为了实现在复杂环境中对连续动态手势的识别,以人体固有的手臂关节之间的约束关系及特定手势在三维空间的运动轨迹为特征,提出了一种非接触式手势识别方法.首先,通过Kinect传感器获取人体手臂关节的三维数据;然后,对手势轨迹进行分割,...为了实现在复杂环境中对连续动态手势的识别,以人体固有的手臂关节之间的约束关系及特定手势在三维空间的运动轨迹为特征,提出了一种非接触式手势识别方法.首先,通过Kinect传感器获取人体手臂关节的三维数据;然后,对手势轨迹进行分割,并将具有三维空间特征的手势轨迹转化为一维的手势轨迹;最后,将手势预判断过程与改进的动态时间规整(dynamic time warp,DTW)算法相结合,实现对动态手势的快速高效识别.实验结果表明:该方法对具有时空连续特征的动态手势识别率较高,在复杂背景和不同光照环境中都有较强的鲁棒性.展开更多
针对传统动态手势识别方法准确性不高,鲁棒性不强的问题,研究动态手势轨迹运动的行为特征,从手势运动的轨迹点角度出发提出了一种基于递归图压缩的CK-1手势相似性检测算法,称为Tra DotRP(Gesture Recognition based on the Trajectory D...针对传统动态手势识别方法准确性不高,鲁棒性不强的问题,研究动态手势轨迹运动的行为特征,从手势运动的轨迹点角度出发提出了一种基于递归图压缩的CK-1手势相似性检测算法,称为Tra DotRP(Gesture Recognition based on the Trajectory Dots Sequence Recurrence Plot).首先利用阈值分割方法获取kinect传感器采集到的手势运动轨迹点序列,计算轨迹点与初始点连线的方向角,然后对手势轨迹进行方向角的特征序列提取;为了克服手势轨迹序列不等长问题,构造基于时空域的手势轨迹序列递归图;再利用MPEG-1压缩算法计算手势递归图之间的CK-1距离,最终完成动态手势识别目标.实验结果表明,该方法可以有效地解决手势轨迹序列不等长问题,在120个动态手势的数据集上准确率高达97.48%,超过目前流行的手势识别算法.展开更多
文摘为了实现在复杂环境中对连续动态手势的识别,以人体固有的手臂关节之间的约束关系及特定手势在三维空间的运动轨迹为特征,提出了一种非接触式手势识别方法.首先,通过Kinect传感器获取人体手臂关节的三维数据;然后,对手势轨迹进行分割,并将具有三维空间特征的手势轨迹转化为一维的手势轨迹;最后,将手势预判断过程与改进的动态时间规整(dynamic time warp,DTW)算法相结合,实现对动态手势的快速高效识别.实验结果表明:该方法对具有时空连续特征的动态手势识别率较高,在复杂背景和不同光照环境中都有较强的鲁棒性.
文摘针对传统动态手势识别方法准确性不高,鲁棒性不强的问题,研究动态手势轨迹运动的行为特征,从手势运动的轨迹点角度出发提出了一种基于递归图压缩的CK-1手势相似性检测算法,称为Tra DotRP(Gesture Recognition based on the Trajectory Dots Sequence Recurrence Plot).首先利用阈值分割方法获取kinect传感器采集到的手势运动轨迹点序列,计算轨迹点与初始点连线的方向角,然后对手势轨迹进行方向角的特征序列提取;为了克服手势轨迹序列不等长问题,构造基于时空域的手势轨迹序列递归图;再利用MPEG-1压缩算法计算手势递归图之间的CK-1距离,最终完成动态手势识别目标.实验结果表明,该方法可以有效地解决手势轨迹序列不等长问题,在120个动态手势的数据集上准确率高达97.48%,超过目前流行的手势识别算法.
