CN111240485A - 基于Kinect骨骼信息的篮球裁判手势识别的方法 - Google Patents
基于Kinect骨骼信息的篮球裁判手势识别的方法 Download PDFInfo
- Publication number
- CN111240485A CN111240485A CN202010038811.6A CN202010038811A CN111240485A CN 111240485 A CN111240485 A CN 111240485A CN 202010038811 A CN202010038811 A CN 202010038811A CN 111240485 A CN111240485 A CN 111240485A
- Authority
- CN
- China
- Prior art keywords
- gesture
- node
- dynamic
- skeleton
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明属于智能竞技领域,具体公开了一种基于Kinect骨骼信息的篮球裁判手势识别的方法,包括获取标准手势运动轨迹、获取动态手势g、计算动态手势g的加权动态时间规整(DTW)距离、分类识别等步骤。采用本发明的方案,可以满足进一步提升手势识别率和实时性的要求。
Description
技术领域
本发明属于智能竞技领域,具体涉及了基于Kinect骨骼信息的篮球裁判手势识别的方法。
背景技术
人机交互是一门研究系统与用户互动关系的学问,具体地,系统将请求和提示信息通过输出、显示设备提供给用户,然后用户利用输入设备给机器输入相关信息,回答问题和响应请求。
手势是在日常生活中沟通的重要手段。我们经常通过手和头等身体部位的运动而不是说话来进行交流。所以对于一个成功的人机交互来说,考虑这些手势是不可避免的。当下,手势的控制和识别已经广泛应用于医学、军事和金融等领域,成为新一代人机交互的主要方法。而手势识别可以是来自人的身体各部位的运动,但一般是指脸部和手的运动。此外,在一般情况下,手势识别既有处于动态之中的,也有处于静态之中的。
其中,动态手势识别主要研究的时人在一段时间过程内的一系列动作,动态手势识别通常分的流程一般分为三步:第一步,获取手势的图像后,对图像进行手势分割和检测,即将图像中相似于手势的部分提取出来,获得动态手势的数据样本;第二步,基于第一步得到的样本,编辑相应的算法获得手势的形状特征或者运动轨迹;第三步,输入训练样本,选择合适的算法,基于第二步的特征或轨迹对手势进行手势识别。
而最新研发出的微软的Kinect传感器,其深度信息图像可以通过一定的方法直接获得手势的骨骼信息(三维信息),即直接跳过手势识别的步骤1(手势分割和检测),进行步骤2,选择其中的骨骼模型方法进行特征参数提取,这不仅减少了计算量,还提高了运算准确率,进而提高工作效率。
在Kinect骨架信息的方法的基础上,申请人进一步探索在手势识别流程中的步骤2(提取手势特征)、步骤3(手势模型识别)上方法的改进,以进一步提升手势识别率和实时性。
发明内容
本发明的目的在于提供基于Kinect骨骼信息的篮球裁判手势识别的方法,以满足进一步提升手势识别率和实时性的要求。
为达到上述目的,本发明的基础方案为:
基于Kinect骨骼信息的篮球裁判手势识别的方法,包括以下步骤:
步骤A、获取标准手势运动轨迹
将篮球裁判标准手势运动轨迹录入;
步骤B、获取动态手势g
使用Kinect采集获取骨骼帧数据,获取动态手势g,将动态手势g转化为骨架节点i在空间上的运动轨迹;
步骤C、计算动态手势g的加权动态时间规整(DTW)距离
其中,F表示手势g的总帧数,dg表示距离;定义手势g中节点i的权重:
标准手势和动态手势g之间的最终DTW距离公式为:
步骤D、分类识别
提取预存的各标准手势中每个骨骼节点对应的运动轨迹,根据步骤C中计算得出动态手势g的加权DTW距离,采用K-最近邻分类算法将动态手势g和标准手势进行分类比对,得到最终识别结果。
本基础方案的工作原理以及有益效果在于:
由于我们每一个人做同一种手势的时间是不相同的,即每个人做同一种手势时的速度不一样,比如说,在个人犯规的裁判手势中,不同的裁判员吹响哨子到举起右手的帧数是有极大概率不相同的。所以节点i的运动轨迹Di=di1,di2,...,diT的长度也有极大概率不同,因此可以将手势识别问题看作是一个时间序列分类问题。然而,如果手势种类不相同,每一个骨骼节点的运动状态也不相同。例如,在双方犯规手势中,12个节点都在运动;而在个人犯规手势中,只有右手指、右拇指、右手、右腕、右肘、右肩这6个节点在运动,其余6个节点处于静止状态。所以每个节点的DTW距离对最终分类结果的贡献不一样,如果简单地对这12个DTW距离求平均值(见公式(2)),虽然可以区分大部分手势,但实时性有待提高。
基于该问题,本申请的方案中,通过对特征向量中的每个特征赋予不同的权值,可以在一定程度上提高识别率,提出一种新的距离加权动态时间规整算法(DW-DTW),即本申请方案中的步骤C,经过本申请方案的识别计算,得到的最大手势平均识别率为99.63%,高于传统DTW算法4.61个百分点,完全满足篮球裁判手势的识别率要求。
另外,基于Kinect传感器的骨架信息,可以很好地克服光照的影响,将其应用到智能竞技(如篮球比赛)领域后,可以带来更高效率、高流畅性的篮球比赛,减少篮球裁判员所受的争议和不必要的争端,也可以使观众观看更方便,并扩展于其他竞技领域,如足球、棒球等。
进一步,步骤B中,取骨架节点与中肩节点(SC)的欧氏距离作为特征值,设在t时刻中肩节点的三维坐标为P0t(x0t,y0t,z0t),节点i的三维坐标为Pit(xit,yit,zit),节点i与中肩节点的欧氏距离为:
有益效果:当人与Kinect摄像头之间的前方位置不同时,得到的骨架节点的坐标也不同。为了消除这种距离影响,本方案中取每个节点与中肩节点(SC)的欧氏距离作为特征值,这样就可以将三维特征转换为一维特征。
进一步,步骤B中,骨架节点i包括左手指(HTL)、左拇指(TL)、右手指(HTR)、右拇指(TR)、左手(LH)、左腕(LW)、左肘(LB)、左肩(LS)、右肩(RS)、右肘(RB)、右腕(RW)、右手(RH)。
有益效果:理论上来说,对于6种篮球裁判手势,下半身的骨架节点都是不运动的(忽略裁判员在比赛时的跑动),仅提取本方案中的12个骨架节点,可降低计算复杂度,提高识别速度。
附图说明
图1为A1.xlsx数据内容;
图2为A1每一帧的欧式距离特征值d;
图3为A1各节点的运动轨迹;
图4中表OA为个人犯规中的50个测试样本(A51~A100)相对于50个训练样本(A1~A50)中12个骨骼节点的权重;
图5中的表OA为个人犯规手势的50个测试样本到300个训练样本的加权DTW距离;
图6中的表OA表示在K值取1~50的情况下,个人犯规手势的50个测试样本的手势识别率;
图7为K取1~20时的手势平均识别率。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例:
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,基于Kinect骨骼信息的篮球裁判手势识别的方法,包括以下步骤:
步骤A、获取标准手势运动轨迹
将篮球裁判标准手势运动轨迹录入。
步骤B、获取动态手势g
使用Kinect采集获取骨骼帧数据,获取动态手势g,将动态手势g转化为骨架节点i在空间上的运动轨迹;选取左手指(HTL)、左拇指(TL)、右手指(HTR)、右拇指(TR)、左手(LH)、左腕(LW)、左肘(LB)、左肩(LS)、右肩(RS)、右肘(RB)、右腕(RW)、右手(RH)这12个骨架节点的运动轨迹作为分类特征。
取每个节点与中肩节点(SC)的欧氏距离作为特征值,这样就可以将三维特征转换为一维特征。设在t时刻中肩节点的三维坐标为P0t(x0t,y0t,z0t),节点i的三维坐标为Pit(xit,yit,zit),节点i与中肩节点的欧氏距离为:
其中i表示作为特征的12个骨架节点。定义节点i的运动轨迹Di=di1,di2,...,diT,其中T为动态手势的总帧数。因此,手势语g将产生12条运动轨迹D1,D2,...,D12,手势g的训练样本由12个节点的时间序列组成。
步骤C、计算动态手势g的加权动态时间规整(DTW)距离
动态时间规整(Dynamic Time Warping,DTW)利用动态规划算法寻找两条时间序列的最优匹配,从而定义两条序列的距离度量,即测试模板与参考模板之间的时间对应关系由满足一定条件的的时间规整函数描述,求解两个模板匹配时最小累积距离对应的规整函数。
给定两条时间序列(节点的运动轨迹)Q=q1,q2,...,qm和C=c1,c2,...,cn,其中Q(m)和C(n)分别表示参考模板和测试样本的第m帧和第n帧的动作特征矢量,两者间的维数是相同的,m不一定等于n。DTW算法的目的是寻找Q与C之间的最优匹配,时间序列Q和C之间的DTW距离定义如下:
其中d(i,j)表示Q中第i个元素和C中第j个元素之间的距离,本方案中取d(i,j)=(qi-cj)2。
然而,如果手势种类不相同,每一个骨骼节点的运动状态也不相同。例如,在双方犯规手势中,12个节点都在运动;而在个人犯规手势中,只有右手指、右拇指、右手、右腕、右肘、右肩这6个节点在运动,其余6个节点处于静止状态。所以每个节点的DTW距离对最终分类结果的贡献不一样,如果简单地对这12个DTW距离求平均值(见公式(2)),虽然可以区分大部分手势,但实时性有待提高。
本申请的方案通过对特征向量中的每个特征赋予不同的权值,可以在一定程度上提高识别率,提出一种新的距离加权动态时间规整算法(DW-DTW)。对于手势g的训练样本由12个节点的时间序列组成,其中节点i移动的总距离:
其中,F表示手势g的总帧数,即各个节点的时间序列长度,dg表示距离。则定义手势g中节点i的权重:
由上述公式可知,如果手势g中某个节点始终处于静止状态,其权重将为零。所以训练样本和测试样本之间的最终DTW距离公式为:
步骤D、分类识别
提取预存的各标准手势中每个骨骼节点对应的运动轨迹,根据步骤C中计算得出动态手势g的加权DTW距离,采用K-最近邻分类算法将动态手势g和标准手势进行分类比对,得到最终识别结果。
下面通过实验验证本申请方案的准确性:
一、获取6中篮球裁判手势的骨骼帧数据
提取手势的骨骼帧样本,即提取6种篮球裁判手势的骨骼帧样本,具体操作如下:设置每种篮球裁判手势样本量为100(50个训练样本和50个测试样本),总样本量为600。然后利用Kinect的骨骼系统录入样本量为600的骨骼帧数据样本,每一个手势样本中,都存在若干帧的数据,每一行存在8种属性(见表1)。
表1样本属性表
在录入数据的同时,将每种篮球裁判手势的每一帧的上半身13个骨骼节点的三维坐标(coordinateX、coordinateY和coordinateZ)以A-个人犯规、B-双方犯规、C-推人、D-撞人、E-拉人、F-无球犯规的文件夹名的标准导出到excel文件,其中每个文件夹的excel文件数为100。以个人犯规(文件夹A)为例进行说明,文件夹中存在A1~A100的数据样本,其中A1~A50是测试样本,A51~A100是训练样本。
以个人犯规的第一个训练样本(A1)为例进行说明,图1为A1.xlsx的数据内容,其中第1至第13张表表示上半身第1至第13个骨骼节点(序号和骨骼节点的对应关系见表2),第1列表示帧数,即做手势的时间,第2列至第4列分别表示x轴坐标、y轴坐标和z轴坐标。
表2序号和骨骼节点对应表
序号 | 骨骼节点名 | 序号 | 骨骼节点名 |
1 | 右手指 | 8 | 左手指 |
2 | 右拇指 | 9 | 左拇指 |
3 | 右手掌 | 10 | 左手掌 |
4 | 右腕 | 11 | 左腕 |
5 | 右肘 | 12 | 左肘 |
6 | 右肩 | 13 | 左肩 |
7 | 中肩 |
二、获得骨骼节点的运动轨迹
步骤一中已经得到了6种篮球裁判手势的所有骨骼帧样本,接下来要做的是计算每一种手势每一个样本中每一帧的12个节点到中肩节点的欧氏距离d,将d作为特征值,以消除人与Kinect摄像头远近的距离影响。计算得到每个样本的欧氏距离d后,导出各个样本相对应的excel文件中。其中,每个骨骼帧样本都会产生12条运动轨迹,即每个骨骼帧样本都由12个节点的时间序列组成。以个人犯规的第一个训练样本(A1)为例进行说明,图2是A1每一帧的欧式距离特征值d,图3为A1各节点的运动轨迹。
三、计算测试样本与训练样本的加权DTW距离
由于本方案提出的加权DTW算法是在计算每个关节点的标准DTW距离的基础上,为其附上权重,所以,在计算标准DTW距离之前,先计算各节点的权重。根据公式(3)和(5),在计算权重之前,首先要计算的是最优化参数β*,R(β)是由所有测试样本的类间方差DB(β)与类内方差Dw(β)的比值,其中使R(β)最大的β值即是最优化参数β*。在网上查找资料了解到,图像分割需要用到类内和类间方差,类比推理得到如下公式(见表3):
表3最优化参数beta公式集
根据类间方差和类内方差的公式,编写代码计算得到300个训练样本的参数R(β),取其中最大的参数R(β)作为最优化参数β*。
以个人犯规手势为例进行操作说明,将图2中所示的所有骨骼帧样本的欧式距离d和篮球裁判手势类型(key等于1)代入类内方差函数varIn(d,key)和类间方差中varOut(d,key)中,其中,基于个人犯规手势的类内方差的计算流程是:
(1)计算得到的总体均值μ(公式(6));
(2)由于个人犯规手势只有右手指、右拇指、右手、右腕、右肘、右肩这6个节点在运动,其余节点处于静止状态,所以非零权重节点分布概率p1和零权重节点分布概率p2都为进而计算得到的非零权重节点方差矩阵维度是50×6;
然后,对另外5种篮球裁判手势进行相似的操作,其实,除步骤(2)运动节点类型不同,步骤(1)和(2)操作相同。最终得到最优化参数β*为0.0325:
之后,将最优化参数β*值代入到公式(3)中,计算得到同种手势每个测试样本相对于每个训练样本中12个骨骼节点的权重ω,导出到omiga.xlsx,图4中表OA为个人犯规中的50个测试样本(A51~A100)相对于50个训练样本(A1~A50)中12个骨骼节点的权重。
接下来将权重代入到公式(4)中,计算得到所有测试样本(数量300)与训练样本(数量300)的加权DTW距离,图5中的表OA为个人犯规手势的50个测试样本到300个训练样本的加权DTW距离。
四、验证6种篮球裁判手势识别率
实验的最后一步,使用K-NN分类算法基于测试样本和训练样本的加权DTW距离进行分类,将分类结果中的手势类型数进行概率计算,得到K-NN分类算法对所有测试样本的手势识别率,其中K值取1~50,导出到odds.xlsx。图6中的表OA表示在K值取1~50的情况下,个人犯规手势的50个测试样本的手势识别率。
接下来要做的是验证K值取多少时,可使手势平均识别率达到最大,利用matlab计算手势平均识别率并画图,实验结果如图7所示。可以看出,当参数K的值取5时平均识别率最高,为99.63%。
实验结果如下:
本方案中,最大手势平均识别率为99.63%,传统DTW算法和HMM算法计算得到的篮球裁判最高手势平均识别率为95.02%,本方案的识别率高于传统DTW算法4.61个百分点,因此该方法完全满足篮球裁判手势的识别率要求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (3)
1.基于Kinect骨骼信息的篮球裁判手势识别的方法,其特征在于:包括以下步骤:
步骤A、获取标准手势运动轨迹
将篮球裁判标准手势运动轨迹录入;
步骤B、获取动态手势g
使用Kinect采集获取骨骼帧数据,获取动态手势g,将动态手势g转化为骨架节点i在空间上的运动轨迹;
步骤C、计算动态手势g的加权动态时间规整(DTW)距离
其中,F表示手势g的总帧数,dg表示距离;定义手势g中节点i的权重:
标准手势和动态手势g之间的最终DTW距离公式为:
步骤D、分类识别
提取预存的各标准手势中每个骨骼节点对应的运动轨迹,根据步骤C中计算得出动态手势g的加权DTW距离,采用K-最近邻分类算法将动态手势g和标准手势进行分类比对,得到最终识别结果。
3.根据权利要求2所述的基于Kinect骨骼信息的篮球裁判手势识别的方法,其特征在于:所述步骤B中,骨架节点i包括左手指(HTL)、左拇指(TL)、右手指(HTR)、右拇指(TR)、左手(LH)、左腕(LW)、左肘(LB)、左肩(LS)、右肩(RS)、右肘(RB)、右腕(RW)、右手(RH)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038811.6A CN111240485A (zh) | 2020-01-14 | 2020-01-14 | 基于Kinect骨骼信息的篮球裁判手势识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038811.6A CN111240485A (zh) | 2020-01-14 | 2020-01-14 | 基于Kinect骨骼信息的篮球裁判手势识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111240485A true CN111240485A (zh) | 2020-06-05 |
Family
ID=70874583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010038811.6A Pending CN111240485A (zh) | 2020-01-14 | 2020-01-14 | 基于Kinect骨骼信息的篮球裁判手势识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111240485A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288766A (zh) * | 2020-10-28 | 2021-01-29 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
CN114330501A (zh) * | 2021-12-01 | 2022-04-12 | 南京航空航天大学 | 一种基于动态时间规整的轨迹样式识别方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323521A1 (en) * | 2009-09-29 | 2012-12-20 | Commissariat A L'energie Atomique Et Aux Energies Al Ternatives | System and method for recognizing gestures |
CN104123007A (zh) * | 2014-07-29 | 2014-10-29 | 电子科技大学 | 一种多维加权的3d动态手势识别方法 |
CN105320937A (zh) * | 2015-09-25 | 2016-02-10 | 北京理工大学 | 基于Kinect的交警手势识别方法 |
-
2020
- 2020-01-14 CN CN202010038811.6A patent/CN111240485A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323521A1 (en) * | 2009-09-29 | 2012-12-20 | Commissariat A L'energie Atomique Et Aux Energies Al Ternatives | System and method for recognizing gestures |
CN104123007A (zh) * | 2014-07-29 | 2014-10-29 | 电子科技大学 | 一种多维加权的3d动态手势识别方法 |
CN105320937A (zh) * | 2015-09-25 | 2016-02-10 | 北京理工大学 | 基于Kinect的交警手势识别方法 |
Non-Patent Citations (1)
Title |
---|
薛俊杰: "基于加权 DTW 手势识别方法的研究与实现" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288766A (zh) * | 2020-10-28 | 2021-01-29 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
CN112288766B (zh) * | 2020-10-28 | 2024-05-28 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
CN114330501A (zh) * | 2021-12-01 | 2022-04-12 | 南京航空航天大学 | 一种基于动态时间规整的轨迹样式识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A cuboid CNN model with an attention mechanism for skeleton-based action recognition | |
CN107169411B (zh) | 一种基于关键帧和边界约束dtw的实时动态手势识别方法 | |
CN103093196A (zh) | 一种基于手势的汉字交互输入与识别方法 | |
Huang et al. | Sign language recognition using real-sense | |
CN105536205A (zh) | 一种基于单目视频人体动作感知的上肢训练系统 | |
CN104156690B (zh) | 一种基于图像空间金字塔特征包的手势识别方法 | |
CN107368820B (zh) | 一种精细化手势识别方法、装置及设备 | |
Zhang et al. | Recognizing hand gestures with pressure-sensor-based motion sensing | |
CN106502390B (zh) | 一种基于动态3d手写数字识别的虚拟人交互系统及方法 | |
CN107678550A (zh) | 一种基于数据手套的手语手势识别系统 | |
CN104573621A (zh) | 基于Chebyshev神经网络的动态手势学习和识别方法 | |
Schioppo et al. | Sign language recognition: Learning american sign language in a virtual environment | |
Ibañez et al. | Approximate string matching: A lightweight approach to recognize gestures with Kinect | |
CN104866824A (zh) | 一种基于Leap Motion的手语字母识别方法 | |
CN111240485A (zh) | 基于Kinect骨骼信息的篮球裁判手势识别的方法 | |
CN107403167A (zh) | 手势识别方法及装置 | |
CN111444488A (zh) | 一种基于动态手势的身份认证方法 | |
Linqin et al. | Dynamic hand gesture recognition using RGB-D data for natural human-computer interaction | |
CN105354532A (zh) | 一种基于手部运动帧数据的手势识别方法 | |
CN107346207B (zh) | 一种基于隐马尔科夫模型的动态手势切分识别方法 | |
Sooai et al. | Comparison of recognition accuracy on dynamic hand gesture using feature selection | |
CN108392207B (zh) | 一种基于姿态标签的动作识别方法 | |
Prasad et al. | A wireless dynamic gesture user interface for HCI using hand data glove | |
Hachaj et al. | Human actions recognition on multimedia hardware using angle-based and coordinate-based features and multivariate continuous hidden Markov model classifier | |
Park et al. | An implementation of an FPGA-based embedded gesture recognizer using a data glove |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |