基于BOF-Gist特征的手势识别算法研究

doi:10.3778/j.issn.1002-8331.1511-0324

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (9): 170-174.DOI: 10.3778/j.issn.1002-8331.1511-0324

基于BOF-Gist特征的手势识别算法研究

丁毅1，曹江涛1，李平1，姬晓飞2

1.辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001
2.沈阳航空航天大学自动化学院，沈阳 110136

出版日期:2017-05-01 发布日期:2017-05-15

Research on hand posture recognition algorithm based on BOF-Gist feature

DING Yi1, CAO Jiangtao1, LI Ping1, JI Xiaofei2

1. School of Information and Control Engineering, Liaoning Shihua University, Fushun, Liaoning 113001, China
2. School of Automation, Shenyang Aerospace University, Shenyang 110136, China

Online:2017-05-01 Published:2017-05-15

摘要/Abstract

摘要： 针对静态手势识别算法存在特征计算复杂度高，实时性差的问题，提出了一种新的BOF-Gist特征对手势图像进行表示。该特征的优势是在保持Gist特征原有优势的基础上，有效地表征手势图像的局部特征和全局特征，并且特征维数明显降低，实时性好。在标准数据库上的测试表明，该算法对于简单、复杂背景下十种手语手势分别得到了90.42%与79.05%的正确识别率，同时验证了算法的实时性。

关键词: 手势识别, 特征袋, 全局特征, 局部特征, 实时性

Abstract: Aiming at the problem of high computational complexity and poor real-time performance of static gesture recognition algorithm, a novel BOF-Gist feature is proposed. This feature can effectively represent the local features and global features of hand posture image with the original advantages of Gist features, the feature dimension is relatively lower, and the real-time performance is better. The testing results on the standard database show that correct recognition rate of the algorithm is 90.42% and 79.05% respectively for ten sign language postures under simple and complex background, and at the same time the real-time performance of the algorithm is verified.

Key words: hand posture recognition, bag of features, global feature, local feature, real time

丁毅1，曹江涛1，李平1，姬晓飞2. 基于BOF-Gist特征的手势识别算法研究[J]. 计算机工程与应用, 2017, 53(9): 170-174.

DING Yi1, CAO Jiangtao1, LI Ping1, JI Xiaofei2. Research on hand posture recognition algorithm based on BOF-Gist feature[J]. Computer Engineering and Applications, 2017, 53(9): 170-174.

[1]	韩文静，罗晓曙，杨日星. 一种复合型手势识别方法研究[J]. 计算机工程与应用, 2021, 57(4): 108-113.
[2]	郑亮，陈亚，陈小潘，郑逢斌. 人脸局部特征增强的亲属关系验证方法[J]. 计算机工程与应用, 2021, 57(23): 226-233.
[3]	解迎刚，王全. 基于视觉的动态手势识别研究综述[J]. 计算机工程与应用, 2021, 57(22): 68-77.
[4]	肖雅妮，范馨月，陈文峰. 多分支融合局部特征的行人重识别算法[J]. 计算机工程与应用, 2021, 57(18): 213-219.
[5]	谭立行，鲁嘉淇，张笑楠，刘宇红，张荣芬. 基于轻量级OpenPose改进的幻影机手势交互系统[J]. 计算机工程与应用, 2021, 57(16): 159-166.
[6]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[7]	徐家臻，李婷，杨巍. 多尺度局部特征选择的行人重识别算法[J]. 计算机工程与应用, 2020, 56(2): 141-145.
[8]	张峻豪，吴飞，朱海. 基于GD-Kmeans和菲涅尔理论的WiFi手势识别方法[J]. 计算机工程与应用, 2020, 56(19): 126-131.
[9]	张龙娇，曾晓勤. 基于深度神经网络的sEMG手势识别研究[J]. 计算机工程与应用, 2019, 55(23): 113-119.
[10]	邓智方，袁家政，刘宏哲，原春锋，张宏源. 基于浅三维稠密网的多模态手势识别算法[J]. 计算机工程与应用, 2019, 55(19): 166-172.
[11]	冉龙才，黄成泉，田文英. 改进BPDN的图像去雨雪应用研究[J]. 计算机工程与应用, 2019, 55(15): 198-203.
[12]	孙玉1，2，袁贞明1，2，孙晓燕1，2. 基于Leap Motion的动态手势识别[J]. 计算机工程与应用, 2019, 55(13): 151-157.
[13]	王刚1，2，牛宏侠1，2. 融合全局与局部特征的贝叶斯人脸识别方法[J]. 计算机工程与应用, 2019, 55(11): 172-178.
[14]	谢小雨1，刘喆颉1，2. 基于DTW算法的肌电信号手势识别方法[J]. 计算机工程与应用, 2018, 54(5): 132-137.
[15]	徐曾春，吴凯娇，胡平. 使用超声波的智能手机手势识别[J]. 计算机工程与应用, 2018, 54(2): 239-245.

基于BOF-Gist特征的手势识别算法研究

Research on hand posture recognition algorithm based on BOF-Gist feature

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics