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

本文介绍了 ThermoHands，一个新的基准测试，用于克服诸如光照变化和遮挡（例如，手套）等挑战，以进行基于热成像的视角内三维手部姿势估计。该基准测试包括来自 28 名受试者的多样化数据集，他们进行手物体和手虚拟交互，并通过自动化过程准确注释了三维手部姿势。我们引入了一种特制的基线方法 TheFormer，利用双变换器模块在热成像中有效地进行视角内三维手部姿势估计。我们的实验结果突出了 TheFormer 的领先性能，并确认了热成像在恶劣条件下实现强大的三维手部姿势估计的有效性。

Mar, 2024

提出了一个基于设备的实时手势识别系统，利用单个 RGB 相机检测一组预定义的静态手势，该系统包括手骨骼跟踪器和手势分类器，使用 MediaPipe Hands 作为手骨骼跟踪器的基础，在世界度量空间中添加了 3D 关键点的估计，并创建两个不同的手势分类器，一个基于启发式方法，另一个使用神经网络。

Oct, 2021

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

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

本文提出一种使用 2.5D 姿势表示的新方法来从单目图像中估计 3D 手部姿态，通过使用深度图和热力图分布来训练卷积神经网络 (CNN) 模型，该模型在多个数据集上实现了最先进 2D 和 3D 手部姿态的估计。

Apr, 2018

本研究提出了一种能够在 100fps 下具有最先进精度的单目手部形状和姿态估计新方法，它采用的是一种新的基于学习的架构设计，使其能够利用三维或二维标注图像数据以及独立的三维动画等所有可用的手部训练数据。该方法的输出使其更适用于计算机视觉和图形学领域中的应用，并且在数个具有挑战性的基准测试中取得了显著的定量和定性改善。

Mar, 2020

提出了一种从常规彩色输入中定位 2D 手部关键点的新方法，该方法依赖于适当设计的卷积神经网络（CNN）计算一组热图（每个手部关键点一个），并在标准、公开数据集上通过大量实验将其与现有方法进行比较，在精度方面与竞争方法相匹配或优于竞争方法，但在计算效率方面明显优于竞争方法，因此适合于需要在移动设备上进行手部关键点估计的应用程序的构建块。

Dec, 2018

手势运动捕捉的关键挑战在于质量和价格，该研究发现单个低成本 RGB-D 相机与生成模型，碰撞检测和重要点的结合可以捕捉运动中的两个交互手。

Apr, 2017

本研究提出了一个大型数据集，其中包含详细的基准信息，用于人类手图像（背侧和掌侧）的性别识别和生物识别。利用卷积神经网络来训练，设计了一个两流的 CNN 来解决性别识别问题。该模型可以被用作特征提取器，为生物识别任务提供支持向量机分类器的输入。通过实验结果，发现正常像机拍摄的背侧图像与掌侧图像一样有效。

Nov, 2017