基于改进RCE和RBF神经网络的静态手势识别

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (7): 172-176.

• 图形、图像、模式识别 • 上一篇下一篇

基于改进RCE和RBF神经网络的静态手势识别

谭昶，肖南峰

华南理工大学计算机科学与工程学院，广州 510006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-01 发布日期:2011-03-01

Static hand gesture recognition based on improved RCE neural network and RBF neural network

TAN Chang，XIAO Nanfeng

College of Computer Science & Engineering，South China University of Technology，Guangzhou 510006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-01 Published:2011-03-01

摘要/Abstract

摘要： 针对手势识别的手区域分割、手势特征提取和手势分类的三个过程，提出了一种新的静态手势识别方法。改进了传统的RCE神经网络用于手区域的分割，具有更高的运行速度和更强的抗噪能力。依Freeman链码方向提取手的边缘到掌心的距离作为手势的特征向量。将上一步得到的手势特征向量作为RBF神经网络的输入，进行网络的训练和分类。实验验证了该方法的有效性和可行性，并用其实现了人和仿人机器人的剪刀石头布的猜拳游戏。

关键词: 手势识别, RCE神经网络, Freeman链码, RBF神经网络

Abstract: Hand gesture recognition usually includes hand image segmentation，features extraction，and hand gestures classification.In this paper，a new method is proposed to deal with the three phases of static hand gesture recognition.The traditional RCE neural network is improved and it is applied to hand image segmentation.The improved RCE neural network is proved to has running fast and strong ability of anti-noise.Freeman chain code is used to extract the distance from hand edge to the centre of the palm as feature vectors.Those feature vectors are used as the input of RBF neural network.Experiment results show this method is efficient and feasible.A scissors-paper-stone game between human and humanoid robot is developed by using this method.

Key words: hand gesture recognition, Restricted Coulomb Energy（RCE） neural network, Freeman chain code, Radial Basis Function（RBF） neural network

谭昶，肖南峰. 基于改进RCE和RBF神经网络的静态手势识别
[J]. 计算机工程与应用, 2011, 47(7): 172-176.

TAN Chang，XIAO Nanfeng. Static hand gesture recognition based on improved RCE neural network and RBF neural network[J]. Computer Engineering and Applications, 2011, 47(7): 172-176.

[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]	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.
[3]	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.
[4]	苏佳丽，伍忠东，丁龙斌，刘菲菲. 基于IGWO-RBF的LTE-R切换算法研究[J]. 计算机工程与应用, 2020, 56(8): 74-80.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[10]	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.
[11]	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.
[12]	冯家文，张立民，邓向阳. 双通道卷积神经网络在静态手势识别中的应用[J]. 计算机工程与应用, 2018, 54(14): 148-152.
[13]	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.
[14]	王龙，刘辉，王彬，李鹏举. 结合肤色模型和卷积神经网络的手势识别方法[J]. 计算机工程与应用, 2017, 53(6): 209-214.
[15]	宁亚楠，杨晓文，韩燮. 基于Leap Motion和Unity3D的虚拟沙画手势识别及交互[J]. 计算机工程与应用, 2017, 53(24): 202-206.

基于改进RCE和RBF神经网络的静态手势识别

Static hand gesture recognition based on improved RCE neural network and RBF neural network

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