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。