手势识别综述

手势识别综述汇报人：yljy52725日期：2019.6.13CONTENT手势识别概述01手势预处理算法02手势分类算法03下一阶段计划04相比于传统人机交互模式，手势具有丰富信息，必将在未来人机交互中发挥重要作用手势识别概述01键鼠触控语音体感交互第一代人机交互使用键盘、鼠标首次实现将人类输入信息传达至计算机新型人机交互模式实现更为自然化的人机交互，人可以在虚拟环境中体验真实物理世界般的交互体验多点触控触控式交互推动了移动互联网发展人机交互模式01读取图像02手势分割04手势识别03手势分类手势识别过程010203基于视觉单目视觉立体视觉040506边缘轮廓提取多特征结合法指关节跟踪法手势分析通过分析手势，获得手势形状特征及运动轨迹信息手势分割使用图像采集设备获得手势图像，转换为手势平面模型/立体模型手势预处理将模型参数空间轨迹分类到该空间某个子集的过程手势识别动态手势识别可以通过帧形式转换为静态手势识别任务静态手势识别使用双重随机过程对手势轨迹进行识别隐马尔科夫模型动态手势识别将手势看做由静态手势图像构成的序列，然后将待识别图像与已知手势模板进行比较模板匹配法通过对大量标注/非标注手势数据进行学习，最终实现对未知手势数据进行识别深度学习010305020406手势识别手势分割影响最终的手势分类结果手势预处理算法02标题文字0102030405基于颜色空间基于区域聚类算法基于直方图(阈值)基于边缘分割要点1、背景消除2、多特征结合基于单目视觉手势分割算法不同分割算法结果比较模拟人类视觉原理，使用计算机被动感知距离。从两个或者多个点观察一个物体，获取在不同视角下的图像，根据图像之间像素的匹配关系，通过三角测量原理计算出像素之间的偏移来获取物体的三维信息灰度图像大多通过算子寻找边缘和区域生长融合来分割图像;彩色图像增加了色彩信息，可以通过不同的色彩值来分割图像彩色图像分割计算复杂度较高，但是可以在三维空间对图像进行分割。现在衍生出较多改进算法（分解算法、基于最佳熵算法等）三维OTSU算法直接对RGB图像进行聚类运算，但是计算开销较大聚类算法基于立体视觉手势分割算法立体视觉分割算法比较手势识别的最终目标就是实现对手势的正确分类手势分类算法03建立图像识别模型：底层特征学习、特征编码、空间约束、分类器设计、模型融合阶段。并且深度学习的分类精度较高，但是计算空间和时间复杂度较高。深度学习属于二分类算法，可以支持线性和非线性的分类。通过计算数据点与超平面之间的距离得到支持向量，当某一类支持向量较多时，则判断待分类数据属于该类。SVM双重随机过程，底层是马尔可夫概率状态过程；从底层状态到表层观察值的随机过程。通过已知分类样本，挖掘分类样本中隐藏的信息。HMM计算待分类样本与已知类别的训练样本之间的距离，找到距离与待分类样本数据最近的k个邻居；再根据这些邻居所属的类别来判断待分类样本数据的类别。KNN分类算法共50/101/152层。使用残差结构和恒等结构。ResNet50/101/152共22层（5M参数），使用Inception结构，无全连接层GoogleNet五个卷积层，三个全连接层，共8层（60M参数）AlexNet两个卷积层，三个全连接层，共5层LeNet-51LeNet-53GoogleNet2AlexNet4ResNet50/101/152卷积神经网络（CNN）如何精简网络结构，降低算法计算复杂度和空间复杂度较深的网络拥有较高性能，因此网络向着更深层次发展网络参数在更新时存在梯度消失和梯度爆炸等问题可解释性较差卷积神经网络发展瓶颈下一阶段计划04下一阶段计划1、影响手势识别效果的因素，一方面取决于对手势原始数据的预处理；一方面取决于最终的

网络参数。所以如何对手势数据有效的预处理以及调整网络参数使得网络具有更好性能。2、较深网络的分类精度较高，所以现在深度学习均向增加网络深度和宽度的方向发展，但最

终使得的网络参数量过大。但是现在使用网络的冗余度仍然较高。如何精简网络，以有效

降低网络的时间和空