实时和强大的方法手势识别

基于交叉相关系数的实时而

鲁棒的手势识别系统

简介：手势识别在虚拟现实，手语识别和电脑游戏上有广泛的应用。手势的直接接口为我们提供了一条与虚拟环境进行通信的新途径。本文呈现一个新颖的和实时的方式对手势识别系统。在建议的方法中，首先，手势是由图像分割从主图像提取与形态运算，然后被发送到特征提取阶段。在特征提取阶段的交叉相关系数进行手势识别。在结果部分，该提出的方法应用在美国手语（ASL）数据库和准确率得到98.34％。

关键词：手势识别，图像处理，虚拟现实，互相关。

1. 介绍

手势识别广泛应用在手语识别，电脑游戏，虚拟现实。手势是非语言的一种形式通信，其中可见身体动作可用于用于通信。它可分为静态和动态。识别和预测的过程手势被称为手势识别，标象识别是其应用之一。标象语言可能涉及方向和手，胳膊或身体，手的形状的移动，和面部表情来表达思想和单词，可用于聋哑人的通信。它也可以提供的良好的人机接口，所以在本文中，我们是提出一个手势识别系统，该系统可以识别ASL且具有良好准确性。图1显示了ASL符号。在一些几十年过去了手势识别变得越来越重要。有许多手势识别技术开发跟踪和识别各种手势。每一个他们都有自己的优点和缺点。以前的是有线技术，在用户需要用连接自己与计算机系统的接口。在有线技术的用户不能自由移动在房间，因为它们用电线同电脑连接，受电线长度限制。仪表手套也被称为电子手套或数据手套是有线技术的例子。

这些由一些传感器的仪器手套，提供与手的位置信息，手指位置方向等。通过使用传感器。

这些数据手套提供良好的结果，但他们都非常昂贵的多种常见应用的利用。

美国肢体语言ASL

数据手套，然后由光学标记取代。这些光学标记投射红外光，相应的部分会显示在屏幕上。这些系统有良好的效果但需要非常复杂的配置。后来一些先进的技术已经被引入像图像根据技术要求图像处理像纹理特征，颜色等光学方法标记物是非常昂贵的，并有非常复杂的配置。基于图像处理的方法，在不同的光照条件下和颜色纹理修改下变弱，这导致观察结果的变化。用于利用手的

图像处理方法手势识别系统，我们建议当前方法。这些方法是基于外形特点和一些高度影响约束

像手和噪音。我们的手的方法手势识别是由三个步骤，一，图像分割; II。形态滤波; III。基于交互特征提取和匹配。在第二节数据库描述，在第3提出的方法被提出并在第4和5实际的结果和结

论都分别。

2. 数据库说明

我们对手势识别方法是基于静态模式。我们的第一个问题是收集优质数据因为我们的分类将根据它分类字符。我们创造了我们自己的数据库每个字符ASL，它可以包括504图像即

21图像的每个（24）的手势。在创建一个数据库中的图像捕获应该有统一的深色背景可以是黑色与白色橡胶手套的手，在对比度。我们曾经为了做这减少噪声和不需要的数据，这样我们就可以轻松做到分割过程。用户有穿黑色在他的手臂，直到手腕布从肩部使黑色的布可以很容易地与背景相匹配。覆盖臂和背景应该是相似颜色。字母J和Z被丢弃，因为我们可以这样描述他们只动态，我们的方法是静态的手势而已。图2示出了数据库的样本。

3.提出的方法

我们对手势识别的方法是由三步:一，图像分割; 二，形态过滤; 三，互相关基于特征提取

和匹配。首先我们要做的预处理数据识别系统。预处理应做最初的图像之前，我们提取的特征从数据手势。这是必须要做的，以去除噪声，有害错误和使数据有效的话，它可用于进一步的图像处理。我们使用两个步骤数据1.图像分割预处2.形态学滤波。

3.1.图像分割

它是我们在其中转换的RGB图像或灰度的处理灰度图像转换成二进制（黑白）图像。这

是要做，因为我们可以得到只有两个维度，即黑和白只有在我们的形象语言中。黑色的

背景白色代表着我们的手，Qtsu算法来转换图像转换成二进制[10]。一个好的分割过程

是其中的背景不表示任何部分的手，和手不应该有任何部分背景。为了获得最好的结果，我们必须选择最佳的阈值和分割可根据该值进行。选择分割技术主要依赖于类型图像上，我们需要做的处理和Qtsu算法进行了检测，并与工作效率我们的手势数据。它是分割的

无监督和非参数方法，它可以选择自动阈值和做分割[9]。假设有两类像素与Ω0作为背景

像素Ω1手工像素。Ω0示出了具有像素强度电平 [1, 2.......K] 和Ω1示出了具有像素强度

电平 [K + 1...... L] ，从这些类我们得到阈值K *这是的K值之间K + 1，现在手像素分配

值“1”和背景像素被分配值“0”，我们得到期望的二进制图像。

3.2. 形态学滤波

我们应用Qtsu 算法得到的分割图像是不完美的，需要进一步处理，去除不想要的数据和错误。仍然有一些背景的部分包含1和一些手部的部分而表示0。在为了

消除噪音，我们要申请形态这些分段图像过滤技术。这是

需要去除这些错误，因为他们可以创建表彰手势的问题，降低了系统效率[12]。因此，形态学过滤在划分图像是必要的，以得到一个平滑的，闭合的手势。扩张，

侵蚀，开放和闭合是形态学过滤的基本工作。样本预处理的结果示于图3和实验是在

MATLAB 进行。后预处理我们得到平稳和更好的手势这可以得到更好的效率

图像预处理（一）后手势3结果：主图像

（二）：图像图像分割（c ）之后：形态学操作之后

3.3. 相互关联系数

现在，我们要提取特征的手势识别。对于特征提取和匹配，我们采用相关系数。

在信号处理中，相关是两个波形相似度的度量一时间延迟的函数的施加到其中之

一。在这部分我们使用此功能手势匹配。该交叉相关系数被定义为等式:

2(,)2(,)(,)(,)(,)I x s y t T s t

T I x s y t s t s t x y s t δδδ

δδδ++++?=∑∑∑∑

其中'(,)(,)(,)

I x s y t I x s y t I x y δ++=++- '

(,)(,)T s t T s t T δ=-

{1,2,3,}

{1,2,3,}

{1,2,3,}

{1,2,3,}s t x y ∈∈∈∈……,p ……,q ……,m-q+1……,n-q+1

1'(,)(,)s t I x y I x s y t pq =

++∑∑ 1'(,)s t I I s t pq =∑∑

相互关联系数?值从-1范围到+ 1对应完全不匹配，完全分别匹配。模板匹配模板，?滑过I 和?计算每个坐标（x ，Y ）。经过计算，这点表现出最大?被称为匹配点。下面的步骤是用于手势匹配：步骤1：将大小为m*n 的甲手势模板取。步骤2：手的归一化的2-D 的自相关手势模板发现。步骤3：手的归一化的2-D 交叉相关与各模板手势模板被计算。步骤4：自相关的平均平方误差（MSE ）和不同样品的互相关被发现了。最小MSE 是发现并存储。步骤5：相应最小MSE 表示最终姿态。

4. 实际结果

我们提示的方法已经完成英特尔酷睿i3-2330M 处理器，2.20 GHz 的用Matlab 下2 GB RAM 环境。

图4手势识别系统

在这项研究中，我们已经应用了我们的ASL 数据库上面提到的技术手语其中包括504图像即21每个字符的图像，我们能够从26个手语字符中识别出24个，因为剩下的两个手势是动态的而这个方法只应用于静态手势。表1显示每个手势的准确率。

在我们的实验中（98.80％的准确率），我们观测到在识别阶段有一些令人迷惑的手势迹象。主要是混淆A，S和E，M。这件事，因为A，S和E，M在对方一些样品中相像。图5显示在各组标志识别阶段的成功和混淆率。

5. 结论

在本文中，我们提出了一个新颖的和实时的手势识别系统。在方法中，手势从主提取图像通过图像分割和形态学操作，然后到特征提取阶段。通过特征提取阶段的交叉相关系数进行识

别。高识别率显示我们在手势提出的方法的可行性。在未来，我们计划识别在视频序列的动态手势来进行虚拟现实。

非接触式电子设计—手势感应、手势识别芯片IC

非接触式的好处：健康、安全和便利 如果接触式按键和触摸屏工作正常，为什么要替换它们呢？其实，红外线系统不会取代现有的系统，而是增强用户使用体验。增强的集成度和小型化正在改变客户使用电子产品的方式。现如今人们随身携带着智能手机、个人媒体播放器、电子书和平板电脑，“计算机”不再仅仅使用于用户家中或办公桌面。 咖啡馆、餐厅、健身房、巴士站、飞机候车厅，甚至卫生间正在成为新一代嵌入式电子产品的使用环境。在这些不同的操作环境中，用户的手有时会被占用、变脏、出汗或沾有食物 - 所有这些条件不利于触摸屏操作。如果客户是在健身房阅读电子图书，希望在跑步机上一边跑步一边翻页，这将更容易通过非接触式手势识别来翻页，而不是物理接触触摸屏或按下一个小按钮。 阿达电子公司 ADD01S、ADD01T手势识别芯片设有HMI人机对话接口，芯片内部集成最基本的手势识别和照明调光的控制功能，用户无需增加额外的单片机以及复杂的软件工作，是一款完整功能的手势识别解决方案，适用于所有类型的照明应用中，也可广泛应用于开关、探测物体、调光等多种非接触式的手势感应产品中。除此之外，该手势识别解决方案也为用户预留有一定的空间，可根据实际的需求进行一些个性化的设计和优化。 无需看到即可控制设备有很多好处。例如，一个非接触式界面，可以让汽车司机使用非接触式挥手实现安全的启动/结束通话或调整音量，而不需要找到复杂仪表上的调整按钮。并非所有的设备需要带触摸屏的复杂图形显示，非接触式用户界面能够提供新颖和差异化的操作方式。 多-LED感应系统可以基于用户是否接近系统而改变系统操作。机顶盒或HVAC控制面板显示器可以保持关闭，直到系统检测到一定距离内的用户才打开，这能有效降低功耗。电视也可以基于手势输入打开或关闭、公共场所的小型视频广告牌可以基于用户的靠近或远离而改变显示内容，可以使用手势输入与潜在客户交流，这是一种比采用触摸屏更卫生的方法。这种“环境感知”电子产品能够使终端产品更加智能， 同时也更加省电。 融合多-LED接近感应器和主机MCU（例如阿达电子公司的电容式触摸感应微控制器）的设计，打开了灵活使用电容式触摸和红外线非接触式技术实现用户界面的大门。主机触摸感应MCU提供必要的计算能力去解释红外线感应器的输出，帮助调整非接触式手势的时序和灵敏度。MCU还可以用于感应器的实时配置，

手势识别技术综述

手势识别技术综述 作者单位：河北工业大学计算机科学与软件学院 内容摘要： 手势识别是属于计算机科学与语言学的一个将人类手势通过数学算法针对人们所要表达的意思进行分析、判断并整合的交互技术。一般来说，手势识别技术并非针对单纯的手势，还可以对其他肢体动作进行识别，比如头部、胳臂等。

但是这其中手势占大多数。本文通过对手势识别的发展过程、使用工具、目的与市场等进行综述，梳理出手势识别发展的思路，让读者对手势识别有一个总体上的认识，同时也可以让读者在此基础上进行合理想象，对手势识别的未来有一个大体印象。 Abstract: Gesture recognition is an interactive technology using mathematical arithmetic to the analysis,judge and assembly meaning that people want to convey which belongs to computer science and Linguistics.In general, gesture recognition technology is not for simple gestures expressed by hands ,it can also aim to other body movement recognition, such as the head, arm and so on. But the gesture accounted for most of the analysis. In this paper, by describing the development process, tools used , objective and market of gesture recognition , we can sort out the ideas of the development of gesture recognition, and let readers have an overall understanding of gesture recognition. At the same time, it can let the reader imagine that on hand gesture recognition based on reason ,and have a general impression of its future. 1.定义 说到手势识别，首先要对手势识别中的手势有一个清晰的认知。手势在不同的学科中有不同含义，而在交互设计方面，手势与依赖鼠标、键盘等进行操控的区别是显而易见的，那就是手势是人们更乐意接受的、舒适而受交互设备限制小的方式，而且手势可供挖掘的信息远比依赖键盘鼠标的交互模式多。在学术界，人们试图对手势定义一个抽象、明确而简洁的概念以为手势及其应用的研究提供依据。1990年Eric Hulteen和Gord Kurtenbach曾发表的题为“Gestures in Human-Computer Communication”中定义：“手势为身体运动的一部分，它包括一部分信息，而且是一种能被观察到的有意义的运动。挥手道别是一种手势，而敲击键盘不是一种手势，因为手指的运动没有被观察，也不重要，它只表示键盘

基于STM32的手势识别控制器的设计

0 引言 操作控制器作为一种人机交互设备有着广泛的应用，比如在日常生活中，各种家电玩具的遥控器、触摸屏等，在工业生产领域各种仪器仪表设备的操作、设置和校验等。传统的操作控制器主要是通过人机接触的方式进行操作，比如按键，触摸屏等，这种操作方式容易产生静电，对于敏感的精密仪器设备影响较大，产生干扰[1]。有些设备会安置在高温高压或者有辐射的环境中，人机接触会给人体带来伤害，安全性低。市面上有些仪器仪表配有手持操作设备可以通过无线通信的方式进行操作，这种方式成本高，手持操作设备携带不方便。本文基于ARM 处理器芯片和光学数组式传感器设计了一种非接触的手势识别操作器，可将手势动作转化为控制信号，对于目标设备进行操作，安全便捷，可靠性高，具有广泛的应用场景[2]。 1 系统总体设计 本文设计的手势识别操作控制器系统总体分为三大模块,如图1所示，分别是手势检测模块，系统控制模块，和信号传输模块。 手势检测模块的主要任务是实时感应监测范围内的手 势活动，将感应到的手势活动信息转化为电信号并传输给控制系统模块。控制系统模块的功能是根据接收到的手势检测模块的电信号，经过处理识别具体的手势动作并转化为数字信号生成控制信息，通过信号传输模块对于目标设备进行操作[3]。 2 系统硬件设计 2.1 手势检测模块 手势识别传感器模块采用了采用原相科技（Pixart）公司的PAJ7620U2芯片，芯片结构如图2所示，该芯片内部集成了光学数组式传感器，以使复杂的手势和光标模式输出，可以检测出九种手势动作，支持上、下、左、右、前、后、顺时针旋转、逆时针旋转和挥动的手势动作识别，以及支持物体接近检测等功能。芯片结构功能如图所示，该芯片具体积小、灵敏度高、支持中断输出、兼容3.3V/5V 系统、使用方便等特点。 手势检测模块电路设计如图3所示，通过两个3.3V 超低压差稳压芯片，给PAJ7620芯片供电，外部分供电电源使用5V。IIC 通信时钟线IIC_SCL、IIC 通信数据线IIC_SDA 和中断输出引脚配有4.7引上拉电阻用于稳定信号输出。PAJ7620内部自带LED 驱动器，传感器感应阵列、目标信息提取阵列和手势识别阵列。PAJ7620工作时通过内部LED 驱动 器，驱动红外LED 向外发射红外线信号，当传感器阵列在有效的距离中探测到物体时，目标信息提取阵列会对探测目标进行特征原始数据的 获取，获取的数据会存在寄存器中，同时手势识 are operated by recognizing gesture movements. The application shows that the design is easy to operate, small size, high security, and can be widely used in scenarios.Key words : gesture recognition; sensor; STM32; operator 图1 系统结构图

三种简单手势识别

简单手势识别

一、背景 随着计算机的发展，人机交互技术由传统的鼠标键盘时代发展到了以语音输入、动作识别等技术为代表的自然交互时代n1。特别是视觉计算技术的发展，使计算机获得了初步视觉感知的能力，能“看懂”用户的动作。手势识别作为一种直观自然的输入方式，把人们从传统接触性的输入装置中解放出来，可以以一种更自然的方式与计算机交互，使计算机界面变得更加易‘引。 手势主要分为静态手势和动态手势两种，动态手势可以看作是连续的静态手势序列。动态手势具有丰富和直观的表达能力，与静态手势结合在一起，能创造出更丰富的语义。利用动态手势识别构建新型的交互界面，是新一代的人机交互界面对输入方式自然性的要求，可以弥补传统交互方式的不足。基于视觉和手势识别研究正处于蓬勃发展的阶段，仍存着的许多值得研究的问题。研究基于视觉的动态手势识别对于构建更加好友的人机交互界面很有意义。

二、手势识别概述 2.1、手势识别的概念 手势是姿势的一个子集，姿势这个概念没有精确的定义。一般认为，手势概念经过人的手转化为的手势动作，观察者看到的是手势动作的图像。手势的产生过程如图2-1所示。 图2-1 手势的产生过程 手势识别的过程则找一个从图像V到概念动作G的变换而，如图2-2所示。

2.2、手势识别流程 随着计算机的发展，人机交互技术由传统的鼠标键盘时代发展到了以语音输入、动作识别等技术为代表的自然交互时代n1。特别是视觉计算技术的发展，使计算机获得了初步视觉感知的能力，能“看懂”用户的动作。手势识别作为一种直观自然的输入方式，把人们从传统接触性的输入装置中解放出来，可以以一种更自然的方式与计算机交互，使计算机界面变得更加容易。 手势主要分为静态手势和动态手势两种，动态手势可以看作是连续的静态手势序列。动态手势具有丰富和直观的表达能力，与静态手势结合在一起，能创造出更丰富的语义。利用动态手势识别构建新型的交互界面，是新一代的人机交互界面对输入方式自然性的要求，可以弥补传统交互方式的不足。基于视觉和手势识别研究正处于蓬勃发展的阶段，仍存着的许多值得研究的问题。研究基于视觉的动态手势识别对于构建更加好友的人机交互界面很有意义。

基于FDC2214的手势识别系统设计与实现

? 159 ? ELECTRONICS WORLD ? 技术交流 系统采用了STM32作为核心控制芯片，使用FDC2214芯片获取电容值，通过滤波后，与样本数据对比，找到最短的k 个样本，判断其类型数量，达到识别手势的目的。 1.总体设计 系统总体设计框架如图1所示，采用了STM32F103ZET6作为核心控制芯片，而核心检测芯片则采用的是TI 公司的FDC2214来处理极板与手之间的容值。得到的数据通过卡尔曼滤波和knn 算法来判断出不同手势之间的区别。 以独立按键来调节菜单和录入手势模板，通过oled 显示屏做出反馈并显示结果。 将手势录入一边，系统会自动处理好数据，再进入判决模式就 可以识别手势。 图1 系统总体设计框架 2.系统硬件设计 2.1 控制部分 本系统的控制核心采用了STM32单片机，它具有72M 主频，64K RAM 和512K ROM ，拥有多达14个定时器，自带PWM ，ADC ，DA,实时时钟等功能。非常满足作为嵌入式系统的控制需求。2.2 检测部分 电容检测部分是整个系统中最为重要的一部分，它决定了系统的识别率高低与否，整个系统的数据采样与检测都是建立在电容检测芯片的准确性上，因此选取TI 公司的FDC2214芯片来做为电容检测芯片，这是一种非接触式电容传感器，还有一个重要特性就是采用了EMI （抗电磁干扰）架构，因此它可以屏蔽高噪声环境干扰，在复杂环境确保传感器数据的准确性（周孟强，刘会衡，基于FDC2214手势识别装置的设计与实现：电子制作，2019）。2.3 极板部分 极板采用的是三层结构，最下面一层使用亚克力板，主要用作 的oled 显示屏，它小巧精致，分辨率高，相比液晶屏幕它更加节能，非常适合作为系统的显示模块。 输入部分由4个独立按键组成。4个独立按键分别作为切换键，确认键，返回键和系统复位键。 2.5 供电部分 电源部分采用了两块锂电池作为电源，使用稳压模块将电压降为5v 并后接入整个系统。 3.系统软件设计 软件系统流程图如图3所示。3.1 数据滤波算法设计数据滤波是去除噪音干扰的有 基于FDC2214的手势识别系统设计与实现 杨凌职业技术学院 陈 阳 图2 极板实物图支撑。中间一层使用铝箔胶带作为极板的金属层。最上面一层采用硬质透明塑料膜，有防止手直接和铝箔接触和保护极板的作用（郭霞，谭亚丽，申淼，基于FDC2214的手势识别系统：传感器与微系统，2018）。这样的设计好处在于可以很方便的自行调整和更换极板上的铝箔来达到不同的检测要求。2.4 人机交互部分 人机交互部分由显示部分和按键输入组成，分别采用oled 显示屏和独立按键组成。 显示部分采用了0.96 英寸 图3 系统软件流程图 效方法，本系统采用卡尔曼滤波算法，这是一种当下使用非常广泛的滤波算法，它有计算量小，易于计算机实现等特点（张辉，卜雯意，施豪，基于FDC2214电容传感器的手势识别装置的设计与实现：巢湖学院学报，2018 ）。将极板上采集的数据进行实时的处理，将数据中 图4 系统整机实物图的噪音清除，把误差降到最小。3.2 数据分类算法 kNN （k 最近邻算法）是一种数据分类方法，在学习模式下，将多次手势进行采样并滤波后，获取其特征向量作为样本数据，之后进入判定模式，系统会实时采样当数据稳定后，得到其特征向量，计算其特征向量与样 本数据之间的欧氏距离，找到相 距最短的k 个样本，判断其类型，即可识别手势（张硕，基于KNN 算法的空间手势识别研究与应用：吉林大学，2017）。 表1 石头，剪刀，布手势测试结果 手势实测结果石头石头正确石头石头正确石头石头正确石头石头正确石头石头正确剪刀剪刀正确剪刀剪刀正确剪刀剪刀正确剪刀剪刀正确剪刀剪刀正确布布正确布布正确布布正确布布正确布布 正确 正确率：100%

关于计算机视觉的手势识别综述

关于计算机视觉的手势识别综述 蒋指挥 （江苏科技大学江苏镇江 213022） 摘要：计算机技术的高速发展也产生了许多新领域，在此对以计算机视觉为基础的手势检测识别技术展开综述。主要阐述该技术的发展历程、实现方法、研究现状以及其存在的不足之处和发展方向。结果表明简单的可穿戴设备的手势识别和深度视觉传感器的手势识别和多方法交叉融合的手势识别是未来该领域的发展方向。 关键词：计算机视觉；手势识别；人机交互 A survey of gesture recognition in computer vision//Jiang Zhi Hui Abstract;With the rapid development of computer technology, a lot of new fields have been developed. In this paper, the technology of gesture detection and recognition based on computer vision is reviewed. This paper describes the development of the technology, the realization method, the research status and its shortcomings and development direction. The results show that the simple wearable device for hand gesture recognition and depth vision sensor for hand gesture recognition and multi method cross fusion for gesture recognition is the future direction of the development of the field. Key words:Computer vision; gesture recognition; human-computer interaction 计算机在我们的生活中越来越不可或缺，我们同时也对计算机提出了更高的要求，计算机视觉的手势识别正是对计算机应用拓展的重要途径，例如现在的VR技术，就是应用了手势识别才实现的。ABIResearch公司高级分析师约书亚·弗拉德（JoshuaFlood）指出：“免提操作或手势识别很快将成为高端旗舰智能手机、媒体平板电脑和智能眼镜区别于其他同类产品的一个关键因素。三星电子最新推出银河S4已经将这项技术用于其手机中，并以其全新的用户体验获得用户交口称赞。此外，在一系列新型智能眼镜产品即将发布之时，不难想象这类技术将被采用。”其实手势识别技术涵盖了许多领域，比如物理学、生物学等，实现手势识别的方式有很多种从一开始的二维手型识别、二维手势识别到后来的三维手势识别，正是计算机视觉技术的发展使得手势识别的实现方式更加多样。但目前的技术仍然很繁琐，冗杂的可穿戴设备就直接影响了使用者的舒适感，其还有很大的发展空间。 1、手势识别的发展历程及其实现方法

基于FDC2214设计的手势识别系统

- 75 - 第2期 2019年1月No.2January，2019 现介绍一种利用电容及谐振等原理，基于FDC2214非接触式电容传感器设计的手势识别系统的方法[1]，该设计方案简单、动态响应速度快、稳态精度高、抗干扰能力强，将此方法应用在人工智能、无人驾驶、智能家居等某些方面，取得了很好的控制效果。1 设计方案及工作原理1.1 设计方案 采用FDC 传感器的一个通道，每个通道的两个输入端各接一个铜板，相当于电容板的两个极板，两个极板并排放置，通过一个通道的频率值判断手势，具体如图1所示。 图1 总体方案框图 1.2 工作原理 FDC 电容传感器4个通道每个通道接一个LC 谐振回路，且每个通道接两个铜板，相当于电容极板，根据电容定义： 4k S C d επ= （1）当介电常数ε或者极板间距离d 变化，电容也变化。手 势变化导致C 变化，LC 的谐振频率变化[2] ，FDC2214电容传 感器将频率转换为数字量，每一个电容值对应一个确定的数字量，具体如图2所示。2 核心部件电路设计2.1 电源电路设计 系统单片机需要3.3 V 电源供电，而FDC2214EV M 板采用2.7～3.6 V 供电，综合测试方便等各种因素，最 终采用220 V 交流电压经过变压器、整流电路、滤波器、 稳压电路产生5 V 供电电压，为防止芯片损坏以及获得较大的电路输出，采用7805系列芯片输出5 V 电压，然后通过AMS1117_3.3稳压芯片产生3.3 V 。 图2 测试原理图 2.2 FDC2214电路设计 FDC2214采用2.7～3.6 V 供电，激励频率为10 kHz ～ 10 MHz ，设计中采用AMS 1117系列产生3.3 V 电压，采用AMS1117系列稳压芯片产生3.3 V 供电电压。用40 M 有源晶振作为输入激励频率，4个通道分别接LC 谐振电路，电路如图3所示。 图3 FDC2214应用电路 3 系统软件设计 软件设计原理框图如图4所示[3]。 作者简介：黄冬梅（1968— ），女，辽宁岫岩人，教授，硕士；研究方向：嵌入式系统设计，新能源应用技术。 摘 要：文章采用TI 公司FDC2214非接触式电容传感器设计的手势识别系统，系统依据电容并联求和及LC 谐振原理，通过 FDC 测量返回信号的频率计算出相应的电容，从而达到通过测量电容变化进而感知手势变化的一种测量方式。此外，当环境以及人员变化时，该系统具备重新学习以适应变化的环境和人物，且系统抗干扰能力强。该系统的设计机理有望应用在未来无人驾驶、人工智能等方面。关键词：FDC2214；MSP430F5529；手势识别基于FDC2214设计的手势识别系统 黄冬梅1，王树鑫2 （1.哈尔滨职业技术学院 机电工程学院，黑龙江 哈尔滨 150080；2.哈尔滨工业大学 计算机学院，黑龙江 哈尔滨 150001） 无线互联科技 Wireless Internet Technology

手势识别智能小车创意书

2014年重庆大学生 “合泰杯”单片机应用设计竞赛参赛 作品创意书 作品名称：手势智能小车 参赛学校：重庆工商职业学院 系名称：电子信息工程学院 指导老师：刘旭飞老师 参赛学生1：易虹羊 参赛学生2：胡照华 参赛学生3：姚正兰 2014年12月26日

作品创意书 一、摘要 智能小车作为现代的新发明，是以后的发展方向，他可以按照预先设定的模式在一个环境里自动的运作，不需要人为的管理，可应用于科学勘探等等的用途。智能小车能够实时显示时间、速度、里程，具有自动寻迹、寻光、避障功能，可程控行驶速度、准确定位停车，远程传输图像等功能。手势控制智能小车的移动，小车具有自动循迹、避障等功能。提供一种更有趣、更方便的服务。 二、作品介绍 基于目前的普遍情况来看，多数智能小车遥控方式包括无线电遥控、红外线遥控和超声波遥控等。随着计算机的广泛应用，人机交互（Human Computer Interaction，HCI）已成为人们日常生活中的重要部分。人机交互的最终目标是实现人与机器自然的交流，因此手势识别研究顺应了发展需求。 1、国外手势识别研究状况 目前，手势识别已被广泛研究，尤其是基于视觉的手势识别。韩国Inda大学和Korea Polytechnic大学的JongShill Lee、YouongJoo Lee 等人用熵分析法从背景复杂的视频流中分割出手势区域并进行手势识别。使用链码的方法检测手势区域的轮廓，最后计算出从手势区域的质心到轮廓边界的距离。该系统课识别6种手势，平均识别率超过95%；6个人分别做每个手势的识别率平均达到90%—100%。印度研究者Meenaskshi Panwar 在视觉手势识别的基础上提出了一种基于结

基于手势识别的人机交互综述

基于手势识别的人机交互综述 摘要：近年来，得益于虚拟现实、人机界面技术、计算机视觉等领域的发展，基于手势识别的人机交互技术得到大力的推动。本文就基于手势识别的人机交互技术展开综述。首先概括手势交互的涉及领域，回顾其发展史和国内外研究现状。接着阐明它的基本界定和分类，并在此基础上分析其热点关键技术。然后实例讨论了几种类型手势交互的典型应用。最后给出了结论。 关键词：虚拟现实；手势交互；计算机视觉；手势识别；特征跟踪 1．引言 人机交互技术通过输入、输出设备，以有效的方式实现交互主体与交互客体的对话。当前的人机交互技术已经从过去交互主体适应交互客体，发展为交互客体不断地适应交互主体的习惯和以交互主体为中心的新阶段[1,2,3,4]。以用户为中心的，新型、自然的人机交互技术逐渐成为开发者和科研工作者的关注重点。这类交互方式要求输入与输出能够最大限度地符合交互主体的行为习惯，并能够在交互主体的脑中顺利构建交互环路。由于手势具有极强的信息表述功能，加之人手操作行为本身就是人与世界相互作用的主要方式，因此，基于手识别的人机交互技术相关研究有着重要的理论价值和应用价值。基于手势识别的人机交互技术涉及计算机科学、认知心理学、行为学等诸多方面的知识。本文不能面面俱到，仅就手势交互的基本问题：手势语义的分类，以及当前发展概况、研究热点技术和典型系统应用等相关问题进行综述。 2．研究现状 目前，基于视觉的手势交互已被广泛的研究，由于手势本身的多义性及时空差异性，加之手形变的高维度及视觉问题本身的不适定性，基于视觉的手势识别一直是一项极富挑战性的究课题[5]。需要解决的核心问题是对手形的识别，对手势的跟踪等。传统的方法主要分为两大类：（1）基于模型（model-base）的方法；（2）基于表征(appearance-based)的方法[6]。这些方法及其衍生算法极大程度地依赖于计算机科学中虚拟现实、机器视觉、模式识别、人机交互等多个领域的交流与合作。相关的国际会议：CHI、ICCV、CVPR、ICAT、IEEE VR 为研究者提供了一个能充分交流的空间，并吸引了越来越多的研究人员共同参与合作。此外，学科之间的交流也吸引了心理学研究人员的共同参与。他们以从用户为中心出发，为基于手势交互研究和开发提出了宝贵意见[7]。纵观手势交互的发展历程，其研究重点也从早期简单的系统框架、低层特征提取[8]、手形模板匹配[8]等问题转变到关节式物体跟踪[9,10, 11]、跟踪性能评价[12]、操作型手势解析[14]等问题上。我国在基于手势识别的人机交互领域的研究近年来得到了长足的发展。研究机构集中在国内的研究所和高校的科研单位。目前国内手势交互的研究成果主要有：中国科学院软件研究所[15]的研究中，对二阶自回归过程动力学模型（Auto-Regressive Process, ARP）进行训练和学习，进而建立基于ARP 的预测模型，实现了人手运动的鲁棒性跟踪，在出现跟踪丢失的情况下在后续序列中可以自动恢复正确跟踪。中国科学院自动化研究所模式识别实验室提出一种基于区域的多连接体(手指)的三维运动跟踪算法[13]，用多约束融合的方法以及手指的运动特性，建立多刚体的三维运动描述，通过三类基本约束条件，把跟踪问题归结为一个约束误差优化问题。清华大学的崔锦实博士，提出一种基于回归－优化方法的关节式物体的姿态估计方法[16]。该方法把回归分析与全局优化搜索相结合，保证了估计的精度和连续性；针对现有滤波器在高维非线性多峰

基于卷积神经网络的简单背景手势识别方法概述

基于卷积神经网络的简单背景手势识别方法概述 摘要在手勢识别研究方法日益成熟的今天，研究人员把主要精力放在新算法的研究以及旧方法的改进上，均取得了很好的成果。本文利用时下流行的卷积神经网络训练方法，避开大量的算法研究工作，把主要工作放在手势数据的获取以及处理上，在一定的数据范围内取得了很好的结果。在一定程度上给手势识别工作提供了新的思路。 关键词手势识别；手势数据；卷积神经网络 Abstract Today，as gesture recognition research methods become more and more mature，researchers have made great efforts to focus on the research of new algorithms and the improvement of old methods. In this paper，we use the popular Convolutional Neural Network （CNN）training method to avoid a lot of algorithm research work. The main work is on the acquisition and processing of gesture data，and it has achieved good results in a certain data range. To a certain extent，it provides a new idea for gesture recognition. Keywords Gesture recognition；Gesture data；Convolutional neural network 前言 以输入数据来区分，手势识别可以分为静态手势识别和动态手势识别。动态手势识别是基于视频流数据，实现手势动作捕捉，本质上是把视频流分为每一帧图像数据，处理每一帧图像之间的关系，从而识别出动态手势的含义。静态手势识别也称为手型识别，其输入数据是一副静态的手势图像，计算机系统通过前期对大量手势图像的训练学习，熟知手势图像的特征，从而识别出这一副静态手势图像的含义。本文的主要工作是通过卷积神经网络方法对简单背景的手势图像进行训练，得到训练模型，利用该训练模型对新采集的手势图像数据进行识别，达到预期的识别率。 1 研究方法 手势识别的研究方法有很多种，例如利用SIFT特征提取配合SVM训练的方法[1]，利用HOG特征提取的研究方法[2]等。但这些研究方法对于图像质量太多依赖，如SIFT方法太过依赖局部梯度主方向，而获取局部梯度主方向往往都会有偏差，因此图像质量不佳容易导致特征提取的错误。且SIFT是一种只利用到灰度性质的算法，忽略了色彩信息，对于彩色图像的识别无能为力。 而本文采用的卷积神经网络方法则不存在该问题，卷积神经网络对于图像的容错性较强，可以不考虑图像质量、色彩等影响，关键是训练的样本量足够大，就可以得到相对理想的结果。且卷积神经网络的算法通用性强，对于识别任何类型的静态图像，都可以用几乎相同的训练模型进行，区别仅仅在于某些参数的调