【摘 要】
：
随着虚拟现实（Virtual Reality,VR）技术的不断发展,人机交互由理论研究阶段逐步进入实际应用。手势识别技术作为人机交互的重要技术之一,近年来受到广泛关注。目前手势识别技术主要是通过单目摄像头获取手势信息,但这种方法采集到的数据很难准确描述动态手势特征。为了提高手势识别方法的准确率,本文使用双目立体视觉设备采集手势数据,提取手势动作中的多维度信息组成特征序列,并结合长短期记忆神经网络（
论文部分内容阅读
随着虚拟现实（Virtual Reality,VR）技术的不断发展,人机交互由理论研究阶段逐步进入实际应用。手势识别技术作为人机交互的重要技术之一,近年来受到广泛关注。目前手势识别技术主要是通过单目摄像头获取手势信息,但这种方法采集到的数据很难准确描述动态手势特征。为了提高手势识别方法的准确率,本文使用双目立体视觉设备采集手势数据,提取手势动作中的多维度信息组成特征序列,并结合长短期记忆神经网络（Long Short Term Memory,LSTM）对动态手势进行分类识别。在此基础上,利用Unity3D平台设计手势交互系统,应用于新型智能动感单车产品中,实现用户使用动态手势指令控制系统的功能。主要工作内容如下:1.提出了一种动态手势数据采集算法,实现手部骨骼点实时追踪和采样。通过计算手指或关键骨骼节点的实时运动速率,采用阈值判断确定手势动作的开始点和终止点。处于开始点和终止点之间的手势数据,作为动态手势的有效数据,支撑手部骨骼点的识别追踪。并引入工艺手势库Handicraft-Gesture定义7种手势动作,制作数据集后通过独热编码（One-hot Encoding）为手势动作添加标签。2.设计了一种描述动态手势的特征序列。获取具有复杂姿态变化包括手势动作变化、手型弯曲变化和手势位移变化的手势动作,通过分析动态手势信息,对每一帧数据信息提取单个特征后,将指尖与掌心的距离、指尖角度、指尖距离手掌平面的高度和手心移动速度组合成18维的手势特征向量,对动态手势进行充分描述。3.构建了基于上述动态手势识别序列的双层长短时记忆神经网络模型,提高了手势识别的准确率。将提取到的特征序列作为模型的输入,对包含手部复杂姿态变化和位移的动态手势进行训练,在数据集上对自定义的7种动态手势动作进行分类识别并通过对比试验评估该模型的性能。结果表明,本文所提的双层长短时记忆神经网络模型相比RNN网络和单层LSTM网络的识别率更高,可以有效提高动态手势的识别准确率。4.设计并实现了基于Unity3D平台的虚拟手势识别应用,并应用于智能动感单车系统中。在该单车系统中,利用双目立体视觉设备Leap Motion获取手势数据,在LSTM网络中完成手势识别,并通过单车控制板调整单车阻力以模拟单车骑行路况。测试结果表明,本文所设计的手势识别算法在实际应用中自然流畅、准确度高。
其他文献
随着国民经济持续稳定增长、产业结构不断调整升级,国家对精细及制药行业发展予以了高度重视,未来该行业将迎来良好发展机遇和广阔市场。精细及制药行业往往会产生复杂共沸物,间歇精馏是最常用的分离手段,开发新型间歇精馏工艺用于复杂共沸体系的分离具有重要的科学与实践意义。本文以高效分离复杂共沸体系为目标,基于物系固有特性开发了双塔间歇精馏工艺,通过探究体系相行为论证了工艺可行性,提出了能够保证产品高纯度的控制
职业倦怠原指从事服务性行业的员工由于工作时间过长、工作强度过高、工作量过大,所引发的一种精疲力尽的身心状态。而现在,伴着我国经济的飞速发展和社会的大跨步前进,职业倦怠已经如同一场疫情,席卷了各行各业,培训教师的领域也毫不例外。随着市场竞争的加剧,培训行业的角逐愈演愈烈,随之培训教师的压力也越来越明显。近年来,有报道显示,培训教师成为离职率最高的职业之一,原因在于培训教师存在职业倦怠的现象日益增加。
CO通常由化学品生产过程、车辆尾气排放和化石燃料的不完全燃烧产生。其中,CO可对人类的健康和生活环境造成了严重影响,他不仅是空气质量污染指数指标中与PM2.5、O3等六个重要的参数之一,也是环境污染防治过程中必须高度关注和管控的污染物。为了降低大气中的这些污染物的总体浓度,从排放源头对于CO的脱除处理在化工环保领域具有广阔的应用前景。在低温条件下的催化氧化是一种有效的脱除CO的方法,但人们在选择和
随着国民经济发展和科学技术水平的提高,人工智能从理论逐渐走进实际生活当中,而人机交互作为人工智能领域的一个重要分支,也衍生出越来越多的交互方式,人机交互对于成熟的手势识别系统的需求也进一步提高。相比于使用鼠标、键盘和触摸屏等设备来控制家居设备,采用手势的控制方法具有操作简单、无接触控制的特点。本文以现场可编程门阵列（FPGA）作为硬件平台,设计了一款手势识别系统,可以实现实时的手势识别以及对智能家
道路资产管理发展经历了一定的历史,国内采用国外引进加自主研发的方式,实现了对国外的追赶。目前针对路面的道路资产管理系统研究已经十分成熟,但是对路旁资产管理的重视程度不够,学者研究颇少,导致目前缺乏主流的管理框架,没有形成成熟的管理体系。同时,新时代的路旁资产管理必定朝着数字化管理的方向前进,因此如何获取路旁资产的位姿（位置+姿态）信息并加以数字化管理,是路旁资产管理中的关键问题。本文针对路旁资产的
目标选择是人机交互领域中的基础任务之一,目前在增强现实环境中最通用的射线选择方法是头部射线手势选择和手部射线选择。然而这两种方式存在诸多缺陷,尤其在远距离小目标和密集目标选择任务中存在疲劳程度高和海森堡效应等问题,导致目标选择速度和准确率大幅降低。针对上述问题,本文提出两种基于跨设备交互的目标选择技术,弥补增强现实头盔自带手势识别方案的不足,结合多种输入通道,发挥各设备在姿态感知方面的优势。技术采