本文提出了一种使用红外热成像技术进行的手势分类、左右手检测、手部关键点定位的深度多任务学习模型，通过在包含 24 个用户数据的自有数据集上进行实验验证，结果表明手势分类、左右手检测、指尖定位的准确率均高于 98％，手腕定位的准确率超过了 91％。

Mar, 2023

本文展示了一种使用热像数据的手势检测系统，使用基于背景减法的手掩模生成、k-means 算法手区域识别、手臂区域去除的手势分割以及基于卷积神经网络的手势分类来实现多个手区域的快速处理， 并引入了泡沫生长和泡沫搜索两种新算法， 进行更快的手势分割。我们收集了一个包含 10 种手势的新热像数据集，并报道了 97％的端到端手势识别准确率。

Mar, 2023

以手部几何为基础的四指生物特征方法，采用特征选择方法提高鉴别性能，实验使用 Bosphorus 手部数据库的 300 个受试者进行测试，通过排名为基础的本地 FoBa 算法选择的 25 个特征子集，实现了最佳鉴别准确率 98.67% 和等错误率 4.6%。

Dec, 2023

数字取证是确保数字世界免受身份盗窃的不可避免的一部分，生物特征是解决数字取证所遇到问题的更好方案，手部生物特征模式的潜在益处和范围已经通过手几何验证方法进行了调查。

Feb, 2024

基于生物特征的人类性别分类是计算机视觉领域的一个重要问题，本研究使用深度卷积神经网络模型对耳部图像进行自动性别分类，通过在 EarVN1.0 耳朵数据集上进行评估，准确率达到 93%。

Aug, 2023

本研究提出了一种基于两流 CNN 和慢融合策略的 RGB-D 指尖检测算法，实验结果表明此算法对于人机交互有着较高的精度。

Dec, 2016

本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

Nov, 2017

本研究聚焦于手势识别，通过数据级融合和多流卷积神经网络架构的集成调节器，有效地解决了人手形态中的个体差异问题，将骨骼模式的时空手势信息编码到 RGB 图像中，从而提高了姿势理解的语义并降低了噪声，其在 SHREC2017、DHG1428、FPHA、LMDHG 和 CNR 等基准数据集上实现了实时运行，大幅减少硬件需求和计算复杂性，为资源受限设备的人机交互和环境智能提供了可靠性和创新性。

Jun, 2024

研究了一个基于数据模型的手势识别方法，利用 RGB-D 图像和手模型来实现， 并采用粒子群优化算法和 GPU 并行计算来解决高维度空间下的优化问题。该算法性能稳定且快速，处理每帧时间为 0.8 秒。

May, 2020

将全局和局部特征相结合的新框架可提高掌纹匹配准确性，结合 ViT 和 CNN 特征的基于移动设备的 Palm-ID 系统在 AMD EPYC 7543 32-Core CPU 上以 128 个线程在 18ms 内提取模板，在 0.33ms 内对 10,000 个掌纹图库进行高效搜索，并在大规模操作数据集上实现 98.06% 的真正接受率（TAR）和 0.01% 的误认为真率（FAR），同时在移动设备中嵌入完整的识别流程以提升用户隐私和安全。

Jan, 2024