手势识别算法
㈠ 设计“手势识别与跟踪”这个课题，一般要用到什么软件matlab能实现吗
现在关键的问题根本就不是开发软件而是算法和硬件环境搭建好么。。。
Matlab常用做算法的仿真，当然也包括图像和视频处理的算法。
C/C++下有免费开源的计算机视觉库OpenCV，编程上的复杂度不会比matlab高很多。
当然上面讨论的前提是你同时会用这两种开发语言。
但是如果有特殊硬件的话matlab可能就不如C/C++好用了，我只是说一般情况。
你现在关键是要去查论文看人家的实验环境和算法，而不是关心算法用什么语言实现。
㈡ 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
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. 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. 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. 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。
第二步：手势相似度
1. 手势点乘：g1 * g2 = g1.x1*g2.x1 + g1.y1*g2.y1 + … + g1.x32*g2.x32 + g1.y32*g2.y32
2. 手势相似：相似度(g1, g2)=g1*g2/sqrt(g1*g1 + g2*g2)
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 !
㈢ 手势识别的课题谁做过我不会用HMM算法
我做过。那是隐马尔科夫，在语音识别中常用，可以从中国知网下论文看
㈣ 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。
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 什么是手势识别
在计算机科学中，手势识别 是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动。
㈦ 如何用雷达实现手势识别
如何用雷达实现手势识别
雷达，英文Radar（Radio Detection And Ranging），利用发射“无线电磁波”得到反射波来探测目标物体的距离，角度，和瞬时速度。随着天线尺寸和芯片的极度缩小，在可预见的未来，更多的雷达设备将会以微型器件面世，如图所展示的那样，它们不仅能嵌入可穿戴设备，成为物联网的一类重要传感器。
图 传统的探测侦查雷达（左）以及Project Soli中用于手势识别的迷你雷达（右）
相比于其它隔空操作技术，比如体感相机、超声波等，雷达有着一些天然优势：比如无论白天黑夜，暴晒寒风，皆可正常工作；在体积、成本，以及功耗上都比Kinect等体感相机来得要更低；高频雷达测量物体距离通常可以精确到毫米级别；而低频雷达则可以做到“穿墙而过”，完全无视遮挡物的存在。这些特性让雷达，尤其是微型雷达，在未来都有着广阔的应用前景。
雷达的组成
一般雷达由发射器、接收器、发射／接收天线、信号处理单元，以及终端设备组成。发射器通过发射天线将经过调频或调幅的电磁波发射出去；部分电磁波触碰物体后被反射回接收器，这就好比声音碰到墙壁被反射回来一样；信号处理单元分析接受到的信号并从中提取有用的信息诸如物体的距离、角度，以及行进速度；这些结果最终被实时地显示在终端设备上。传统的军事雷达还常配有机械控制的旋转装置用以调整天线的朝向，而新型雷达则更多通过电子方式做调整。
为节省材料和空间，通常发射器和接收器可以共享同一个天线，方法是交替开关发射或接收器避免冲突。终端设备通常是一个可以显示物体位置的屏幕，但在迷你雷达的应用中更多是将雷达提取的物理信息作为输入信号传送给诸如手表或其它电子设备。信号处理单元才是雷达真正的创意和灵魂所在，主要利用数学物理分析以及计算机算法对雷达信号作过滤、筛选，并计算出物体的方位。在这基础之上，还可以利用前沿的机器学习算法对捕捉的信号作体感手势识别等等。
雷达实现手势识别
雷达的测距或者测速都把物体想象成一个抽象的点。而真实的物体如手掌则可以认为是一堆三维点的集合体。所以在反射波中已然蕴藏了许多个点的距离与速度信号。同时呈现这些信息的一个好方法叫做距离－多普勒映射（Range-Dopler Map），简称RDM（如图）。RDM中的横轴是速度，纵轴是距离。它可以认为是一张反射波的能量分布图或概率图，每一个单元的数值都代表了反射波从某个特定距离和特定速度的物体得到的反射波能量。仔细看的话，从RDM中已然可以窥见探测物体的特征身形！基于RDM及其时间序列， 我们可以采用机器学习的方法识别特定的能量模式变化，进而识别手势及动作。在Soli推出之前，Nvidia也做过类似的研究。
图 距离-多普勒（速度）映射的等高线表示示例 每一个单元值代表了反射波中具有对应距离和速度的点的集合的反射能量。该映射可以作为特征向量用于机器学习识别手势动作。
㈧ 除了摄像头，还有没有更好用的3D手势识别方法
基于激光器应用的结构光和TOF，是比较好的3D收拾识别方法。
㈨ 【手势识别】特征或者样本的多次训练是什么意思
根据不同的场景可以按照设定特定的时间间隔取得多张图片，分别对每张图像进行分析。
设计图片处理可能会将图片二值化（按照一个颜色的阀值将像素点转化为0和1）
而对于不同的手势，就会有不同的0和1组成的序列，这就是特征值。
不管是因为光线、拍照等各种环境因素，每次相同手势得到的特征值总有差别，所以需要一个置信度（特征值的相似度），相似度多少就认为可信由你自己的算法决定。
为了提高识别度，就需要提高训练次数（就是不停的提取相同手势的特征值），理论上说，训练次数越多，识别准确率就会越高。
至于训练多少次，也要有你实际算法决定（训练到你觉得识别成功率足够实用就可）。
这里涉及图像识别，具体资料请自行谷歌网络。