Oct, 2023

基于超宽带的静态手势分类

PDF
TL;DR通过使用专有的 UWB 雷达传感器技术，本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程，其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是，我们的最佳模型达到了 96.78% 的准确率。此外，我们还开发了一个用户友好的 GUI 框架，用于评估模型的系统资源使用情况和处理时间，结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步，可以在各个领域中实现实际应用。
发现论文，激发创造
  • 使用新颖无菌训练技术，在深度卷积神经网络上改进静态手势分类

    本文通过引入 “无特征” 的图像以区分手势的不同特征，并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术，提高静态手势识别的分类准确率，从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。

    May, 2023

  • 一种通用的多模态动态手势识别系统，采用机器学习

    提出了一种利用机器学习系统通过 tri-axial 加速度数据识别动态手势的方法，该系统能够以最少的预处理分类不同速度的手势，而且在低成本的嵌入式平台（Raspberry Pi Zero）上运行，具备经济可行性。

    Sep, 2018

  • 边缘 FMCW 雷达的手势识别

    基于 60 GHz FMCW 雷达的轻量级手势识别系统，通过一种瘦身的雷达处理算法提取五个特征，并利用基于循环神经网络的架构实现手势的检测和分类。该系统在嵌入式平台上运行，对内存、计算和功耗有严格要求，达到了 98.4% 的 F1 分数，在 Arm Cortex-M4 微控制器上仅需 280 kB 的闪存空间、120 kB 的 RAM 和 75 mW 的功耗。

    Oct, 2023

  • 基于雷达的静态手势在美国手语中的识别

    人机交互与虚拟现实领域中，自动手势识别变得越来越重要。本研究探索了使用合成数据的方法来训练神经网络，以在虚拟现实和人机交互应用中提高手势识别的性能。

    Feb, 2024

  • WiGest：一种普及的基于 WiFi 的手势识别系统

    WiGest 是一种利用 WiFi 信号强度变化感知用户移动设备周围的空中手势的系统，能够识别不同的信号变化基元，从中构建出不同手势家族，能够映射到可区分的应用程序操作，并成功实现了在干扰人体存在的情况下的高准确性手势识别，为未来的移动设备提供了普遍的无需手持交互。

    Jan, 2015

  • 在线识别不完整手势数据，以实现协作机器人的接口

    本文介绍了一个用于大量静态手势和动态手势分类识别的人机交互框架，利用佩戴式传感器进行数据收集，并采用降维和神经网络等处理技术，最终实现了在实时环境下的高准确率手势识别。

    Apr, 2023

  • 利用雷达点云进行跨模态学习的图形表示，长距离手势识别

    本文提出了一种利用基于点云的交叉学习方法（从相机到六十吉赫兹 FMCW 雷达）的长距离（1m-2m）手势识别解决方案，使用动态图卷积神经网络（DGCNN）建模点之间的关系并用双向 LSTM 网络建模时间动态，实验结果表明该模型在五个手势的整体精度达到了 98.4％且具有泛化能力。

    Mar, 2022

  • 基于卷积神经网络的多普勒雷达手势识别系统

    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

  • 电容式感应设备的灵活手势识别：在职适应

    本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

    May, 2023

  • UAV-GESTURE: 用于无人机控制和手势识别的数据集

    为了填补这一空白并在更广泛的应用领域中开展研究，我们在室外环境中记录了一组 UAV 手势信号数据集。数据集中包含适用于基本 UAV 导航和指令的 13 个手势，共计 119 个高清视频剪辑，包含 37151 个帧，由基于姿势的卷积神经网络（P-CNN）计算得到的手势识别性能为 91.9％。

    Jan, 2019