手势识别技术

手势识别是指跟踪人类手势,识别其感知并将其转换为语义上有意义的命令的整个过程。手势识别数据系统的研究旨在通过将用于设备控制的手势识别为输入并将命令映射到输出来设计和开发系统。通常,无论收集手势交互信息的方法是接触式还是非接触式,手势交互系统都可以分为两种类型:基于接触的传感器和基于非接触的传感器。

基于触摸传感器的手势识别通常基于数据手套,加速计和使用多个传感器的多点触摸屏等技术。2004年,Kevin等人设计了用于手势识别的无线设备手套“CyberGloveII”。2008年,北京航空航天大学的任成和其他人使用头盔和数据手套研究了虚拟现实系统的虚拟手。2015年,山东师范大学的陆磊等人研究了基于数据手套的静态手势识别方法,使他们能够识别25个手势,准确率达到98.9%。2007年,Bourke等人提出了一种识别系统,该系统使用加速计来检测日常活动中使用的正常手势。2017年,中国电子科技大学的王琳琳等人研究了一种基于惯性传感器的手势交互方法,其准确性为96.7%。2014年,中国科学院大学的叶烨等人研究了基于触摸屏的基于手势的远程控制系统,其平均识别率为99%。

基于非接触式传感器的手势识别通常基于光学传感,雷达检测和其他技术的使用。在2002年,Bretzner等人提出了一种手势识别,该手势识别使用摄像头捕获多尺度的色彩特征。2010年,清华大学的沙亮等人研究了基于未标记的完整手势视觉的人机交互技术,以及使用具有80%复杂环境识别能力的通用相机进行的车辆手势视觉交互。为动作系统提出了解决方案。2011年,微软[11]发布了Kinect,这是一种使用红外线识别手势的相机。2015年,江南大学的姜珂[12]等人使用Kinect研究了基于深度图像的3D手势识别,识别率为76.6%。2015年,Google的ATAP部门宣布了ProjectSoli,该项目使用微型雷达识别手势动作并捕获微小动作。

2、基于视觉的手势识别综述

作为基于视觉的手势识别系统的构建模块的大多数完整的手部交互机制包括三个基本阶段:检测,跟踪和识别。国内外的研究人员归纳总结了许多成熟的基于视觉的手势识别技术。

图为:基于视觉的手势识别技术

如果检测方法足够快可以在图像采集帧速率下操作,则它也可以用于跟踪。然而,因为手部可以非常快地移动并且它们的外观可以在几帧内大幅变化,所以手势追踪是非常困难的。同时,手势跟踪是非常重要的,它提供手/手指外观位置的帧间坐标,从而产生手部运动的轨迹。这些轨迹含有手势的基本信息,并且可以以原始形式使用(例如,在某些控制应用中,例如虚拟绘图,跟踪的手轨迹直接引导绘图操作)或者在进一步分析之后使用(例如,识别某种类型的手势)。最常见的手势跟踪方法是均值偏移算法(MeanShift)以及其改进算法连续自适应均值偏移算法(CamShift)。

(部分内容转载自网络,如有侵权,请联系删除。)

提交成功!感谢您支持数据堂。

确定

暂无数据

取消

呼叫

安全合规

数据堂符合并遵守数据保护条例对隐私数据保护的要求,并且已通过ISO27001信息安全管理体系、ISO9001质量管理体系认证。

THE END
1.[行为识别综述]Goingdeeperintoactionrecognition:Asur左边的这张图是行走的模型,它由一系列3维结构建模。右图是将WALKER 框架扩展到行人识别。 全局表征 通常来说,从视频中构建准确的3D模型是困难并且花销昂贵的,因此,许多解决方案避免使用3D建模和选择在全局或局部的表示一个行为。 (1)全局表示(Holistic representations):动作识别是基于人体结构、形状和运动的全局表示https://blog.csdn.net/dlh_sycamore/article/details/89280697
2.行为识别(actionrecognition)目前的难点在哪?借助高清摄像头对关键岗位和关键作业区域进行严密监控,运用图像识别算法,提取出关键点的位置信息,深度https://www.zhihu.com/question/264575930/answer/57256907884
3.[ML]HumanActivityRecognition人体动作/姿态识别文献综述知乎:基于深度学习的人体动作识别算法总结,桑燊 文章主要列出了一些相关的数据集以及深度学习的方法包括基于无监督学习的行为识别、基于卷积神经网络的行为识别、基于循环神经网络以及一些拓展模型的方法。当然,这里面提到的很多模型都不是最新的技术,还有很多最新的模型和技术都没有包含进来。 https://www.jianshu.com/p/3d409966fe64
4.基于事件的视觉研究综述(SNN部分阅读笔记)Gulico概括:重点介绍了为解锁事件摄像机的卓越性能而开发的应用程序和算法。 我们会从事件摄像头的工作原理,可用的实际传感器及其使用的任务(从低视力(特征检测和跟踪,光学流等)到高视力(重建, 细分,识别)。 我们还将讨论开发用于处理事件的技术,包括基于学习的技术,以及针对这些新型传感器的专用处理器,例如脉冲神经网络。 https://gulico.github.io/2020/07/27/Event-based-Vision-A-Survey/
5.视频中动作识别任务综述但是由于深度数据获取不易,基于深度数据的动作识别在应用上也有其局限性,所以目前基于视频的动作识别是动作识别领域中的主要研究方向。而本文所研究的基于视频的动作识别可以定义为给定动作视频,通过动作识别算法处理后输出视频中动作类别标签的过程。 2 视频中动作识别任务的相关方法https://www.fx361.com/page/2020/0704/6828487.shtml
6.基于深度学习的视频动作识别研究除此之外,基于所设计的残差网络本文构建了双流动作识别模型,针对双流网络缺乏时空特征交互的缺点,模型采用多级融合策略并结合多层级深度特征对识别结果进行联合决策,以充分发掘双流模型的时空表征潜力。最后通过PCA算法对融合后的特征描述子降维后,训练多分类SVM(Support Vector Machine)作为分类器实现对动作的识别。实验结果https://cdmd.cnki.com.cn/Article/CDMD-10617-1020416353.htm
7.动作识别综述(RecentAdvancesinVideoGroup-Skeleton-Based Human Action Recognition in Complex Events 一种新的基于GCN的算法GS-GCN,用于复杂事件中的动作识别,针对复杂事件挑战中大规模以人为中心的视频分析的解决方案。与仅考虑单个人的行为的常规方法不同,所提出的方法研究了不同人之间的潜在行为关系。使用多个MS-G3D从多个人中同时提取骨骼特征。由于https://www.pianshen.com/article/57621994012/
8.基于深度学习的视频人体动作识别算法研究人体动作识别作为视频分析中一个非常重要的组成部分,其已经在多个重要领域发挥至关重要的作用,包括视频监控、人机交互、自动驾驶等等。传统的人体动作识别主要基于RGB图像或视频,但由于尺度、光照变化以及背景噪声等因素的影响,效果不尽如人意。近年来,得益于深度传感器的发展以及人体骨骼关键点检测算法的成熟,越来越多的研https://xuewen.cnki.net/CMFD-1021747961.nh.html
9.面向教室嘲的举手动作识别算法的研究与实现举手算法识别场景动作候选区域 华中科技大学硕士学位论文I摘要随着视觉技术的发展,在教育信息技术领域,自动化的课堂观察成为一个重要问题。通过观察课堂中教师和学生的行为及其交互特征,有助于对学生进行客观的评估,对教师因人而异的制定教学计划,改善老师的教学质量。举手动作作为最为典型的学生动作行为,其检测和识别是自https://www.docin.com/p-2313523248.html
10.基于深度学习的表情动作单元识别综述邵志文,周勇,谭鑫,马利庄,刘兵,姚睿.{{custom_author.name_cn}}基于深度学习的表情动作单元识别综述[J]. 电子学报, 2022, 50(8): 2003-2017. https://doi.org/10.12263/DZXB.20210639 SHAO Zhi-wen,ZHOU Yong,TAN Xin,MA Li-zhuang,LIU Bing,YAO Rui.{{custom_author.name_en}}Survey of Expressionhttps://www.ejournal.org.cn/CN/10.12263/DZXB.20210639
11.浅谈动作识别TSN,TRN,ECO腾讯云开发者社区[3]人脸识别算法演化史【获取码】SIGAI0420. [4]基于深度学习的目标检测算法综述【获取码】SIGAI0424. [5]卷积神经网络为什么能够称霸计算机视觉领域?【获取码】SIGAI0426. [6]用一张图理解SVM的脉络【获取码】SIGAI0428. [7]人脸检测算法综述【获取码】SIGAI0503. https://cloud.tencent.com/developer/article/1346320
12.人体动作识别与评价——区别,联系及研究进展基于视频的人体动作识别算法 综述[J]. 计算机应用研究, 2020, 37(11): 3213-3219. HUANG Q Q, ZHOU F Y, LIU M Z. Survey of human action recognition algorithms based on video[J]. Application Research of Computers, 2020, 37 (11): 3213-3219. [26] PATRONA F, CHATZITOFIS A, ZARPALAS Dhttps://engine.scichina.com/doi/pdf/7116E3A9710B43F4A9D433FAC83F47F7
13.深度图像的获取及其处理.docx目标检测与跟踪是计算机视觉领域的一个重要应用。在深度图像中,我们可以使用各种目标检测算法来检测并跟踪目标,如基于特征的方法、基于深度学习的方法等。5、动作识别动作识别是计算机视觉领域的一个重要应用。在深度图像中,我们可以使用各种动作识别算法来识别人体的动作,如基于特征的方法、基于深度学习的方法等。https://m.renrendoc.com/paper/298490443.html
14.FCSResLNet:动作识别任务上的可接受更长输入的深度残差LSTM网络对于基于图像的识别任务,局部高频信息通常包含丰富的内容,如纹理或边缘信息,在该信息的基础上可进一步提取更大范围的形状和空间关系等低频信息。然而,视频中的局部高频运动信息通常对动作识别没有任何意义,并且很难通过简单地堆叠短程卷积提取远程运动信息。对于动作识别研究来说,由于受主流GPU内存能力限制的原因,目前输入https://news.sciencenet.cn/htmlpaper/2022/10/2022101211122288776270.shtm
15.FG2024Workshop花样滑冰人体动作识别挑战赛与研讨会启动!计算机视觉和机器学习在人体动作理解中的应用 面向专业运动的2D/3D感知技术 细粒度人体动作识别 人体动作分割或定位 开集动作识别 细粒度动作评估 面向人体动作理解的轻量化架构设计 人体动作理解大规模数据集 人体动作理解技术综述 官网 SkatingVerse官网:https://skatingverse.github.io/ https://www.jiqizhixin.com/articles/2024-03-21
16.基于深度强化学习的视觉反馈机械臂抓取系统AprilTag是一个基准视觉库,通过在物体上粘贴Apriltag标签,利用识别算法,确定标签坐标系和摄像头坐标系的关系,即可得到物体的位姿,在增强实现、机器人和相机校准等领域广泛使用。 AprilTag视觉标签与二维码有相似之处,但是降低了视觉标签的复杂度,抗光和抗遮挡性能比较好,能够快速的检测视觉标签信息,并计算相机与标识码之间https://m.elecfans.com/article/2106029.html
17.opencv在人脸识别动作识别作用opencv的人脸识别算法opencv在人脸识别动作识别作用 opencv的人脸识别算法 1:人脸检测的介绍以及综述: 现在人脸检测已经成为我们生活必不可少的一个部分,比如西电进宿舍刷脸(我从来没有成功过),现在基于深度学习的人脸检测算法大致分为以下三类: 基于级联的人脸检测算法。 基于两阶段的人脸基于级联的人脸检测算法。检测算法。https://blog.51cto.com/u_14405/11276453
18.生物传感范文11篇(全文)在基于加速度传感器的运动识别研究中,不仅同一种动作可以被识别,运动的强度也可以被识别。徐川龙[8]提出了一种基于多种时域统计特征的5种走路模式(站立、走路、跑步、上楼和下楼)的识别算法。进而针对3种相似的走路模式难以区分的问题,提出了基于小波能量和四分位间距的走路模式识别算法,细分了3种走路模式(正常走、https://www.99xueshu.com/w/ikeyub412j7q.html