手势算法

㈠ 基于视觉的手势识别使用什么算法

模式识别、机器学习。
一般的做法是：
首先要有一定数量的手势图片；
其次将训练用的手势图片进行人工分类，即“打上标签”
再次将手势图片转换成轮廓图（可以用DFT、DCT、小波变换等计算出边缘，然后对边缘进行“扩张”即可）；
第四是将轮廓图规格化、矢量化，生成向量；
最后以上述向量集来训练学习机（例如：神经网络），直到回归；
获得的结果是能进行手势识别的学习机。

㈡ 手势识别用什么图像特征提取算法

《基于计算机视觉的手势识别研究》中提到了多尺度模型，它就是采用此模型提取手势的指尖的数量和位置，将指尖和掌心连线，采用距离公式计算各指尖到掌心的距离，再采用反余弦公式计算各指尖与掌心连线间的夹角，将距离和夹角作为选择的特征。对于静态手势识别而言，边缘信息是比较常用的特征。中采用的HDC提取关键点的识别算法，基于用八方向邻域搜索法提取出手势图像的边缘，把图像的边缘看成一条曲线，然后对曲线进行处理。

㈢ 最近做图像识别，想通过MATLAB做手势识别的算法，不知道需要学些什么，做完会是什么样子，求大牛指导

模式识别、机器学习。
一般的做法是：
首先要有一定数量的手势图片；
其次将训练用的手势图片进行人工分类，即“打上标签”
再次将手势图片转换成轮廓图（可以用DFT、DCT、小波变换等计算出边缘，然后对边缘进行“扩张”即可）；
第四是将轮廓图规格化、矢量化，生成向量；
最后以上述向量集来训练学习机（例如：神经网络），直到回归；
获得的结果是能进行手势识别的学习机。

㈣ 如何写一个简单的手写识别算法

对于这个问题

我原来看过一个算法，她说觉得gesture recognizer 是比较好的解法。
他也有一个类似的算法，借鉴了原始手写ocr的思路来实现的。

不过ocr问题的重点是怎么选择特征，比如知名的uci 数据集就有以下这些特征量:

㈤ 基于语法动态手势识别有哪些方法

手势识别分为二维和三维手势识别。
二维手势识别基本只不会涉及深度信息，会为用户解决最简单基础的手势操作。
这种技术不仅可以识别手型，还可以识别一些简单的二维手势动作，比如对着摄像头挥挥手、确定、点选及拖拽等基础交互手势。此类手势识别技术虽然在硬件要求上和二维手型识别并无区别，但是得益于更加先进的计算机视觉算法，可以获得更加丰富的人机交互内容。在使用体验上也提高了一个档次，从纯粹的状态控制，变成了比较丰富的平面控制。
这种技术已经被集成到了电视里，像乐视TV等；也被做成了基于普通摄像头的手势识别技术，如国内英梅吉的HandCV手势交互系统，可以安装在手机/PC等设备中就可以实现手势交互，同时也深度适配VR/AR环境；还有来自以色列的EyeSight，被中国一家企业投资2000万美金，他们的手势识别技术同样也是做普通摄像头，不同于国内的这家手势识别，以色列这家多应用于生活场景，为懒人提供福利，不用触摸手机直接隔空操作。
总的来说，二维的手势识别相对来说更加入门级，可以为手势识别提供从零到一的普及。
三维的手势识别技术相对于二维的来说更精准、更深度，可以操作除了生活场景之外的一些游戏场景，面向一些发烧级玩家。提供的解决方案有结构光，微软的KINECT；光飞时间TOF，根据光子飞行时间进而可以推算出光子飞行的距离，得到物体的深度信息；以及目前和暴风正在合作的leap
motion的多角成像技术，使用两个或者两个以上的摄像头同时摄取图像。

㈥ 含十的连加减手势算法

摘要 1. 想：因为1+4=5所以（1）+4=5

㈦ 手势识别技术是什么

手势识别技术是利用摄像头等感应元件，捕捉不同的手势，根据手势的形状等，用芯片运算识别，能智能识别出相应的指令，我们能用一个手势或多个手势，进行发出指令，替代了很多传统的按键，是未来的发展趋势，例如市面上有一款汇春科技的抽油烟机，我们可以通过向左拨动手势，发出开机指令，手部不再接触油腻的机身。

㈧ 法国小九九乘法口诀手势

一只手伸出1，未伸出4，另一只手伸出2，未伸出3，伸出的和为3×10=30，
30+4×3=42，
故选A．

㈨ 九纹格手势密码共能画出多少种图案

九纹格手势密码共能画出389112种图案，具体分析如下：

九宫格手势密码不同于一般的数字密码，它有一些特殊的规则。总结起来，有以下三方面：

1、最少四个点，最多九个点。

2、可以画斜线，但不能跳点，除非中间点已经使用，比如：可以从1直接到6，不能1直接到3，但如果2已经使用，则可以直接从1到3。

3、不重复使用点。

考虑到以上规则的问题，九宫格手势密码必然不可能是1-9的全排列组合。举个例子：1-3-7-5、1-6-4-5、1-7-6-4-5等等，这些都是做不到的密码。

在具体算法上，可以考虑9个节点的无向图，满足上述规则的边才能相连。在遍历每个节点后，每个阶段为起点都做一次层次遍历，当高度为4时，统计叶子节点个数。每次统计结果累加，最后除以2，就得出总数了389112种。

㈩ 如何写一个简单的手写识别算法

移动设备多用手势进行输入，用户通过手指在屏幕上画出一个特定符号，计算机识别出来后给予响应的反应，要比让用户点击繁琐的按钮为直接和有趣，而如果为每种手势编写一段识别代码的话是件得不偿失的事情。如何设计一种通用的手势识别算法来完成上面的事情呢？

我们可以模仿笔记识别方法，实现一个简单的笔画识别模块，流程如下：

第一步：手势归一化

1. 手指按下时开始记录轨迹点，每划过一个新的点就记录到手势描述数组guesture中，直到手指离开屏幕。

2. 2. 将gesture数组里每个点的x,y坐标最大值与最小值求出中上下左右的边缘，求出该手势路径点的覆盖面积。

3. 3. 手势坐标归一化：以手势中心点为原点，将gesture里顶点归一化到-1<=x<=1, -1<=y<=1空间中。

4. 4. 数组长度归一化：将手势路径按照长度均匀划分成32段，用共32个新顶点替换guestue里的老顶点。

5. 第二步：手势相似度

6. 1. 手势点乘：g1 * g2 = g1.x1*g2.x1 + g1.y1*g2.y1 + … + g1.x32*g2.x32 + g1.y32*g2.y32

7. 2. 手势相似：相似度(g1, g2)=g1*g2/sqrt(g1*g1 + g2*g2)

8. 由此我们可以根据两个手势的相似度算成一个分数score。用户输入了一个手势g，我们回合手势样本中的所有样本g1-gn打一次相似度分数，然后求出相似度最大的那个样本gm并且该分数大于某个特定阀值（比如0.8），即可以判断用户输入g相似于手势样本 gm !