关键字 |
| 手势,手势识别、模板、远程控制、图像处理 |
介绍 |
| 手势识别的通用语言之一,在未知环境中经常沟通。但手势很少用于交互与智能设备如电脑。只有等传统输入设备远程控制,按钮,鼠标经常使用。手势可以有效地用于取代传统的设备以便无缝集成为帮助老人做这些智能设备操作。 |
| 尽管技术的改善许多人仍然发现很难操作电脑和其他智能设备使用传统方法。由于手势是自发的、自然的方式沟通甚至老年人和残疾人可以很容易地与所有的智能设备。 |
| 但最近许多人公认的取代传统的输入设备与自然的影响人类的语言像符号,单词等。科技新词了手势识别的过程人机界面更容易因为一系列低成本传感器和处理器可用甚至独立电脑帮助最终用户计算。 |
| (Vladimir i Pavlovic出版社)建议目视判读的手势人机界面。(Elena Sanchez-Nielsen等)26手姿势用于人机交互。 |
| 有许多活跃的研究已经在这个领域进行。 |
| 我们提出一个方法的健壮和完全自动化远程控制家电使用免费的手势。不是新买的研究远程控制智能设备上使用人类的自由手势代替繁琐的手持无线远程控制器。然而,我们所知,不存在商业遥控器,使用免费的手势,因为它需要高鲁棒性不同照明客厅和完全自动化的变化没有任何约束或用户直接干预。 |
| 在本文的第一部分,手势的检测算法被提出。在以后的部分方法用于处理使用手势检测的智能设备已经进行了讨论。 |
手势识别 |
| 在手势识别周期的第一步是准备一个图像数据库。图像可以在不同的形状,不同的格式和可能在不同的尺度。从各种来源收集到的图像首先由将它们转换为灰度均匀的背景。 |
| 该算法鲁棒性取决于使用它的人数。如果不同的人使用的是应用程序在数据库中需要更多的图片。如果同一个人使用应用程序数据库大小不自图像几乎相同的纹理。 |
| 形状识别 |
| 有两个阶段参与形状识别。在第一阶段计算机形成各种形状称为模板。在第二阶段的形状与实际的图像捕获执行各种程序,内弯运行相应的触发器。 |
手跟踪算法 |
| 这里的手跟踪算法是非常快,可靠和有效的,可以用于许多实时应用程序。该算法利用运动矢量和肤色识别手势。首先来自摄像机的图像捕获。我们建议使用的相机是RGB相机。捕获的图像转换为灰度。然后我们计算彩色帧之间的帧差和灰度。 |
| 图像运动非零像素值的地区。阈值算法给出了一个二进制图像与白色像素表示运动的地区。值30选择阈值监控不同的帧如上所述。价值30给我们白色像素跟踪手的位置。 |
| 皮肤分割 |
| 在执行皮肤分割之前我们实际的图像进行卷积5 x5高斯过滤器,然后我们必须规模这过滤图像一半在每个维度消除图像中的噪声像素。然后执行后续的图像处理操作。对于每一个像素的帧我们执行前景面具如下 |
 |
| 尽管上述背景减法适用,有条件就像一个咖啡杯,衬衫袖子或任何其他物品放在桌子上可以检测到的手。为了避免这些情况,并添加更多的一些系统更大的灵活性,一个皮肤像素探测器已经进一步过滤前台数据实现的。 |
| 从上述过程我们可以计算概率的RGB颜色属于手和非手势如下。 |
 |
模拟 |
| 基于计算机模拟首次作为一个试点研究执行检查的可行性研究。这也是创建,这样老年人发现很难操作鼠标和键盘因为麻痹和其他身体残疾可以使用手势执行各种基本的电脑操作,比如打开媒体播放器播放歌曲或视频,打开文件,打开和关闭电脑,重新启动电脑等等。 |
| 应用软件是在Matlab的帮助下创建的。图像处理是Matlab IDE的帮助下完成的。后,图像被公认的各种系统触发程序使用vb.net。 |
| 应用程序 |
| 1。残疾人和老年人的操作可以使用多智能系统 |
| 2。可用于操作计算机/智能设备在汽车驾驶吗 |
| 3所示。可以用在军事应用远程操作电脑吗 |
嵌入式系统设计 |
| 创建了一个有效的嵌入式系统设计为帮助老年人在使用日常家用的智能设备。下面的框图给出相同的 |
| 手势是美联储在相机进而转移电脑中的图像。电脑执行图像与一个已经存在的图像数据库和图像对应匹配的手势是美联储的嵌入式控制平台只是手臂7。手臂7处理器轮流执行的控制家庭设备使用RS232和Zigbee协议。家里所有的设备连接的接收器接收信号从无线个域网,并执行相应的操作。 |
总结及未来研究 |
| 未来研究计划是控制家电甚至家庭以外使用互联网或其他复杂的网络设施。这项研究也可以用于军事电器等安全地操作重要性设备远程操作大炮从安全的地方,这样我们可以停止脱落的人类生活。 |
|
数据乍一看 |
 |
 |
 |
 |
 |
| 图1 |
图2 |
图3 |
图4 |
图5 |
 |
 |
 |
 |
| 图6 |
图7 |
图8 |
图9 |
|
|
引用 |
- Aggarwal J.K.和公园,s . 2004。一个¢人类运动:建模和识别行为和interactionsA¢。Proc。第二Int。电脑3 d数据的过程。、粘度、闪络。647年,640 A¢。
- 伯曼,美国弗里德曼,J。,Bakir, G. and Flash, T. 2008. Action Identification for Teleoperation Based on Object - Action Abstraction, IEEE SMC International Conference on Distributed Human-Machine Systems (DHMS).
- 伯曼,s和斯特恩,h . 2012。一个¢传感器的手势识别SystemsA¢,IEEE系统,人,和控制论- C部分42 (3),277 - 290。
- 加戈,p . Aggarwal: Sofat, s . 2009。基于一个¢视觉手势recognitionA¢。Proc。世界上学会科学。Eng。49岁的抛光工艺。972 A¢977。
- Frolova D。,斯特恩,H。and Berman, S. 2012. âÂÂMost Probable Longest Common Subsequence for Recognition of Gesture Character InputâÂÂ. IEEE Systems Man and Cybernetics, part B, September (in press).
- Mitra美国和Acharya, t . 2007。一个¢手势识别:surveyA¢。IEEE反式。系统。,Man, Cybern. 37(3), 311âÂÂ324.
- Rautaray,党卫军Agrawal, a . 2012。一个¢基于视觉的手势识别人机交互:一个surveyA¢。人工智能审查,1-54。
- 斯特恩,H。,Frolova D。and Berman S., 2010. Hand Gesture Recognition for TV Remote Control using Tree-Based Ensemble and LCS Classifiers, WORLDCOMP'10 The 2010 World Congress in Computer Science, Computer Engineering, and Applied Computing.
- 斯特恩,H。,Shmueli, M. and Berman, S. 2013. âÂÂMost Discriminating Segment - Longest Common Subsequence (MDSLCS) Algorithm for Dynamic Hand Gesture ClassificationâÂÂ. Pattern Recognition Letters (Special issue on 'Smart Approaches for Human Action RecognitionâÂÂ), (in press).
- 瓦希,J。,Kolsch, M., Stern, H. and Edan, Y. 2011. âÂÂVisionbased hand gesture applications: Challenges and innovationsâÂÂ. Commun. ACM 54(2), 60âÂÂ71.
- Yilmaz, a . Javed o .和沙,m . 2006。¢对象跟踪:SurveyA¢。ACM第一版。调查38 (4),1 A¢45,2006。
|
菜单
