运用相关算法对手势进行轮廓、凸包及其最小外接圆提取;然后构建了4种手势特性参数并给出了4种参数的计算方法;最后综合手势特性参数构建分类决策树以实现手势识别.实验针对9种常见手势在复杂背景条件下进行测试,单个手势识别率在89％-100％之间,综合识别率达到96％.     

基于HMM方法的动态手势轨迹训练性能研究

基于HMM(Hidden Markov Model,隐形马尔可夫模型)对动态手势轨迹的训练是手势识别的关键技术之一。本文对HMM的模型训练采用Baum.Welch算法,并分别从迭代次数,样本个数选取,以及模型初值选取等方面对动态手势轨迹的训练性能进行了研究。实验结果表明HMM方法对具有时空特性的动态手势轨迹识别是非常有效的。     

基于Kinect的手部分割混合识别技术

基于人手的人机交互由于其便利性,是未来人机交互技术发展的重要方向之一。本文基于Kinect硬件,提出了一种自适应的混合型手部分割方法,结合基于深度图像的阈值分割方法和基于彩色图像的肤色分割方法,对人体图像进行手部分割。该混合型手部分割方法,能够较好的克服光线以及复杂背景所带来的消极影响,也能够更好的适应复杂的人体动作,达到更好的分割效果。最终,本文搭建了硬件实测平台,验证该算法的有效性。     

基于Kinect的智能家居系统

针对传统基于物联网技术的智能家居系统用户参与感不强、无法进行自定义手势操控等问题,设计一套基于Kinect的智能家庭管理系统。通过深度传感器得到彩色数据流、深度数据流以及骨骼数据流,从而获取人体的动作轨迹,并自定义手势操控方式来实现家居的智能控制。由于深度数据对光照和背景干扰等因素有较强的鲁棒性,提高了手势及轨迹识别的准确性和可靠性。在明暗两种光照条件下,对该文定义的4种手臂姿势、3种动作任务和5种微小手势的识别实验表明,该文设计的系统能够满足智能家居的基本需求。     

一种基于改进DTW算法的动态手势识别方法

结合Kinect传感器提出了一种基于改进的DTW算法的动态手势识别方法。首先,通过SDK对Kinect传感器获得的深度信息进行分析,获得人体骨骼点3D位置,选取其中4个点作为手部运动特征;然后,用加权距离和全局路径限制的方法对传统的DTW算法进行改进;最后,用改进的DTW算法进行模板训练和实现动态手势的识别。实验表明：该方法能很好地实现动态手势的识别,实时性好,在背景干扰和光照方面有较强的鲁棒性,较传统的DTW算法在识别速度和识别正确率方面有所提高。     

手势识别技术在物联网课程教学中的应用

人体手势是一种自然并且直观的人际交流模式,最新的Kinect设备可提供一种新的人机交互的方式,能够捕捉、跟踪以及解密人体的动作、手势以及声音。文章利用Kinect进行人体手势识别,在物联网课程的日常教学上提供无接触式互动。     

基于CNN的手势识别技术研究

手势操作作为一种全新的操作方式,在智能设备中得到了广泛应用。传统的手势识别方法需要复杂的预处理过程,识别速度与准确度比较差。文章提出一种基于CNN的手势识别技术,取得了较好的识别效果,识别速度也有明显的提升。     

基于结构分析的手势识别算法研究

从肤色模型和手掌结构两个方面出发,提出了一种新型手势分割及识别算法。即首先通过YCbCr模型将复杂背景中的肤色区域分割出来,同时通过多区域手势提取算法,提取出待识别的手势,而后再按照手势分割及识别算法对手势进行识别。通过测试,该识别算法适用于不同环境下、不同大小的手势识别,具有较好的鲁棒性。     

手势识别研究发展现状综述

随着人机交互及计算机视觉的发展,手势识别的研究也取得了较大发展。文中就手势识别研究发展现状展开综述。首先概括了手势识别的发展过程以及国内外研究现状。随后根据手势识别的一般流程介绍了几种常用的技术方法。对其进行了展望并做出了总结。     

基于Kinect的实时人体姿势识别

Kinect的实时骨骼跟踪技术获取身体关节点的三维位置信息,为进行人体姿势识别提供了丰富的信息,拟在三维关节点位置信息的基础上,建立一种实时的人体姿势识别系统。选择关节角度作为姿势特征,结合逻辑回归（logistic regression,LR）分类算法对54种姿势进行识别研究。实验结果表明,该姿势识别系统可以准确实时地识别人体姿势。     

基于多目标Camshift手势识别

基于单目视觉下的手势识别技术一般由手势建模、特征提取、手势匹配等几个关键技术构成。手势跟踪算法目前主流的是粒子滤波算法和Camshift算法。系统采用Camshift算法,将人手图像由RGB空间转换到HSV空间后,在HSV空间利用半自动预定义模板颜色对人手进行分割,并对其进行改进实现多目标跟踪,由于Camshift算法为半自动算法,在对手势进行跟踪前需对手势进行手动标定,系统采用了手势跟踪与手势识别技术结合的方法,改进了Camshift算法,解决了Camshift的半自动问题和实现多目标跟踪,实现双手的手势识别。     

基于MATLAB的静态手势识别系统设计

随着人工智能的快速发展,人机交互的方式备受关注.手势识别作为新的人机交互的输入方式,在很多领域得到了广泛的应用.该文设计的是基于MATLAB的静态手势识别系统.首先,利用MATLAB强大的图像处理功能将图像灰度化和二值化,然后对手势图像进行分割并提取特征,最后实现静态手势识别.经过多次验证,该系统具有较高识别率.     

基于视觉手势识别的研究—综述

手势是一种自然而直观的人际交流模式.基于视觉的手势识别是实现新一代人机交互所不可缺少的一项关键技术.然而,由于手势本身具有的多样性、多义性、以及时间和空间上的差异性等特点,加之人手是复杂变形体及视觉本身的不适定性,因此基于视觉的手势识别是一个极富挑战性的多学科交叉研究课题.本文从手势建模、手势分析和手势识别等三个方面综述了基于视觉手势识别的研究现状及其应用.     

基于计算机视觉的手势识别技术综述

随着计算机性能的逐步提高和图像处理技术的不断发展,基于计算机视觉的手势识别技术成为研究热点。本文介绍了手势识别的主要分类,并详细介绍了基于视觉的手势识别技术的工作原理和工作流程。阐述了手势分割、特征提取和手势识别的技术方法。