手势识别算法总结
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
➢ 基于传感器的手势识别 优点：价格低廉，较高的识别精度，克服了空间环境的限制 缺点：需要中间媒介，影响交互效果，传感器自身缺陷
➢ 新兴技术：基于WiFi路由器的手势识别 通过分析环境中的WiFi信号变化来捕捉用户，而不需
要你佩戴任何的外设或者是在家部署一堆摄像头
手势识别流程
手势输入
预处理
特征提取
根据加速度和角速度进行手势分类、 训练：为每一种手势建立HMM模型、 识别：对每一种HMM模型进行评估，
➢ 基于数据分类
神经网络(NN)模型：基于某种学习准则循环进行学习，使得下次犯错误的概率最低
优点：自适应的学习方法，容错能力强，不易受噪声干扰； 缺点：计算量大，费时，对于动态手势识别效果远不如静态的。
基于MEMS传感器的手势识别（方案设计）
手势输入
预处理
特征提取
手势识别
设置阀值：判断手势起始点 误差补偿、滤波、归一化
优点：消除时间可变性，操作简单； 缺点：时间规整过程引入误差，降低识别精度；
➢ 基于概率统计
✓ 隐性马尔科夫模型（HMM）模型：训练时每一种手势对应一个HMM model,识别
时取概率最大的一个HMM即可 优点：尤其适用于时间序列的建模，对复杂度高的动作也具有较高的识别精度，易
于添加或修改手势库； 缺点：训练强度大
手势识别
百度文库
手势分割、 手势跟踪、
手势分割、 误差补偿、滤波、
分类、建模、 训练、匹配
手势识别算法
➢ 基于模板匹配
1)直接匹配法：利用输入手势与训练好的标准模板的相似度
优点：原理简单，易于添加或改进模板；
缺点：无法解决手势的时间可变性，识别精度低； 2)动态时间规整(DTW):把输入手势时间轴非线性地映射到模板事件轴，再进行模板匹配
手势识别综述
手势识别分类
• 静态手势识别（手形）
• 动态手势识别（手势）
手势动作的特点： 1）时间可变性：完成同一个手势所用时间不一致 2）空间可变性：完成同一个手势的空间差异性 3）完整可变性：缺少信息或出现重复信息
手势识别技术
➢ 基于机器视觉的手势识别 优点：无需任何媒介，较高的识别精度，较好的交互效果 缺点：设备复杂昂贵，用户活动范围受限，对外界环境依赖度高
➢ 新兴技术：基于WiFi路由器的手势识别 通过分析环境中的WiFi信号变化来捕捉用户，而不需
要你佩戴任何的外设或者是在家部署一堆摄像头
手势识别流程
手势输入
预处理
特征提取
根据加速度和角速度进行手势分类、 训练：为每一种手势建立HMM模型、 识别：对每一种HMM模型进行评估，
➢ 基于数据分类
神经网络(NN)模型：基于某种学习准则循环进行学习，使得下次犯错误的概率最低
优点：自适应的学习方法，容错能力强，不易受噪声干扰； 缺点：计算量大，费时，对于动态手势识别效果远不如静态的。
基于MEMS传感器的手势识别（方案设计）
手势输入
预处理
特征提取
手势识别
设置阀值：判断手势起始点 误差补偿、滤波、归一化
优点：消除时间可变性，操作简单； 缺点：时间规整过程引入误差，降低识别精度；
➢ 基于概率统计
✓ 隐性马尔科夫模型（HMM）模型：训练时每一种手势对应一个HMM model,识别
时取概率最大的一个HMM即可 优点：尤其适用于时间序列的建模，对复杂度高的动作也具有较高的识别精度，易
于添加或修改手势库； 缺点：训练强度大
手势识别
百度文库
手势分割、 手势跟踪、
手势分割、 误差补偿、滤波、
分类、建模、 训练、匹配
手势识别算法
➢ 基于模板匹配
1)直接匹配法：利用输入手势与训练好的标准模板的相似度
优点：原理简单，易于添加或改进模板；
缺点：无法解决手势的时间可变性，识别精度低； 2)动态时间规整(DTW):把输入手势时间轴非线性地映射到模板事件轴，再进行模板匹配
手势识别综述
手势识别分类
• 静态手势识别（手形）
• 动态手势识别（手势）
手势动作的特点： 1）时间可变性：完成同一个手势所用时间不一致 2）空间可变性：完成同一个手势的空间差异性 3）完整可变性：缺少信息或出现重复信息
手势识别技术
➢ 基于机器视觉的手势识别 优点：无需任何媒介，较高的识别精度，较好的交互效果 缺点：设备复杂昂贵，用户活动范围受限，对外界环境依赖度高