手勢演算法

㈠ 基於視覺的手勢識別使用什麼演算法

模式識別、機器學習。
一般的做法是：
首先要有一定數量的手勢圖片；
其次將訓練用的手勢圖片進行人工分類，即「打上標簽」
再次將手勢圖片轉換成輪廓圖（可以用DFT、DCT、小波變換等計算出邊緣，然後對邊緣進行「擴張」即可）；
第四是將輪廓圖規格化、矢量化，生成向量；
最後以上述向量集來訓練學習機（例如：神經網路），直到回歸；
獲得的結果是能進行手勢識別的學習機。

㈡ 手勢識別用什麼圖像特徵提取演算法

《基於計算機視覺的手勢識別研究》中提到了多尺度模型，它就是採用此模型提取手勢的指尖的數量和位置，將指尖和掌心連線，採用距離公式計算各指尖到掌心的距離，再採用反餘弦公式計算各指尖與掌心連線間的夾角，將距離和夾角作為選擇的特徵。對於靜態手勢識別而言，邊緣信息是比較常用的特徵。中採用的HDC提取關鍵點的識別演算法，基於用八方向鄰域搜索法提取出手勢圖像的邊緣，把圖像的邊緣看成一條曲線，然後對曲線進行處理。

㈢ 最近做圖像識別，想通過MATLAB做手勢識別的演算法，不知道需要學些什麼，做完會是什麼樣子，求大牛指導

模式識別、機器學習。
一般的做法是：
首先要有一定數量的手勢圖片；
其次將訓練用的手勢圖片進行人工分類，即「打上標簽」
再次將手勢圖片轉換成輪廓圖（可以用DFT、DCT、小波變換等計算出邊緣，然後對邊緣進行「擴張」即可）；
第四是將輪廓圖規格化、矢量化，生成向量；
最後以上述向量集來訓練學習機（例如：神經網路），直到回歸；
獲得的結果是能進行手勢識別的學習機。

㈣ 如何寫一個簡單的手寫識別演算法

對於這個問題

我原來看過一個演算法，她說覺得gesture recognizer 是比較好的解法。
他也有一個類似的演算法，借鑒了原始手寫ocr的思路來實現的。

不過ocr問題的重點是怎麼選擇特徵，比如知名的uci 數據集就有以下這些特徵量:

㈤ 基於語法動態手勢識別有哪些方法

手勢識別分為二維和三維手勢識別。
二維手勢識別基本只不會涉及深度信息，會為用戶解決最簡單基礎的手勢操作。
這種技術不僅可以識別手型，還可以識別一些簡單的二維手勢動作，比如對著攝像頭揮揮手、確定、點選及拖拽等基礎交互手勢。此類手勢識別技術雖然在硬體要求上和二維手型識別並無區別，但是得益於更加先進的計算機視覺演算法，可以獲得更加豐富的人機交互內容。在使用體驗上也提高了一個檔次，從純粹的狀態控制，變成了比較豐富的平面控制。
這種技術已經被集成到了電視里，像樂視TV等；也被做成了基於普通攝像頭的手勢識別技術，如國內英梅吉的HandCV手勢交互系統，可以安裝在手機/PC等設備中就可以實現手勢交互，同時也深度適配VR/AR環境；還有來自以色列的EyeSight，被中國一家企業投資2000萬美金，他們的手勢識別技術同樣也是做普通攝像頭，不同於國內的這家手勢識別，以色列這家多應用於生活場景，為懶人提供福利，不用觸摸手機直接隔空操作。
總的來說，二維的手勢識別相對來說更加入門級，可以為手勢識別提供從零到一的普及。
三維的手勢識別技術相對於二維的來說更精準、更深度，可以操作除了生活場景之外的一些游戲場景，面向一些發燒級玩家。提供的解決方案有結構光，微軟的KINECT；光飛時間TOF，根據光子飛行時間進而可以推算出光子飛行的距離，得到物體的深度信息；以及目前和暴風正在合作的leap
motion的多角成像技術，使用兩個或者兩個以上的攝像頭同時攝取圖像。

㈥ 含十的連加減手勢演算法

摘要 1. 想：因為1+4=5所以（1）+4=5

㈦ 手勢識別技術是什麼

手勢識別技術是利用攝像頭等感應元件，捕捉不同的手勢，根據手勢的形狀等，用晶元運算識別，能智能識別出相應的指令，我們能用一個手勢或多個手勢，進行發出指令，替代了很多傳統的按鍵，是未來的發展趨勢，例如市面上有一款匯春科技的抽油煙機，我們可以通過向左撥動手勢，發出開機指令，手部不再接觸油膩的機身。

㈧ 法國小九九乘法口訣手勢

一隻手伸出1，未伸出4，另一隻手伸出2，未伸出3，伸出的和為3×10=30，
30+4×3=42，
故選A．

㈨ 九紋格手勢密碼共能畫出多少種圖案

九紋格手勢密碼共能畫出389112種圖案，具體分析如下：

九宮格手勢密碼不同於一般的數字密碼，它有一些特殊的規則。總結起來，有以下三方面：

1、最少四個點，最多九個點。

2、可以畫斜線，但不能跳點，除非中間點已經使用，比如：可以從1直接到6，不能1直接到3，但如果2已經使用，則可以直接從1到3。

3、不重復使用點。

考慮到以上規則的問題，九宮格手勢密碼必然不可能是1-9的全排列組合。舉個例子：1-3-7-5、1-6-4-5、1-7-6-4-5等等，這些都是做不到的密碼。

在具體演算法上，可以考慮9個節點的無向圖，滿足上述規則的邊才能相連。在遍歷每個節點後，每個階段為起點都做一次層次遍歷，當高度為4時，統計葉子節點個數。每次統計結果累加，最後除以2，就得出總數了389112種。

㈩ 如何寫一個簡單的手寫識別演算法

移動設備多用手勢進行輸入，用戶通過手指在屏幕上畫出一個特定符號，計算機識別出來後給予響應的反應，要比讓用戶點擊繁瑣的按鈕為直接和有趣，而如果為每種手勢編寫一段識別代碼的話是件得不償失的事情。如何設計一種通用的手勢識別演算法來完成上面的事情呢？

我們可以模仿筆記識別方法，實現一個簡單的筆畫識別模塊，流程如下：

第一步：手勢歸一化

1. 手指按下時開始記錄軌跡點，每劃過一個新的點就記錄到手勢描述數組guesture中，直到手指離開屏幕。

2. 2. 將gesture數組里每個點的x,y坐標最大值與最小值求出中上下左右的邊緣，求出該手勢路徑點的覆蓋面積。

3. 3. 手勢坐標歸一化：以手勢中心點為原點，將gesture里頂點歸一化到-1<=x<=1, -1<=y<=1空間中。

4. 4. 數組長度歸一化：將手勢路徑按照長度均勻劃分成32段，用共32個新頂點替換guestue里的老頂點。

5. 第二步：手勢相似度

6. 1. 手勢點乘：g1 * g2 = g1.x1*g2.x1 + g1.y1*g2.y1 + … + g1.x32*g2.x32 + g1.y32*g2.y32

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

8. 由此我們可以根據兩個手勢的相似度算成一個分數score。用戶輸入了一個手勢g，我們回合手勢樣本中的所有樣本g1-gn打一次相似度分數，然後求出相似度最大的那個樣本gm並且該分數大於某個特定閥值（比如0.8），即可以判斷用戶輸入g相似於手勢樣本 gm !