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

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

使用低分辨率 (24 x 32) 热传感器，结合脉冲神经网络、稀疏分割和基于特征的手势分类，提出了一种新颖的手势识别方法。与标准 RGB 摄像头相比，该系统对光照变化不敏感，且价格显著低于以往文献中使用的高频雷达、飞行时间摄像头和高分辨率热传感器。关键是，本文通过创新地使用最近提出的单稳态多谐振荡器 (MMV) 神经网络作为新型脉冲神经网络，在记忆和计算复杂度方面较深度学习方法小一个数量级，同时在汽车环境下使用 5 类热相机数据集达到 93.9% 的手势识别准确率。我们提供了该数据集以供未来研究使用。

Jan, 2024

本文提出了一种基于实时计算机视觉的手势识别应用程序的自然用户界面工具，该工具使用用户手上的虚拟手套标记作为输入，并采用深度学习模型进行实时手势识别。研究表明，该系统可以在社交互动和康复等实时应用中发挥有效作用。

Jul, 2022

本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

Jan, 2019

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

我们提出了一种基于深度学习算法的人体动作识别方法，适用于 RGB 和红外热像摄像机，能够在实时性要求的情况下实现行人的检测和跟踪，并可对常见的四种动作进行识别。该方法利用了当前最先进的物体检测、光流和姿势估计技术，经过对视频数据集进行定性实验验证后，证明在 RGB 和热成像视频方面效果稳健。

Apr, 2023

该论文提出了一种使用单个 RGB 相机捕捉人手骨骼姿势和三维表面几何形状的实时方法，并考虑到了人手间的近距离交互情况，该方法通过多任务 CNN 回归多种信息，包括分割、对 3D 手模型的密集匹配、2D 关键点位置，以及新提出的手内相对深度和手间距离图。该方法已在 RGB 两只手追踪和三维重建方面实验验证，并且在量化和定性上优于现有的非针对两只手交互设计的基于 RGB 的方法，甚至与基于深度的实时方法相媲美。

Jun, 2021