高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ
引用本文:
Citation:

基于深度图像HOG特征的实时手势识别方法

    通讯作者: 朱煜, zhuyu@ecust.edu.cn
  • 基金项目: 国家自然科学基金(61271349)
    中央高校基本科研业务费专项资金(WH1214015)

  • 中图分类号: TP181

Real-Time Gesture Recognition Method Based on Depth Image HOG Features

    Corresponding author: ZHU Yu, zhuyu@ecust.edu.cn ;
  • CLC number: TP181

  • 摘要: 手势识别是模式识别领域的一个热点研究方向。提出了一种利用Kinect传感器深度图像进行手势分割的方法,并研究了基于灰度图像HOG特征的手势识别模型;深入研究了HOG特征,分析其特征向量特点,探讨了不同特征维数对训练机的影响及处理效率;通过SVM机器学习方法实现手势的分类识别,经过对大量实验样本的优化训练,获得了最优SVM参数,并进行分析、对比识别率。本文方法维数少、识别率高、运行速度快、性能稳定,能满足实时性手势识别的要求。
  • [1] 程文山.基于肤色分割及CAMSHIFT的手势识别研究[D].武汉:华中师范大学, 2009.
    [2] 包加桐,宋爱国,郭宴,等. 基于SURF特征跟踪的动态手势识别算法[J]. 机器人, 2011,33(4):482-489.
    [3] 张良国,吴江琴,高文,等. 基于Hausdorff 距离的手势识别[J]. 中国图象图形学报,2002,7(11)::1-8
    [4] 任彧,顾成成. 基于HOG 特征和SVM 的手势识别[J]. 科技通报,2011,27(2):211-214.
    [5] Frati V, Prattichizzo D. Using Kinect for hand tracking and rendering in wearable haptics[C]//IEEE World Haptics Conference. Istanbul, Turkey: IEEE, 2011:317-321.
    [6] 邓瑞,周玲玲,应忍冬. 基于Kinect深度信息的手势提取与识别研究[J]. 计算机应用研究, 2013,30(4):1263-1265,1274.
    [7] Wang Hanjie, Fu Jingjing, Lu Yan, et al. Depth sensor assisted real-time gesture recognition for interactive presentation[J]. Journal of Visual Communication and Image Representation, 2013,24(8):1458-1468.
    [8] Mastorakis G, Makris D. Fall detection system using Kinect's infrared sensor[J]. Journal of Real Time Image Processing, 2014, 9(4): 635-646.
    [9] Min R, Kose N, Dugelay J L. KinectFaceDB: A Kinect database for face recognition[J]. IEEE Transactions on Systems Man Cybernetics-Systems, 2014, 44(11): 1534-1548.
    [10] Yue Haosong, Chen Weihai, Wu Xingming, et al. Fast 3D modeling in complex environments using a single Kinect sensor[J]. Optics and Lasers in Engineering, 2014, 53: 104-111.
  • [1] 王德勋虞慧群范贵生 . 基于深度学习的面部动作单元识别算法. 华东理工大学学报(自然科学版), 2020, 46(2): 269-276. doi: 10.14135/j.cnki.1006-3080.20190107003
    [2] 马振伟何高奇袁玉波 . 基于小样本深度学习的通风柜橱窗状态识别方法. 华东理工大学学报(自然科学版), 2020, 46(3): 428-435. doi: 10.14135/j.cnki.1006-3080.20190412004
    [3] 钱文秀常青向辉康文斌 . 基于深度监督显著目标检测的草莓图像分割. 华东理工大学学报(自然科学版), 2020, 46(1): 114-120. doi: 10.14135/j.cnki.1006-3080.20181205004
    [4] 常青张天宇赵冰冰 . 基于机器视觉的手机异形主板非标自动化检测算法. 华东理工大学学报(自然科学版), 2019, 45(4): 632-638. doi: 10.14135/j.cnki.1006-3080.20180416006
    [5] 付仔蓉吴胜昔吴潇颖顾幸生 . 基于空间特征的BI-LSTM人体行为识别. 华东理工大学学报(自然科学版), 2020, 46(): 1-8. doi: 10.14135/j.cnki.1006-3080.20191202003
    [6] 张雪芹魏一凡 . 基于深度学习的驾驶场景关键目标检测与提取. 华东理工大学学报(自然科学版), 2019, 45(6): 980-988. doi: 10.14135/j.cnki.1006-3080.20181023002
    [7] 解冰朱宏擎 . 一种基于选择性卷积特征和最大后验高斯混合模型的细粒度图像分类算法. 华东理工大学学报(自然科学版), 2019, 45(5): 789-794. doi: 10.14135/j.cnki.1006-3080.20180603001
    [8] 周舟韩芳王直杰 . 面向手语识别的视频关键帧提取和优化算法. 华东理工大学学报(自然科学版), 2020, 46(): 1-8. doi: 10.14135/j.cnki.1006-3080.20191201002
    [9] 张逸秋吴诗勇吴幼青黄胜高晋生 . 城市污泥水热液化过程及产物特征. 华东理工大学学报(自然科学版), 2020, 46(2): 234-242. doi: 10.14135/j.cnki.1006-3080.20190107001
    [10] 魏江平林家骏陈宁 . 多特征非接触式测谎技术. 华东理工大学学报(自然科学版), 2020, 46(4): 556-563. doi: 10.14135/j.cnki.1006-3080.20190619002
    [11] 康萌萌杨浩谷小婧顾幸生 . 基于融合路径监督的多波段图像语义分割. 华东理工大学学报(自然科学版), 2020, 46(): 1-8. doi: 10.14135/j.cnki.1006-3080.20191216002
    [12] 赵鸿山范贵生虞慧群 . 基于归一化文档频率的文本分类特征选择方法. 华东理工大学学报(自然科学版), 2019, 45(5): 809-814. doi: 10.14135/j.cnki.1006-3080.20180914005
    [13] 蔡灵婷王以群刘学良黄月霞 . 琥珀、柯巴树脂及其改善品的谱学特征. 华东理工大学学报(自然科学版), 2020, 46(2): 227-233. doi: 10.14135/j.cnki.1006-3080.20190107002
    [14] 李晨玥张雪芹曹涛 . 一种基于光度信息和ORB特征的建图SLAM. 华东理工大学学报(自然科学版), 2020, 46(): 1-9. doi: 10.14135/j.cnki.1006-3080.20200117006
    [15] 孙运筑修光利段玉森伏晴艳 . 上海市淀山湖区域灰霾天大气颗粒物中碳组分的污染特征. 华东理工大学学报(自然科学版), 2019, 45(3): 440-448. doi: 10.14135/j.cnki.1006-3080.20180412007
    [16] 姚琴娟林家骏 . 基于双通道CNN的单幅图像超分辨率重建. 华东理工大学学报(自然科学版), 2019, 45(5): 801-808. doi: 10.14135/j.cnki.1006-3080.20180523002
    [17] 颜建军刘章鹏刘国萍郭睿王忆勤付晶晶钱鹏 . 基于深度森林算法的慢性胃炎中医证候分类. 华东理工大学学报(自然科学版), 2019, 45(4): 593-599. doi: 10.14135/j.cnki.1006-3080.20180410001
    [18] 张习习顾幸生 . 基于集成学习概率神经网络的电机轴承故障诊断. 华东理工大学学报(自然科学版), 2020, 46(1): 68-76. doi: 10.14135/j.cnki.1006-3080.20181206001
    [19] 陈剑挺叶贞成程辉 . 基于p阶Welsch损失的鲁棒极限学习机. 华东理工大学学报(自然科学版), 2020, 46(2): 243-249. doi: 10.14135/j.cnki.1006-3080.20181209001
    [20] 赖兆林冯翔虞慧群 . 基于逆向学习行为粒子群算法的云计算大规模任务调度. 华东理工大学学报(自然科学版), 2020, 46(2): 259-268. doi: 10.14135/j.cnki.1006-3080.20190218001
  • 加载中
计量
  • 文章访问数:  7757
  • HTML全文浏览量:  508
  • PDF下载量:  1674
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-12-01
  • 刊出日期:  2015-10-30

基于深度图像HOG特征的实时手势识别方法

    通讯作者: 朱煜, zhuyu@ecust.edu.cn
  • 1. 华东理工大学信息科学与工程学院, 上海 200237
基金项目:  国家自然科学基金(61271349)中央高校基本科研业务费专项资金(WH1214015)

摘要: 手势识别是模式识别领域的一个热点研究方向。提出了一种利用Kinect传感器深度图像进行手势分割的方法,并研究了基于灰度图像HOG特征的手势识别模型;深入研究了HOG特征,分析其特征向量特点,探讨了不同特征维数对训练机的影响及处理效率;通过SVM机器学习方法实现手势的分类识别,经过对大量实验样本的优化训练,获得了最优SVM参数,并进行分析、对比识别率。本文方法维数少、识别率高、运行速度快、性能稳定,能满足实时性手势识别的要求。

English Abstract

参考文献 (10) 相关文章 (20)

目录

    /

    返回文章