导读:本文包含了手势识别论文开题报告文献综述、选题提纲参考文献，主要关键词:手势,卷积,神经网络,传感器,电容,深度,特征。
手势识别论文文献综述写法
鲍磊,罗志增,席旭刚,李文国[1]（2019）在《融合表面肌电和加速度的手势动作识别》一文中研究指出针对复杂动态手势识别问题,提出一种融合表面肌电和加速度传感信息的识别方法。对四路表面肌电与叁轴加速度信号进行数据采集,通过预处理提取有效活动段,将一个完整动态手势分割为叁个区段:起始段、主特征段和收尾段,提取加速度信号的宏观全局特征,并与主特征段表面肌电信号的复杂度微观细节特征组成特征向量,输入支持向量机完成分类。实验结果显示,该方法对4名受试者执行的6种中国手语手势的最高识别率为91.2%,证明该方法对复杂动态手势具有较好的可识别性。(本文来源于《传感技术学报》期刊2019年12期）
马杰,江亚峰,强东鑫,徐志佑,袁明新[2]（2019）在《基于RBF网络的手势识别装置设计》一文中研究指出针对已有手势识别系统准确度不高和响应速度慢的问题,设计了一款基于RBF网络的手势识别装置。该装置以STM32单片机为控制中心,使用电容传感器FDC2214进行容值数据采集;利用RBF网络对样本数据进行训练并抽取权值,将权值带入程序,输入乘权值得到输出,实现装置对手势的预测;按键实现装置判决模式与训练模式的切换;最终由TFTLCD显示容值数据和手势结果。实验测试表明:手势识别装置能够对任意测试人员进行多种手势的识别,并达到平均96. 25%的识别准确率和平均0. 6735s的系统响应速度,从而验证了本装置的有效性。(本文来源于《信息技术》期刊2019年12期）
时梦丽,李健,沈添润,张备伟[3]（2019）在《基于超像素的手势识别算法》一文中研究指出针对基于视觉的手势识别技术对环境要求较高和计算量大的问题,探讨一种基于超像素的手势识别算法。根据手势图像的特点把手部区域分割出来,利用SLIC算法获得手部区域的超像素表示,进行超像素的规范化和有序化处理,采用动态规整算法实现不同手势的识别。实验结果表明,该方法能够在复杂背景、肤色干扰等变化条件下获得较高的识别率和计算效率,具有很好的抗干扰性和稳定性。(本文来源于《计算机工程与设计》期刊2019年12期）
袁荣尚,罗晓曙[4]（2019）在《基于多尺度卷积神经网络模型的手势图像识别》一文中研究指出为了解决目前利用CNN算法进行手势识别的精度不高的问题,提出一种新的算法。首先对识别的手势图片进行二值化处理,滤除手势的背景,凸显手势在图像中的权重,背景对手势识别影响降低。其次,在经典卷积神经网络模型AlexNet的基础上,提出一种多尺度卷积核的改进卷积神经网络模型。改进卷积神经网络模型采取两种卷积核进行手势特征提取,利用多尺度卷积核和双通道进行特征融合,然后利用在不同角度,不同旋转下拍摄的手势图像数据集对改进模型进行实验验证。研究结果表明,提出的算法模型在不同的角度和不同的旋转情况下对手势图像具有较高的识别率,算法的鲁棒性、识别率方面有了明显的提高。(本文来源于《现代电子技术》期刊2019年24期）
穆宝良,王利[5]（2019）在《计算机视觉下的实时手势识别技术及其应用》一文中研究指出在全球信息化背景下,逐渐发展起来越来越多的新科技,在图像处理技术领域,也取得了长足的发展。随着图像处理技术和模式识别技术等相关技术的不断发展,借助于计算机技术的巨大发展,使得人们的生活较以往有了巨大的改观,人们也越来越离不开计算机技术,在这种大环境下,人们也开始着重研究实时手势识别技术。本文就是在基于计算机视觉背景下,简单的介绍了实时手势识别技术,以及实时手势识别技术的一些识别方法和未来的发展方向,希望能够对一些对实时手势识别技术感兴趣的相关人员提供一定的参考和帮助。(本文来源于《科学技术创新》期刊2019年35期）
刘于嘉,李传江,杜芸菲,黄晴[6]（2019）在《基于手势识别的教育机器人人机交互技术研究》一文中研究指出本文针对体验感不强的问题,提出了一种基于MEMS惯性传感器手势识别的智能教育机器人人机交互办法,通过MPU6050进行数据采集和预处理,利用STM32单片机结合加速度和角速度变化进行手势识别,通过蓝牙模块进行数据传输,控制教育机器人运动。提供了一种新型智能机器人教学方式,为落实国家的人工智能进中小学课程的政策贡献力量。(本文来源于《电子测试》期刊2019年23期）
唐文权,徐武,文聪,郭兴[7]（2019）在《复杂背景下基于肤色检测的动态手势分割与识别》一文中研究指出在类肤色的复杂背景下,基于肤色检测的动态手势识别会因肤色干扰导致识别效率较低。提出了一种基于YCbCr颜色空间的改进叁帧差分法的动态手势识别方法。首先利用改进的叁帧差分法对动态手势进行分割,有效去除类肤色背景;然后根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法有效去除非肤色背景,分割出手势区域。通过双特征提取,有效去除大范围的肤色背景,最终得到完整的手势;最后利用BP神经网络较强的自学习能力,对分割的动态手势进行检测识别。实验结果表明,此方法在应对环境变化时具有较好的实时性和抗干扰能力,拥有较高的识别率。(本文来源于《科学技术与工程》期刊2019年33期）
瞿惠琴,吴孔培,叶倩[8]（2019）在《电容传感器非接触式手势识别系统》一文中研究指出为了实现基于电容传感器的手势识别,设计了具有4路输出信号的电容传感器,研究了电容—数字转换器FDC2214的工作原理,基于电容传感器、电容-数字转换器FDC2214和单片机ATmega2560设计了手势识别系统,并给出了手势识别的阈值算法。经过对8种静态手势的测试,结果表明,系统能够实现非接触式测量,极板间距为3 cm时,可在60 s内完成一种手势的数据记录,手势判定时,对8种手势多次识别测试,识别准确率高于95%,识别时间均小于1 s。(本文来源于《无线电工程》期刊2019年12期）
顾陈楠,曾晓勤[9]（2019）在《基于3D卷积神经网络的动态手势识别》一文中研究指出传统的2D卷积神经网络在进行视频识别时容易丢失目标在时间维度上的相关特征信息,导致识别准确率降低。针对该问题,本文采用3D卷积网络作为基本的网络框架,使用3D卷积核进行卷积操作提取视频中的时空特征,同时集成多个3D卷积神经网络模型对动态手势进行识别。为了提高模型的收敛速度和训练的稳定性,运用批量归一化(BN)技术优化网络,使优化后的网络训练时间缩短。实验结果表明,本文方法对于动态手势的识别具有较好的识别结果,在Sheffield Kinect Gesture (SKIG)数据集上识别准确率达到98.06%。与单独使用RGB信息、深度信息以及传统2D CNN相比,手势识别率均有所提高,验证了本文方法的可行性和有效性。(本文来源于《计算机与现代化》期刊2019年11期）
高宇,何小海,吴晓红,王正勇,张豫堃[10]（2019）在《基于Leap Motion的动态手势识别方法》一文中研究指出伴随虚拟现实(Virtual Reality, VR)技术的发展,以及人们对人机交互性能和体验感的要求提高,手势识别作为影响虚拟现实中交互操作的重要技术之一,其精确度急需提升[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题,提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据,然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取,接着进行动态手势隐马尔科夫模型(Hidden Markov Model, HMM)的训练,最后根据待测手势与模型的匹配率进行识别.从实验结果中得出,该多特征识别方法能够提升相似手势的识别率.(本文来源于《计算机系统应用》期刊2019年11期）
手势识别论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对已有手势识别系统准确度不高和响应速度慢的问题,设计了一款基于RBF网络的手势识别装置。该装置以STM32单片机为控制中心,使用电容传感器FDC2214进行容值数据采集;利用RBF网络对样本数据进行训练并抽取权值,将权值带入程序,输入乘权值得到输出,实现装置对手势的预测;按键实现装置判决模式与训练模式的切换;最终由TFTLCD显示容值数据和手势结果。实验测试表明:手势识别装置能够对任意测试人员进行多种手势的识别,并达到平均96. 25%的识别准确率和平均0. 6735s的系统响应速度,从而验证了本装置的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
手势识别论文参考文献
[1].鲍磊,罗志增,席旭刚,李文国.融合表面肌电和加速度的手势动作识别[J].传感技术学报.2019
[2].马杰,江亚峰,强东鑫,徐志佑,袁明新.基于RBF网络的手势识别装置设计[J].信息技术.2019
[3].时梦丽,李健,沈添润,张备伟.基于超像素的手势识别算法[J].计算机工程与设计.2019
[4].袁荣尚,罗晓曙.基于多尺度卷积神经网络模型的手势图像识别[J].现代电子技术.2019
[5].穆宝良,王利.计算机视觉下的实时手势识别技术及其应用[J].科学技术创新.2019
[6].刘于嘉,李传江,杜芸菲,黄晴.基于手势识别的教育机器人人机交互技术研究[J].电子测试.2019
[7].唐文权,徐武,文聪,郭兴.复杂背景下基于肤色检测的动态手势分割与识别[J].科学技术与工程.2019
[8].瞿惠琴,吴孔培,叶倩.电容传感器非接触式手势识别系统[J].无线电工程.2019
[9].顾陈楠,曾晓勤.基于3D卷积神经网络的动态手势识别[J].计算机与现代化.2019
[10].高宇,何小海,吴晓红,王正勇,张豫堃.基于LeapMotion的动态手势识别方法[J].计算机系统应用.2019