本发明涉及一种基于体感相机手势识别的自由视点视频播放方法，获取一帧深度图像和人体骨骼数据，以双边滤波方法对深度图像预处理，计算右手掌中心位置和右手臂位置，获得右手掌轮廓，提取右手掌轮廓特征和右手臂位置特征以判断手势，将识别出的手势转换为相应的视点播放操作。本发明使用双边滤波方法对深度图像进行预处理，使得生成的深度图像较好的保留了图像中的边缘轮廓信息。设计了一种简单快速的手势识别方法，有效的降低了用户手势切换视点的卡顿。设计了一种全新的自由视点视频局部画面的放大缩小方法和视点的切换方法，通过识别用户的手势进行视点画面的局部放大缩小和切换视点，在观看自由视点视频时能够带给用户良好的融入感。
📄 2018102465783
📂 H04N21_422
👤 浙江工业大学
📅 2018-03-23
本发明公开了一种面向deskVR的手势跟踪识别联合策略方法,首先通过卷积神经网络离线训练手势公开数据集ICVL，得到一个鲁棒性好、准确率高以及识别速度快的模型，并且通过合成数据测试联合方法准确率与速度的平衡点Rate，然后通过深度摄像头实时捕获深度图像，在对图像一系列预处理之后，根据手图像占比比例分别传入基于快速模型的手势识别方法或基于五区域卷积神经网络模型，返回识别后的关节点三维信息，进而映射三维人体模型。利用本发明的识别方法，在deskVR应用环境下具有良好的交互功能，在识别率、运算速度、普适性及准确性等方面表现良好。
📄 2018110028336
📂 G06K9_00
👤 浙江工业大学
📅 2018-08-30
一种基于卷积神经网络结合用户习惯性行为分析的AR系统手势识别方法，包括以下步骤：步骤1：用户习惯性手势图像采集：由用户随机提供一组手势，将这组手势作为标准手势，采集该组手势图像，记为标准组；根据标准组手势模型图，构建其对应的实际标签类别；设置不同的标签类别触发相应AR系统指定功能；步骤2：手势区域图像检测：分别对标准组、训练样本组及测试样本组的手势图像进行手势区域图像检测，以实现图像中肤色与非肤色区域的分割；步骤3：卷积神经网络实现手势特征识别：设计卷积神经网络初步结构模型，用样本数据训练并测试调整卷积神经网络模型，将二值化图像直接输入卷积神经网络。本发明手势识别准确率较高、附加设备成本较低。
📄 2018100251050
📂 G06K9_00
👤 浙江工业大学
📅 2018-01-11
一种融合sEMG和AUS的手势识别方法，包括：S1：sEMG和AUS的数据同步采集；令受试者进行sEMG和AUS的同步采集；采集过程将包含m种实际手势动作；S2：sEMG和AUS的数据维度匹配；S3：sEMG和AUS的特征提取；S4：sEMG和AUS的特征融合；S5：sEMG和AUS的模型构建。本发明的多模态融合信号在手腕动作、手指动作及放松态下都能获得较高的手势识别效果，在一定程度上推进了生物信号在实际生活中的手势识别应用能力。
📄 2020104546072
📂 G06K9_00
👤 浙江工业大学
📅 2020-05-26
一种基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：1：构建基于脉冲神经网络的核范数正则化模型；2：采用前置自监督任务和主动学习任务对核范数正则化模型进行训练；3：采集模块采集手势图像数据；4：预处理模块对手势图像数据进行预处理操作；5：编码模块对标准图形数据b进行编码；6：训练好的核范数正则化模型的输入层对编码数据进行卷积操作；7：特征提取模块对卷积数据进行特征提取操作；8：自适应平均池化层对特征数据进行平均池化操作；9：第一全连接层对池化数据进行全连接操作，得到全连接数据；10：输出层对全连接数据进行全连接操作，并输出手势识别结果h。效果：提高了模型的手势识别精准度。
📄 202510052659X
📂 G06V40_10
👤 西南大学
📅 2025-01-14
本发明揭示了一种基于新型RF‑Net模型的手势识别方法，包括如下步骤：S1、在AlexNet模型的基础上进行模型优化，得到AlexNet_I模型；S2、在手势图像训练集中训练AlexNet_I模型并固定网络参数，得到手势特征提取模型；S3、建立并训练RF模型；S4、将手势特征提取模型与RF模型结合，构建成RF‑Net模型、并使用所述RF‑Net模型进行手势图像识别。本发明的方法能够快速而准确地对图像中的手势进行识别，有效地提高了用户体验基于手势的人机交互系统的舒适度。
📄 2019101404503
📂 G06K9_00
👤 南京邮电大学
📅 2019-02-26
本发明请求保护一种采用动作切分的手势识别系统和方法，涉及机器视觉和人机交互领域，所述方法包括以下步骤：首先检测头部运动，并计算头部姿态变化；然后根据姿态估计信息发送切分信号并判断手势切分始末点，若信号表示主动手势动作切分则在此手势执行的时间间隔内捕捉手势视频帧序列，并对手势帧图像进行预处理和特征提取；若信号表示自动手势动作切分则实时采集视频帧序列并通过分析相邻手势间的运动变化规律自动分析切分点，进行动作切分，再由切分得到的有效元手势序列提取视觉无关特征，并经过具有消除时空差异的手势识别算法得到类型结果。本发明大大减少了连续手势的冗余信息和识别算法的计算开销，提高了手势识别的准确性和实时性。
📄 2016101776235
📂 G06K9_00
👤 重庆邮电大学
📅 2016-03-24
本发明公开了一种手语翻译实现方法及装置，该方法包括：获取待翻译的视频信息；通过yolo3算法和yolo‑lite+ROI+CBAM模型，对视频信息进行区域检测并提取手势特征；将手势特征与基于CBAM注意力模型和CNN分类算法的特征识别分类器进行匹配，输出分词信息；通过nltk框架、jieba工具和NMS算法对分词信息进行整合，并形成文字信息或语音信息。本发明提供听障人士与健听人群之间更好地交流和互动的环境，将深度学习的一系列算法引入到基于视觉的手语识别任务中，通过深度神经网络优异的学习能力自动学习手势的特征，从而避免了传统手语识别方法特征提取不准确从而导致的识别不准确的问题。
📄 2019107644572
📂 G06V40_20
👤 合肥学院
📅 2019-08-19
本发明公开了一种用于同步识别手势和抓取力的粒子化方法，包括如下步骤：将训练数据的属性，分为主属性和子属性两种类型；在训练数据中，每个观察数据就可拆分为主属性、子属性和类标签；以子属性为驱动，对主属性样本粒子化；一种用于同步识别手势和抓取力的粒子化分析法，包括如下步骤：肌电信号与抓取力采集；肌电信号分割与特征提取；数据粒子化与交叉分类；粒子化结果分析。
📄 2019109343230
📂 G06F3_01
👤 杭州电子科技大学
📅 2019-09-27
本发明公开了一种基于Kinect的单视点手势姿势识别方法，具体为：以手腕关节点为初始种子坐标，通过对手腕关节点的邻域像素进行递归遍历，提取手势区域，然后采用中值滤波及掩膜图像法进行去噪处理，再进行胳膊区域剔除，然后进行基于曲率和挠率的3D‑SIFT特征点提取，实现对手势姿态凹凸特征的表征及对手势姿态扭曲程度的度量；在利用手势三维手势点云数据的主趋势方向、三维点云数据的手势点云中心点以及3D‑SIFT特征点来构造点特征描述子，最后计算源手势点云和目标手势点云的点特征描述子进行匹配识别及优化。本发明的一种基于Kinect的单视点手势姿势识别方法，解决了手势动作识别过程中单视点手势姿态识别的问题。
📄 2019109787477
📂 G06V40_20
👤 西安理工大学
📅 2019-10-15
本发明为了解决WIFI手势识别时位置变化问题，提出了一种基于WIFI手势识别的智能灯光操控方法与装置。本发明不仅可以利用WIFI信号进行手势识别，还可以进行动作位置定位分析，因此可以根据做手势动作的位置关联其周边最近的灯具，并根据手势识别结果进行关联灯具智能操控。当家庭里有多个灯具时，传统的基于WIFI手势识别操控灯具的方法，无法智能辨别需要操控的单个灯具，使其应用受限；而本发明能够根据用户做手势的位置进行精准的灯具开关控制，成功的避免了此缺陷。本发明方法不仅解决了位置干扰问题，还能进行位置识别从而进行精准灯具操控。
📄 2022116342484
📂 H04W4_029
👤 武汉纺织大学
📅 2022-12-19
本发明公开的一种具有红外识别手势功能的智能腕带，包括主板，所述主板上端面内固定设有屏幕和红外检测传感器，所述屏幕和所述红外检测传感器电性连接于所述主板，所述红外检测传感器识别手势动作，通过所述主板进行信息处理，并通过所述屏幕进行显示，所述主板下侧设有腕带，通过所述腕带可将所述主板穿戴在手腕上；本发明通过将腕带进行收放来调节长度，将腕带结合为一根，免除了使用锁扣，不仅能很好的调节松紧，而且避免了锁扣的不牢固而导致腕带的掉落而损坏，同时在不调节的时会对腕带进行夹紧，使穿戴更牢固，且避免对腕带的拉扯而损坏装置内部零件。
📄 2019104307558
📂 A44C5_00
👤 浙江任我行教育科技有限公司
📅 2019-05-22
柿子坊 · 知识产权运营
柿子坊知识产权运营平台