CN112507797A - 一种基于神经网络的手势识别系统 - Google Patents

一种基于神经网络的手势识别系统 Download PDF

Info

Publication number
CN112507797A
CN112507797A CN202011246498.1A CN202011246498A CN112507797A CN 112507797 A CN112507797 A CN 112507797A CN 202011246498 A CN202011246498 A CN 202011246498A CN 112507797 A CN112507797 A CN 112507797A
Authority
CN
China
Prior art keywords
neural network
fixedly connected
disc
wall
gesture recognition
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.)
Granted
Application number
CN202011246498.1A
Other languages
English (en)
Other versions
CN112507797B (zh
Inventor
钱乐旦
周潇
张永春
胡理冰
高利新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202011246498.1A priority Critical patent/CN112507797B/zh
Publication of CN112507797A publication Critical patent/CN112507797A/zh
Application granted granted Critical
Publication of CN112507797B publication Critical patent/CN112507797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明属于汽车生产领域，尤其是一种基于神经网络的手势识别系统，现提出如下方案，其包括圆盘，所述圆盘的两侧内壁转动连接有同一个第一双向丝杠，所述第一双向丝杠的一端延伸至圆盘的一侧，所述圆盘的两侧内壁转动连接有同一个第二双向丝杠，所述圆盘的下方设有固定块，本发明中，简单方便，通过传感器感应到手势的移动，将信号传输至中央处理器处，进而可以控制转动电机和驱动电机调整摄像头的方向和角度进而捕捉用户的手势，使的摄像头可以清晰捕捉到手势目标进行识别；将捕捉到的用户双手运动轨迹作为神经网络的输入，利用训练好的神经网络识别该用户双手运动轨迹，最终输出识别结果。

Description

一种基于神经网络的手势识别系统
技术领域
本发明涉及手势识别技术领域，尤其涉及一种基于神经网络的手势识别系统。
背景技术
随着人机交互技术的快速发展，以人手姿态作为人机交互直接输入手段的手势识别技术日益成熟。这种利用计算机来识别、判断手势含义的手势识别技术在智能家居、智能穿戴以及增强现实等领域都有大量的应用。
公告号为CN203136075U的实用新型公开了一种智能电视手势识别系统，包括电源电路、摄像头、PIR传感器和主控MCU,所述摄像头电连接有摄像头视频处理电路，所述PIR传感器电连接有PIR处理电路，所述主控MCU电连接到视频显示终端，所述主控MCU用于接收所述摄像头视频处理电路和所述PIR处理电路的处理信号，以及对所述视频显示终端发送控制信号。本实用新型的智能电视手势识别系统，由于采用了PIR技术与摄像头结合来进行手势及运动识别，增强了智能电视手势识别的准确性及精确度。
上述技术方案中，大多数摄像头处于固定位置无法随着手势的移动而及时捕捉到目标进而进行手势识别，另外摄像头基本上都固定放置无法随着用户需求而移动。
发明内容
本发明的目的是为了解决现有技术中存在缺点，而提出的一种基于神经网络的手势识别系统。
为了实现上述目的，本发明采用了如下技术方案：
一种基于神经网络的手势识别系统，包括圆盘，所述圆盘的两侧内壁转动连接有同一个第一双向丝杠，所述第一双向丝杠的一端延伸至圆盘的一侧，所述圆盘的两侧内壁转动连接有同一个第二双向丝杠，所述圆盘的下方设有固定块，所述第一双向丝杠的外壁设有用于夹紧固定块的夹紧组件，所述圆盘的顶部固定连接有固定盘，所述固定盘的顶部转动连接有转盘，所述固定盘内设有用于驱动转盘进行转动的转动组件，所述转盘的顶部固定连接有支撑座，所述支撑座的两侧内壁固定连接有转动杆，所述转动杆的外壁转动连接有连杆，所述转盘的顶部设有用于调节连杆转动角度驱动组件，所述连杆内设有中央处理器，所述连杆的一端固定连接有摄像头，所述连杆的一端固定连接有传感器；
基于神经网络的手势识别过程分为训练阶段和识别阶段，
1)训练阶段；具体步骤如下：
1-1)摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
1-2)识别输入变量，建立BP神经网络模型；
1-3)BP神经网络模型具有三层或三层以上的结构，分别是输入层、一层或多层隐含层、输出层，各层之间的神经元是全连接，层内各种神经元无连接；输入层有n个神经元，输入向量为X＝(x1,x2,…,xn)；隐藏层有l个神经元，输出有m个神经元，输出向量为Y＝(y1,y2,…,yn)；输入层与隐藏层的连接权值为ωij，隐藏层与输出层的连接权值为ωjk，隐藏层各神经元阈值为aj(j＝1,2,…,l)输出层各神经元阈值为bk(k＝1,2,…,m)；
1-4)在期望输出的指导下，对BP神经网络进行训练并修正，达到预先设定的目标精度；
2)识别阶段；具体步骤如下：
2-1)摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
2-2)利用训练好的BP神经网络识别双手运动轨迹，最终输出识别结果。优选地，所述夹紧组件包括固定套设在第一双向丝杠外壁的第一蜗轮，所述第二双向丝杠的外壁固定连接套设有第一蜗杆，所述第一双向丝杠的外壁螺纹连接有两个相对称的第一丝杠螺母，所述第二双向丝杠的外壁螺纹连接有第二丝杠螺母，所述圆盘的底部环形等距排布有四个矩形槽，所述第二丝杠螺母和第一丝杠螺母的底端均贯穿矩形槽并延伸至矩形槽的一侧。
优选地，所述转动组件包括固定连接在固定盘底部内壁的转动电机，所述固定盘的底部内壁转动连接有转轴，所述转轴的外壁固定套设有第二蜗轮，所述固定盘的底部内壁固定连接有两个相对称的支撑杆，两个所述支撑杆相互靠近的一侧转动连接有第二蜗杆，所述转动电机的输出轴延伸至支撑杆中并和第二蜗杆固定连接，所述转轴的顶端贯穿固定盘并和转盘的底部固定连接。
优选地，所述驱动组件包括固定连接在转盘顶部的驱动电机，所述驱动电机的输出轴固定连接有主动斜齿轮，所述连杆的两侧均设有滑动槽，所述滑动槽的两侧内壁滑动连接有同一个圆杆，两个所述圆杆相互靠近的一端固定连接有同一个套筒，所述套筒的内部侧壁固定连接有螺母，所述转盘的顶部转动连接有螺杆，所述螺杆的外壁固定套设有从动斜齿轮，所述从动斜齿轮和主动斜齿轮相啮合，所述螺杆的顶端贯穿套筒和螺母并与螺母螺纹连接。
优选地，所述圆盘的一侧固定嵌装有转动轴承，所述第一双向丝杠的一端贯穿转动轴承的内圈并和转动轴承的内圈固定连接，通过转动轴承可以减少圆盘对第一双向丝杠的摩擦力的转动第一双向丝杠。
优选地，两个所述第一丝杠螺母和第二丝杠螺母相互靠近的一侧均设有防滑垫片，通过防滑垫片可以增加第一丝杠螺母和第二丝杠螺母对固定块的摩擦力，使得圆盘可以稳定在固定块上。
优选地，所述固定盘的顶部以转轴为圆心固定连接有滑轨，所述转盘的底部环形等距排布有多个滑块，所述滑块和滑轨滑动连接，通过滑轨和滑块可以对转盘起到支撑作用。
优选地，所述螺杆的顶部固定连接有限位块，通过限位块可以防止螺杆从套筒中脱离。
本发明的有益效果是：
1、将圆盘放置固定块上，转动第一双向丝杠带动第一蜗轮转动，且第一蜗轮和第一蜗杆相啮合，第一蜗轮带动第一蜗杆和第二双向丝杠同时转动，而第二丝杠螺母和第一丝杠螺母分别和第二双向丝杠和第一双向丝杠螺纹连接，在第一双向丝杠和第二双向丝杠转动的同时，第二丝杠螺母和第一丝杠螺母向里移动夹紧固定块，方便固定圆盘。
2、启动转动电机驱动第二蜗杆转动，第二蜗杆和第二蜗轮相啮合，第二蜗杆带动转轴、第二蜗轮和转盘同时转动，可以调节摄像头的方向方便捕捉用户的手势。
3、启动驱动电机驱动主动斜齿轮转动，主动斜齿轮和从动斜齿轮相啮合，主动斜齿轮带动从动斜齿轮和螺杆转动，且螺母和螺杆螺纹连接，随着螺杆的转动，套筒和螺母沿着滑动槽向下移动，进而使摄像头向上转动，方便调整摄像头的角度，用以捕捉用户的手势。
4、第一丝杠螺母和第二丝杠螺母的一侧均设有圆弧凹槽，因此第一丝杠螺母和第二丝杠螺母在平面或使不规则的曲面都可以将其夹紧，使圆盘能够稳定，方便摄像头的手势捕捉。
5、第一丝杠螺母和第二丝杠螺母的一侧均设有防滑垫片，防滑垫片可以增加第一丝杠螺母和第二丝杠螺母对固定块的摩擦力，使得圆盘可以稳定在固定块上。
本发明中，简单方便，通过传感器感应到手势的移动，将信号传输至中央处理器处，进而可以控制转动电机和驱动电机调整摄像头的方向和角度进而捕捉用户的手势，使的摄像头可以清晰捕捉到手势目标进行识别，将捕捉到的用户双手运动轨迹作为神经网络的输入，利用训练好的神经网络识别该用户双手运动轨迹，最终输出识别结果。。
附图说明
图1为本发明提出的一种基于神经网络的手势识别系统的主视图；
图2为本发明提出的一种基于神经网络的手势识别系统的圆盘的主视剖视图；
图3为本发明提出的一种基于神经网络的手势识别系统的圆盘的俯视剖视图；
图4为本发明提出的一种基于神经网络的手势识别系统的圆盘的仰视图；
图5为本发明提出的一种基于神经网络的手势识别系统的固定盘和连杆的主视剖视图；
图6为本发明提出的一种基于神经网络的手势识别系统的支撑座的侧视图；
图7为本发明提出的一种基于神经网络的手势识别系统的支撑座的俯视图。
图中：1、圆盘；2、第一双向丝杠；3、第二双向丝杠；4、第一蜗轮；5、第一蜗杆；6、第一丝杠螺母；7、第二丝杠螺母；8、矩形槽；9、固定盘；10、转轴；11、第二蜗轮；12、支撑杆；13、第二蜗杆；14、转动电机；15、转盘；16、支撑座；17、转动杆；18、连杆；19、圆杆；20、套筒；21、螺母；22、螺杆；23、从动斜齿轮；24、驱动电机；25、主动斜齿轮；26、滑动槽；27、转动轴承；28、滑轨；29、滑块；30、限位块；31、防滑垫片；32、摄像头；33、传感器；34、中央处理器；35、固定块。
具体实施方式
下面将结合本发明实施例中的附图，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。
实施例一
参照图1-7，一种基于神经网络的手势识别系统，包括圆盘1，圆盘1的两侧内壁转动连接有同一个第一双向丝杠2，第一双向丝杠2的一端延伸至圆盘1的一侧，圆盘1的两侧内壁转动连接有同一个第二双向丝杠3，圆盘1的下方设有固定块35，第一双向丝杠2的外壁设有用于夹紧固定块35的夹紧组件，圆盘1的顶部固定连接有固定盘9，固定盘9的顶部转动连接有转盘15，固定盘9内设有用于驱动转盘15进行转动的转动组件，转盘15的顶部固定连接有支撑座16，支撑座16的两侧内壁固定连接有转动杆17，转动杆17的外壁转动连接有连杆18，转盘15的顶部设有用于调节连杆18转动角度驱动组件，连杆18内设有中央处理器34，连杆18的一端固定连接有摄像头32，连杆18的一端固定连接有传感器33。
基于神经网络的手势识别过程分为训练阶段和识别阶段，
1)训练阶段；具体步骤如下：
1-1)摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
1-2)识别输入变量，建立BP神经网络模型；
1-3)根据系统输入输出序列(X，Y)确定网络输入层节点数n、隐藏层节点数l、输出层节点数m，初始化输入层与隐藏层的连接权值为ωij、隐藏层与输出层的连接权值为ωjk初始化隐藏层各神经元阈值为aj(j＝1,2,…,l)输出层各神经元阈值为bk(k＝1,2,…,m)，给定学习率和神经激励函数；
根据输入向量X，输入层与隐藏层的连接权值为ωij以及隐藏层阈值为aj(j＝1,2,…,l)，计算隐藏层输出H，
Figure BDA0002770214550000081
公式中l为隐藏层节点数，f(*)为隐藏层激励函数；
根据隐藏层输出H，隐藏层与输出层的连接权值为ωjk和输出层各神经元阈值为bk(k＝1,2,…,m)，计算BP神经网络预测输出O，
Figure BDA0002770214550000082
1-4)根据网络预测输出O和期望输出Y，计算网络预测误差e，
ek＝Yk-Ok，k＝1，2，…，m；
根据网络预测误差e更新网络连接权值ωij、ωjk，
Figure BDA0002770214550000083
判断算法迭代是否结束，若没有结束，返回1-3)；
2)识别阶段；具体步骤如下：
2-1)摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
2-2)利用训练好的BP神经网络识别双手运动轨迹，最终输出识别结果。实施例二
本实施例在实施例一的基础上进行改进：夹紧组件包括固定套设在第一双向丝杠2外壁的第一蜗轮4，第二双向丝杠3的外壁固定连接套设有第一蜗杆5，第一双向丝杠2的外壁螺纹连接有两个相对称的第一丝杠螺母6，第二双向丝杠3的外壁螺纹连接有第二丝杠螺母7，圆盘1的底部环形等距排布有四个矩形槽8，第二丝杠螺母7和第一丝杠螺母6的底端均贯穿矩形槽8并延伸至矩形槽8的一侧，转动组件包括固定连接在固定盘9底部内壁的转动电机14，固定盘9的底部内壁转动连接有转轴10，转轴10的外壁固定套设有第二蜗轮11，固定盘9的底部内壁固定连接有两个相对称的支撑杆12，两个支撑杆12相互靠近的一侧转动连接有第二蜗杆13，转动电机14的输出轴延伸至支撑杆12中并和第二蜗杆13固定连接，转轴10的顶端贯穿固定盘9并和转盘15的底部固定连接，驱动组件包括固定连接在转盘15顶部的驱动电机24，驱动电机24的输出轴固定连接有主动斜齿轮25，连杆18的两侧均设有滑动槽26，滑动槽26的两侧内壁滑动连接有同一个圆杆19，两个圆杆19相互靠近的一端固定连接有同一个套筒20，套筒20的内部侧壁固定连接有螺母21，转盘15的顶部转动连接有螺杆22，螺杆22的外壁固定套设有从动斜齿轮23，从动斜齿轮23和主动斜齿轮25相啮合，螺杆22的顶端贯穿套筒20和螺母21并与螺母21螺纹连接，圆盘1的一侧固定嵌装有转动轴承27，第一双向丝杠2的一端贯穿转动轴承27的内圈并和转动轴承27的内圈固定连接，通过转动轴承27可以减少圆盘1对第一双向丝杠2的摩擦力的转动第一双向丝杠2，两个第一丝杠螺母6和第二丝杠螺母7相互靠近的一侧均设有防滑垫片31，通过防滑垫片31可以增加第一丝杠螺母6和第二丝杠螺母7对固定块35的摩擦力，使得圆盘1可以稳定在固定块35上，固定盘9的顶部以转轴10为圆心固定连接有滑轨28，转盘15的底部环形等距排布有多个滑块29，滑块29和滑轨28滑动连接，通过滑轨28和滑块29可以对转盘15起到支撑作用，螺杆22的顶部固定连接有限位块30，通过限位块30可以防止螺杆22从套筒20中脱离。
然而，如本领域技术人员所熟知的，转动电机14、驱动电机24、摄像头32、传感器33和中央处理器34的工作原理和接线方法是司空见惯的，其均属于常规手段或者公知常识，在此就不再赘述，本领域技术人员可以根据其需要或者便利进行任意的选配。
工作原理：第一步，将圆盘1放置固定块35上，转动第一双向丝杠2带动第一蜗轮4转动，且第一蜗轮4和第一蜗杆5相啮合，第一蜗轮4带动第一蜗杆5和第二双向丝杠3同时转动，而第二丝杠螺母7和第一丝杠螺母6分别和第二双向丝杠3和第一双向丝杠2螺纹连接，在第一双向丝杠2和第二双向丝杠3转动的同时，第二丝杠螺母7和第一丝杠螺母6向里移动夹紧固定块35，方便固定圆盘1，第二步，通过传感器33感应到手势的移动，将信号传输至中央处理器34处，中央处理器34控制转动电机14启动，驱动第二蜗杆13转动，第二蜗杆13和第二蜗轮11相啮合，第二蜗杆13带动转轴10、第二蜗轮11和转盘15同时转动，可以调节摄像头32的方向方便捕捉用户的手势，第三步，中央处理器34控制驱动电机24启动，驱动主动斜齿轮25转动，主动斜齿轮25和从动斜齿轮23相啮合，主动斜齿轮25带动从动斜齿轮23和螺杆22转动，且螺母21和螺杆22螺纹连接，随着螺杆22的转动，套筒20和螺母21沿着滑动槽26向下移动，进而使摄像头32向上转动，方便调整摄像头32的角度，用以捕捉用户的手势。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络的手势识别系统，包括圆盘(1)，其特征在于，所述圆盘(1)的两侧内壁转动连接有同一个第一双向丝杠(2)，所述第一双向丝杠(2)的一端延伸至圆盘(1)的一侧，所述圆盘(1)的两侧内壁转动连接有同一个第二双向丝杠(3)，所述圆盘(1)的下方设有固定块(35)，所述第一双向丝杠(2)的外壁设有用于夹紧固定块(35)的夹紧组件，所述圆盘(1)的顶部固定连接有固定盘(9)，所述固定盘(9)的顶部转动连接有转盘(15)，所述固定盘(9)内设有用于驱动转盘(15)进行转动的转动组件，所述转盘(15)的顶部固定连接有支撑座(16)，所述支撑座(16)的两侧内壁固定连接有转动杆(17)，所述转动杆(17)的外壁转动连接有连杆(18)，所述转盘(15)的顶部设有用于调节连杆(18)转动角度驱动组件，所述连杆(18)内设有中央处理器(34)，所述连杆(18)的一端固定连接有摄像头(32)，所述连杆(18)的一端固定连接有传感器(33)；
基于神经网络的手势识别过程分为训练阶段和识别阶段，
1)训练阶段；具体步骤如下：
1-1)所述摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
1-2)识别输入变量，建立BP神经网络模型；
1-3)所述BP神经网络模型具有三层或三层以上的结构，分别是输入层、一层或多层隐含层、输出层，各层之间的神经元是全连接，层内各种神经元无连接，各隐含层节点一般使用Sigmoid激励函数；输入层有n个神经元，输入向量为X＝(x1,x2,…,xn)；隐藏层有l个神经元，输出有m个神经元，输出向量为Y＝(y1,y2,…,yn)；输入层与隐藏层的连接权值为ωij，隐藏层与输出层的连接权值为ωjk，隐藏层各神经元阈值为aj(j＝1,2,…,l)输出层各神经元阈值为bk(k＝1,2,…,m)；
1-4)在期望输出的指导下，对BP神经网络进行训练并修正，达到预先设定的目标精度；
2)识别阶段；具体步骤如下：
2-1)摄像头用于捕捉用户手势，将采集到的双手运动轨迹作为输入变量；
2-2)利用训练好的BP神经网络识别双手运动轨迹，最终输出识别结果。
2.根据权利要求1所述的一种基于神经网络的手势识别系统，其特征在于，所述夹紧组件包括固定套设在第一双向丝杠(2)外壁的第一蜗轮(4)，所述第二双向丝杠(3)的外壁固定连接套设有第一蜗杆(5)，所述第一双向丝杠(2)的外壁螺纹连接有两个相对称的第一丝杠螺母(6)，所述第二双向丝杠(3)的外壁螺纹连接有第二丝杠螺母(7)，所述圆盘(1)的底部环形等距排布有四个矩形槽(8)，所述第二丝杠螺母(7)和第一丝杠螺母(6)的底端均贯穿矩形槽(8)并延伸至矩形槽(8)的一侧。
3.根据权利要求1所述的一种基于神经网络的手势识别系统，其特征在于，所述转动组件包括固定连接在固定盘(9)底部内壁的转动电机(14)，所述固定盘(9)的底部内壁转动连接有转轴(10)，所述转轴(10)的外壁固定套设有第二蜗轮(11)，所述固定盘(9)的底部内壁固定连接有两个相对称的支撑杆(12)，两个所述支撑杆(12)相互靠近的一侧转动连接有第二蜗杆(13)，所述转动电机(14)的输出轴延伸至支撑杆(12)中并和第二蜗杆(13)固定连接，所述转轴(10)的顶端贯穿固定盘(9)并和转盘(15)的底部固定连接。
4.根据权利要求1所述的一种基于神经网络的手势识别系统，其特征在于，所述驱动组件包括固定连接在转盘(15)顶部的驱动电机(24)，所述驱动电机(24)的输出轴固定连接有主动斜齿轮(25)，所述连杆(18)的两侧均设有滑动槽(26)，所述滑动槽(26)的两侧内壁滑动连接有同一个圆杆(19)，两个所述圆杆(19)相互靠近的一端固定连接有同一个套筒(20)，所述套筒(20)的内部侧壁固定连接有螺母(21)，所述转盘(15)的顶部转动连接有螺杆(22)，所述螺杆(22)的外壁固定套设有从动斜齿轮(23)，所述从动斜齿轮(23)和主动斜齿轮(25)相啮合，所述螺杆(22)的顶端贯穿套筒(20)和螺母(21)并与螺母(21)螺纹连接。
5.根据权利要求1所述的一种基于神经网络的手势识别系统，其特征在于，所述圆盘(1)的一侧固定嵌装有转动轴承(27)，所述第一双向丝杠(2)的一端贯穿转动轴承(27)的内圈并和转动轴承(27)的内圈固定连接。
6.根据权利要求2所述的一种基于神经网络的手势识别系统，其特征在于，两个所述第一丝杠螺母(6)和第二丝杠螺母(7)相互靠近的一侧均设有防滑垫片(31)。
7.根据权利要求3所述的一种基于神经网络的手势识别系统，其特征在于，所述固定盘(9)的顶部以转轴(10)为圆心固定连接有滑轨(28)，所述转盘(15)的底部环形等距排布有多个滑块(29)，所述滑块(29)和滑轨(28)滑动连接。
8.根据权利要求4所述的一种基于神经网络的手势识别系统，其特征在于，所述螺杆(22)的顶部固定连接有限位块(30)。
CN202011246498.1A 2020-11-10 2020-11-10 一种基于神经网络的手势识别系统 Active CN112507797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011246498.1A CN112507797B (zh) 2020-11-10 2020-11-10 一种基于神经网络的手势识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011246498.1A CN112507797B (zh) 2020-11-10 2020-11-10 一种基于神经网络的手势识别系统

Publications (2)

Publication Number Publication Date
CN112507797A true CN112507797A (zh) 2021-03-16
CN112507797B CN112507797B (zh) 2024-02-20

Family

ID=74957468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011246498.1A Active CN112507797B (zh) 2020-11-10 2020-11-10 一种基于神经网络的手势识别系统

Country Status (1)

Country Link
CN (1) CN112507797B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006094535A1 (en) * 2005-03-09 2006-09-14 Ares Engineering S.R.L. Rolling screw
US20110304573A1 (en) * 2010-06-14 2011-12-15 Smith George C Gesture recognition using neural networks
CN104978032A (zh) * 2015-07-08 2015-10-14 苏州奥莱维信息技术有限公司 一种基于手势识别的多媒体控制装置
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
CN106200987A (zh) * 2016-08-24 2016-12-07 合肥凌翔信息科技有限公司 一种具有智能语音和手势识别系统的机器人
US20170168586A1 (en) * 2015-12-15 2017-06-15 Purdue Research Foundation Method and System for Hand Pose Detection
CN110312063A (zh) * 2019-06-25 2019-10-08 安徽兴博远实信息科技有限公司 一种自动调整摄像头及其监控系统
CN211375553U (zh) * 2020-02-10 2020-08-28 烟台持久钟表有限公司 一种手势控制大钟装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006094535A1 (en) * 2005-03-09 2006-09-14 Ares Engineering S.R.L. Rolling screw
US20110304573A1 (en) * 2010-06-14 2011-12-15 Smith George C Gesture recognition using neural networks
CN104978032A (zh) * 2015-07-08 2015-10-14 苏州奥莱维信息技术有限公司 一种基于手势识别的多媒体控制装置
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
US20170168586A1 (en) * 2015-12-15 2017-06-15 Purdue Research Foundation Method and System for Hand Pose Detection
CN106200987A (zh) * 2016-08-24 2016-12-07 合肥凌翔信息科技有限公司 一种具有智能语音和手势识别系统的机器人
CN110312063A (zh) * 2019-06-25 2019-10-08 安徽兴博远实信息科技有限公司 一种自动调整摄像头及其监控系统
CN211375553U (zh) * 2020-02-10 2020-08-28 烟台持久钟表有限公司 一种手势控制大钟装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李文生: "《粒子群优化神经网络在动态手势识别中的应用》", 《计算机工程与科学》 *

Also Published As

Publication number Publication date
CN112507797B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN103353935B (zh) 一种用于智能家居系统的3d动态手势识别方法
CN104123007B (zh) 一种多维加权的3d动态手势识别方法
CN103593680B (zh) 一种基于隐马尔科夫模型自增量学习的动态手势识别方法
Liu et al. A multimodal emotional communication based humans-robots interaction system
CN108197580A (zh) 一种基于3d卷积神经网络的手势识别方法
CN105843226B (zh) 一种智能行李箱的多图像跟随方法
CN112223288B (zh) 一种视觉融合的服务机器人控制方法
CN106313072A (zh) 一种基于Kinect的体感控制的类人型机器人
CN103995595A (zh) 一种基于手势的游戏体感控制方法
CN205750354U (zh) 一种表情机器人
CN103336948A (zh) 一种基于人脸识别的视频跟踪方法
CN206029912U (zh) 交互式vr的智能机器人
Vu et al. Emotion recognition based on human gesture and speech information using RT middleware
CN112507797A (zh) 一种基于神经网络的手势识别系统
CN110716578A (zh) 一种基于混合型脑机接口的飞行器控制系统及其控制方法
CN110153985A (zh) 一种多功能全向机器人
CN209335633U (zh) 一种无人营业厅业务办理机器人
CN206162099U (zh) 一种智能家居随动机器人
CN104079980A (zh) 一种配合可弯曲屏电视的交互系统和交互方法
CN113470454B (zh) 一种基于人工智能的自闭症儿童用语言训练装置
Viet et al. Hands-free control of an electric wheelchair using face behaviors
CN114610156A (zh) 基于ar/vr眼镜的交互方法、装置及ar/vr眼镜
CN207101752U (zh) 一种动感单车训练系统
CN210551333U (zh) 一种智能机器人转向结构
CN1838032A (zh) 一种基于计算机图像和纯色物体的互动输入控制方法

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
GR01 Patent grant
GR01 Patent grant