1. 研究目的与意义
在一些非语言类交流中，手势是人与人之间的交流活动中一个重要组成部分。近年来，关于手势识别的研究在人机交互领域也在不断增长，随之产生了一大批新兴技术和产业，如人工智能、虚拟现实、手语翻译技术等。从上个世纪开始，多种经典的计算机视觉方法和机器学习技术相继被提出。近年来，主导计算机视觉问题研究领域的主要研究方向是使用机器学习，特别是深度学习。但是深度学习需要大量的数据进行训练，而这在现实场景中的实用性并不强，因此在实际应用场景中，机器学习方法无法得到有效的训练。本研究更加注重解决实际运用中的问题，例如实时性、计算效率和准确性。实时手势识别在未来的虚拟现实、无人车驾驶、远程机器人等领域都有着广阔的应用前景。
手势匹配是手势识别领域的一部分，手势分割技术不能保证100%的准确率，因为不仅手部的关节难以分割，而且不同的复杂的背景和不同的光照条件让手势分割变得更加困难。。
为了解决分割困难的问题，该研究将使用形状匹配算法。假设一个良好的形状匹配算法可以提供一种鲁棒的方法来处理各种形状变形，并识别形状之间的相似性。然而，目前文献中发现的最精确的形状匹配算法往往需要高计算资源和非线性匹配复杂度，如广泛使用的形状匹配方法，形状上下文的平均时间匹配复杂度为#119874;（#119899;3）。
2. 研究内容和预期目标
本文主要针对现有动态手势识别任务准确率受环境影响较大、鲁棒性不强、实用性欠佳等问题，研究利用Kinect传感器作为输入设备，结合动态手势的手型与轨迹特征的多模态融合动态手势识别方法，并在三维虚拟场景验证本文方法在实际应用中的效果与可行性。本文主要提出一种新的手势识别算法，即基于加权高斯卷积角的手势识别算法，并用相应的算法进行实现。
3. 国内外研究现状
手势识别方法多种多样，有利用形状特征和利用描述子特征，但是随着手势类别的丰富，单凭某种特征的手势识别精度可能达不到理想效果，因此越来越多的研究倾向于融合多个特征进行手势的判定。LinPufang等人提取距离、角度和曲率等不同的几何特征，利用Fisher Vector进行编码，实现手势的实时识别。常用的手势识别算法有动态时间规整算法(Dynamic Time Warping，DTW)，支持向量机(Support Vector Machine SVM)、隐马尔科夫模型(HMM Hidden Markov Model)，还有当下比较流行的神经网络（Neural Networks)算法。DTW是一种常用的模板匹配算法，该算法早期主要应用于语音识别，后来逐渐被应用于手势识别领域。Corradini等人最早将DTW算法应用手势识别中，实现了手势词汇的分类。黄东方在该算法的基础上提出了改进的N维输入动态时间规整方法（ND-DTW)，以手势部分骨骼节点坐标信息为研究对象，实现手势分类，与原来的算法相比，改进后的算法性能提高了5%。
4. 计划与进度安排
首先介绍手势识别的研究背景与意义，对手势采集、图像分割、特征提取及手势分类算法等几个方面的国内外研究现状做了系统描述，然后对图像数据集采集及预处理，从方法原理到采集图像的表现形式；介绍实验中所用的手势定义及自建数据集，并详细介绍手势分割算法；最后介绍一系列提取数字手势图像特征的操作，得到手部轮廓、指尖、掌心等信息。接着详细介绍本文提出的算法。最后对本文所提出的方法进行归纳与总结，分析不同手势识别方法的优缺点，指出现阶段论文中存在的不足之处以及对后续工作的展望。
5. 参考文献
[1]孟琭,杨旭. 目标跟踪算法综述 [J]. 自动化学报, 2019, 45(07):40-56. [2]周越,单岩,杜理平,刘赛赛,常天颖,李艳艳,蔡利,蒋婷婷. 体感游戏Kinect对脑卒中功能康复作用的研究进展 [J]. 护理研究, 2019, 33(623):86-89. [3]Zhou J, Zheng M, Cao Z, et al. PVIDM: Privacy-preserving verifiable shape context based image denoising and matching with efficient outsourcing in the malicious setting[J]. Computers amp; Security, 2020, 88(Jan.):101631.1-101631.15. [4]Gianaria E , Grangetto M . Robust gait identification using Kinect dynamic skeleton data[J]. Multimedia Tools and Applications, 2019, 78(10):13925-13948. [5]钟惠英. 基于深度学习的动态手势识别方法 [J]. 电子测量技术, 2020, 43(334):133-137. [6]Kowdiki M, Khaparde A. Automatic hand gesture recognition using hybrid meta-heuristic-based feature selection and classification with Dynamic Time Warping[J]. Computer Science Review, 2021, 39(11):100320.[7]林玲. 多模态特征融合的Kinect动态手势识别技术研究[D].武汉科技大学,2021.[8]马文强. 基于卷积神经网络的手势检测与识别[D].哈尔滨理工大学,2021.[9]曹方洲. 基于深度学习的动态手势识别方法研究[D].西安理工大学,2021.DOI:10.27398/d.cnki.gxalu.2021.000894.[10]陈明瑶. 人机交互中的手势分割与识别方法研究[D].长安大学,2021.[11]Shai Fine, Yoram Singer,Naftali Tishby. The Hierarchical Hidden Markov Model: Analysis and Applications[J]. Machine Learning, 1998,32(1 ): 41 -62.[12]Haykin S. Neural Networks: A Comprehensive Foundation[J]. Neural Networks，2004,2(20O4): 41.[13]Bernft D，Clihord J. Using Dynamic Time Warping to Find Patterns in Sequences[C]/International Conference on Knowledge Discovery and Data Mining.AAAI Press, 1994:359 -370.[14]樊鑫. 基于DTW的手势识别技术研究[D].东北石油大学,2021.[15]郭贺圆. 基于Kinect的手势动作识别技术研究[D].长春理工大学,2020.DOI:10.26977/d.cnki.gccgc.2020.000780.[16]王维高. 基于Kinect多视图特征的人体行为识别算法研究[D].西安石油大学,2021.DOI:10.27400/d.cnki.gxasc.2021.000762.[17]王萌萌. 基于视觉分析的人体行为识别[D].北京邮电大学,2020.DOI:10.26969/d.cnki.gbydu.2020.001338.[18]杨晶. Kinect骨骼运动数据的优化方法研究[D].合肥工业大学,2020.DOI:10.27101/d.cnki.ghfgu.2020.000670.A.Corradini. Dynamic time warping for off-line recognition of a small gesture vocabulary[C].[19]Recognition,Analysis，and Tracking of Faces and Gestures in Real-Time Systems. IEEE,2001: 82-89.[20]Dongfang H, Jingdong Y. Temporal Gesture Recognition Based on Improved N-Dimensional[21]Dynamic Time Warping[J]. Electronic Science and Technology, 2017.[22]Rautaray, S.S., Agrawal, A., 2015. Vision based hand gesture recognition for human computer interaction: a survey. Artif. Intell. Rev. 43 (1), 1–54.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
