CN110275614B - 一种非接触式手势识别装置及其方法 - Google Patents
一种非接触式手势识别装置及其方法 Download PDFInfo
- Publication number
- CN110275614B CN110275614B CN201910460084.XA CN201910460084A CN110275614B CN 110275614 B CN110275614 B CN 110275614B CN 201910460084 A CN201910460084 A CN 201910460084A CN 110275614 B CN110275614 B CN 110275614B
- Authority
- CN
- China
- Prior art keywords
- gesture
- chip microcomputer
- single chip
- section
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开一种非接触式手势识别装置及其方法,其包括FDC2214电容感测芯片、单面敷铜板和单片机,单面敷铜板与待测手势构成开关式电容,FDC2214电容感测芯片与单面敷铜板的铜板电连接,并检测获取单面敷铜板与待测手势构成的开关式电容值,FDC2214电容感测芯片输出端接入单片机,单片机读取FDC2214电容感测芯片测得的反映开关式电容值的频率数据;单片机具有用于保存频率数据的存储器,单片机利用频率数据通过训练构造完成不同手势的分类决策树并利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。本发明适用不同手掌大小的手势识别,且识别准确率高。
Description
技术领域
本发明涉及手势识别技术领域,尤其涉及一种非接触式手势识别装置及其方法。
背景技术
如图1所示,FDC2214是德州仪器推出的一款基于LC谐振电路原理、面向电容式传感解决方案的抗噪声和电磁干扰、高分辨率、高速、多通道的检测传感器,可以实现感测区内的非接触式感测。FDC2214检测原理如图1所示。
FDC2214提供4个检测通道CH0~CH3,每个检测通道的输入端连接一个电感和电容,组成LC电路。被测电容(图1中灰色标识部分)的传感端与LC电路相连接,将产生一个振荡频率,根据该振荡频率值可计算出被测电容值。
系列单片机是恩智浦公司(原飞思卡尔公司)推出的基于AMR Cortex-M4核的32位微控制器,该系列单片机具有低功耗、外设模块丰富等优点。本发明采用系列中的MDN512ZVLQ10单片机(下称单片机),该型号单片机片内具有512KB闪存、128KB随机存储器SRAM,可以满足训练阶段大量手势数据的存储以及运行决策树构造算法时所需的存储空间。同时,单片机具有多种通信接口,如I2C通信接口、以太网MAC控制器、USB通信接口、SD主机控制器、UART通信接口等,其中I2C通信接口可用于与FDC2214通信,UART通信接口、USB通信接口和以太网MAC控制器则可用于与PC机通信,以按需实现对手势数据的汇总和分析,或者其他应用扩展功能。
常用的机器学习方法有K-近邻、支持向量机(SVM)、神经网络、深度学习等算法,其中K-近邻算法比较简单,但在识别新样本时,需要保留之前的学习样本数据集,并且在计算距离时,需要计算新样本与学习样本数据集中所有样本之间的距离,因此需要较大的存储开销和计算开销。
SVM算法最初是为二值分类问题设计的,对于多分类手势识别问题,需要构造合适的多类分类器,计算复杂度高,实现起来比较困难,且训练速度相对较慢,因而并不是最佳方案。
对于神经网络和深度学习算法,需要大量的训练数据支撑,并需要复杂的调参机制,这对于存储资源和计算资源有限的嵌入式***而言,同样不是最佳方案。
决策树算法是一种典型的多分类方法。该算法首先对数据进行处理,利用归纳算法生成可读的规则和决策树,然后使用决策对新数据进行分析。决策树本质上是通过一系列规则对数据进行分类的过程。决策树算法具有分类精度高、生成模式简单、对噪声数据有较好的健壮性能优点,是目前应用最为广泛的多分类算法之一。在训练阶段,需要的训练数据并不需要很多,在识别阶段,只要做若干次比较就能得到其分类,因而不管从存储开销上面,还是计算开销上面,决策树算法都是较优的机器学习方案。
发明内容
本发明的目的在于提供一种非接触式手势识别装置及其方法,提供一种性价比高、适用范围广的非接触式手势识别装置,以准确、快速实现感应区域内手势识别功能。
本发明采用的技术方案是:
一种非接触式手势识别装置,其包括FDC2214电容感测芯片、可拼接式单面敷铜板和单片机,可拼接式单面敷铜板与待测手势构成开关式电容,FDC2214电容感测芯片与可拼接式单面敷铜板的铜板电连接,并检测获取可拼接式单面敷铜板与待测手势构成的开关式电容值,FDC2214电容感测芯片输出端接入单片机,单片机读取FDC2214电容感测芯片测得的反映开关式电容值的频率数据;单片机具有用于保存频率数据的存储器,单片机利用频率数据通过训练构造完成不同手势的分类决策树并利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。
进一步地,单片机为K60单片机,K60单片机通过其上设置的通信接口与上位机通信连接。
进一步地,通信接口包括UART通信接口、USB通信接口和以太网通信接口。
进一步地,单面敷铜板具有四组可拼接式金属电极,分别对应食指、中指、无名指和小指位置,并检测食指、中指、无名指和小指是否出现在是金属电极上方,四组可拼接式金属电极各自通过一导线与FDC2214电容感测芯片上的4个电容信号采集通道电连接。
进一步地,每组金属电极均为可拼接式,包括一个长段板条和至少一个短段板条,长段板条与短段板条沿着对应的手指方向依次小间隙摆放,长段板条靠近手掌位置设置,短段板条远离手掌位置设置,长段板条与短段板条通过可拆卸的导电桥连接,当根据检测大手掌时,在长段板条的基础上拼接一个以上的短段板条;当小手掌时,则断开导电桥只使用长段板条。
进一步地,导电桥采用导电金属线或导电粘贴胶。
进一步地,长段板条与短段板条之间的小间隙间隔1mm,长段板条与短段板条的宽度相同均为2cm,长段板条的长度为10cm~20cm,短段板条的长度为5cm。
进一步地,对应检测中指和无名指的金属电极平行放置,其间距为1cm;对应检测食指的金属电极与中指的金属电极之间的夹角均为10°,且最窄处的间隔为0.5cm;对应检测无名指的金属电极与小指的金属电极之间的夹角均为10°,且最窄处间隔为0.5cm。
进一步地,一种非接触式手势识别方法,其包括以下步骤:
步骤1,根据待检测手掌的大小安装好单面敷铜板上的四组可拼接式金属电极,
步骤2,单片机针对不同手势分别采集若干组手势数据构成学习数据集;
步骤3,基于学习数据集训练得到不同手势的分类决策树;
步骤3-1,计算当前学习数据集D的信息熵,其计算公式为:
其中pk表示n类手势中第k类手势样本在全部学习数据集D中所占比例;
步骤3-2,每组金属电极的频率数据对应一个属性,计算所有属性的信息增益,其计算公式为:
其中,CHx(x=0,1,2,3),CHx表示第x号通道;Dv是根据CHx的不同取值对学习数据集D划分后的某个子集,且有D={D1,D2,…,DV};
步骤3-3,找出信息增益最大的属性作为当前决策树节点的分支依据,而该属性的每一个取值作为当前节点的子节点。
步骤3-4,对所有子节点重复步骤3-1至步骤3-3,直到子节点数据集中全部为同一类手势进而得到不同手势的分类决策树;
步骤4,,单片机利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。
进一步地,所述步骤2的具体步骤为:
步骤2-1,单片机分别读取无手势状态时FDC2214四个通道的若干组频率数据形成初始数据;
步骤2-2,单片机针对不同应用场合下的各个手势的手势数据分别采集若干组并与初始数据一起构成学习数据集。
进一步地,步骤2-2中学习数据集的数据格式按照“手势数据组”+“手势标签”的格式存储到单片机的SRAM中。
本发明采用以上技术方案,具有如下优点:(1)本非接触式手势识别装置采用FDC2214电容传感器实现对手势的非接触式识别,相对利用计算机视觉技术识别方案,本发明成本低、环境适应性强。(2)拼接式金属电极可适用不同手掌大小的手势识别,个体适应性强。(3)采用决策树算法对手势进行识别,准确率高,且时间开销和存储开销都比较小。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为FDC2214的检测原理图;
图2为本发明一种非接触式手势识别装置的结构示意图。
具体实施方式
如图2所示,本发明公开了一种非接触式手势识别装置,其包括FDC2214电容感测芯片、可拼接式单面敷铜板和单片机,可拼接式单面敷铜板与待测手势构成开关式电容,FDC2214电容感测芯片与可拼接式单面敷铜板的铜板电连接,并检测获取可拼接式单面敷铜板与待测手势构成的开关式电容值,FDC2214电容感测芯片输出端接入单片机,单片机读取FDC2214电容感测芯片测得的反映开关式电容值的频率数据;单片机具有用于保存频率数据的存储器,单片机利用频率数据通过训练构造完成不同手势的分类决策树并利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。
具体地,K60单片机的存储器包括SRAM和FLASH,K60单片机将频率数据保存到SRAM中,也可根据需要保存到FLASH中,以便断电后能够保存。
进一步地,单面敷铜板具有四组可拼接式金属电极,分别对应食指、中指、无名指和小指位置,并检测食指、中指、无名指和小指是否出现在是金属电极上方,四组金属电极各自通过一导线与FDC2214电容感测芯片上的4个电容信号采集通道电连接。此外,作为一种可行的实施方式,硬件方案中的手势采集平面可采用一整块单面敷铜板,在该敷铜板引出一根导线接入FDC2214的一个通道,可让一个FDC2214同时处理4路手势识别。
进一步地,每组金属电极包括一个长段板条和至少一个短段板条,长段板条与短段板条沿着对应的手指方向依次小间隙摆放,长段板条靠近手掌位置设置,短段板条远离手掌位置设置,长段板条与短段板条通过可拆卸的导电桥连接,
进一步地,单片机为K60单片机,K60单片机通过其上设置的通信接口与上位机通信连接。进一步地,通信接口包括UART通信接口、USB通信接口和以太网通信接口。手势识别装置可以通过这些通信接口把实时或历史手势数据发给PC机做统计分析,以增加手势数据的时间有效性和空间有效性。
具体而言,对于手势传感平面,由于FDC2214电容感测芯片提供了4个电容信号采集通道,为充分利用FDC2214的硬件资源,提高手势动作识别率,采用单面敷铜板设计了四组金属板做固定电极,依次用于检测食指、中指、无名指和小指是否出现在是金属电极上方。
由于不同的人手掌大小不同,比如大人的手掌通常会比小孩的手掌大,男性的手掌通常比女性的手掌大,为提高手势识别装置的应用范围,每组金属电极采用了拼接式,即采用了两段长度不同、宽度相同的敷铜板条(下称板条),其中长板条的长度根据一般手掌大小,可设为10cm~20cm,短板条的长度可设为5cm左右,宽度设为2cm左右。
首先,将两段板条沿着某手指方向依次摆放,长段板条靠近手掌位置,短段板条远离手掌位置,两段板条间距尽可能小,但不直接接触,而是通过导电桥实现按需连接。导电桥可以采用导电金属线或导电粘贴胶。在检测较大手掌时,用导电桥将两段板条连接起来,共同作为固定金属电极板;检测较小手掌时,则断开导电桥。长段板条任何情形下都会被用到,故将它们各引出一根导线与FDC2214采集模块的四个通道相连。由于各手指伸展开后并不是平行的,尤其是小指和食指,展开角度比较大,故用于测量中指和无名指的固定金属电极组平行放置,间距按需要设置,例如可设为板条宽度的一半左右;用于测量食指和小指的电极组则与其相邻的金属电极组按0°~20°的夹角摆放,但不接触,最窄处为靠近手掌一端,间距按需要设置,例如可设为固定金属电极板宽度的一半左右。
手势传感平面的每组金属电极均采用了长度分别为10cm和5cm、宽度为2cm的两段单面敷铜板,长短板条间隔1mm,测量中指和无名指的金属电极组平行放置,间距为1cm,测量食指与中指、无名指与小指的金属电极组之间的夹角均为10°,最窄处间隔为0.5cm。
进一步地,一种非接触式手势识别方法,其包括以下步骤:
步骤1,根据待检测手掌的大小安装好单面敷铜板上的四组金属电极,
步骤2,单片机针对不同手势分别采集若干组手势数据构成学习数据集;
进一步地,所述步骤2的具体步骤为:
步骤2-1,单片机分别读取无手势状态时FDC2214四个通道的若干组频率数据形成初始数据;
步骤2-2,单片机针对不同应用场合下的各个手势的手势数据分别采集若干组并与初始数据一起构成学习数据集。进一步地,步骤2-2中学习数据集的数据格式按照“手势数据组”+“手势标签”的格式存储到单片机的SRAM中。
具体而言,在本手势识别装置方案中,通过单片机从FDC2214读取的数据是频率数据,由于本装置只需区分不同的手势,并不需要知道不同手势下手势传感平面的电容值,因此,只需直接对读取到的原始频率数据进行分析即可。
由于不同的手势在四组敷铜板条上方覆盖的面积不同,从而从四个通道上读到的频率数据也不同。这四组不同的频率数据可以看成相应手势的特征。
在手势数据学习阶段,K60单片机先读取初始状态即无手势状态时FDC2214四个通道若干组频率数据,数据量的大小要以可准确区分不同手势为准,对于决策树算法,每个手势采集100组数据用于学习,即可获得90%以上的识别率。之后依次采集不同应用场合设计下的手势数据,比如猜拳,依次采集100组“石头”、“剪刀”、“布”这三个手势数据,对于划拳,则依次采集100组“1”、“2”、“3”、“4”、“5”这五个手势数据。将初始数据和手势数据集组合起来,构成学习数据集。学习数据集中数据格式按照“手势数据组”+“手势标签”的格式存储起来到K60单片机的SRAM中,以便交给后续的决策树算法进行学习。也可以根据需要存储到K60单片机的FLASH存储器加以长期保存。保存起来的手势数据可以根据需要通过不同的通信接口传到PC端。
步骤3,基于学习数据集训练得到不同手势的分类决策树;在完成手势数据学习样本集的采集后,接下来利用决策树算法学习不同手势的判定条件。不同的手势,四组频率数据存在差异,可以将四组频率数据看成手势动作的四个属性。同一手势同一通道的数据会存在微小的差异,可以最中值作为同一手势同一通道的属性值。故根据手势的属性和类别标签,就可以方便地借助决策树算法学习不同手势的属性特征;具体地处理步骤如下:
步骤3-1,计算当前学习数据集D的信息熵,其计算公式为:
其中pk表示n类手势中第k类手势样本在全部学习数据集D中所占比例;
步骤3-2,每组金属电极的频率数据对应一个属性,计算所有属性的信息增益,其计算公式为:
其中,CHx(x=0,1,2,3),CHx表示第x号通道;Dv是根据CHx的不同取值对学习数据集D划分后的某个子集,且有D={D1,D2,…,DV};
步骤3-3,找出信息增益最大的属性作为当前决策树节点的分支依据,而该属性的每一个取值作为当前节点的子节点。
步骤3-4,对所有子节点重复步骤3-1至步骤3-3,直到子节点数据集中全部为同一类手势进而得到不同手势的分类决策树;
由于常用手势数量并不多,比如猜拳手势一般为三个:石头、剪刀和布,通道数据也只有四个,因此,构造出来的决策树通常并复杂,层次也不会很深,基于上述分类决策树的手势识别学习所需的计算时间很短,非常适合资源相对有限的单片机应用***中。在K60单片机中实现上述决策树算法,可得到一棵分类决策树。
步骤4,,单片机利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。在构造完成势分类决策树之后,单片机实时采集手势数据交由决策树进行处理,经过若干次的比较就可得到分类结果,并将分类结果反馈给用户。
此外作为一种可行的实施方式对于手势识别算法,还可以采用非机器学习算法,由于一定环境中,同一个手势的数据通常都比较接近,可以采用各通道数据加权求和,以获得分类点。这个方法可以用于计算力弱、内存容量有限的8位单片机***中。
本发明采用以上技术方案,基于K60单片机和可拼接金属电极的多通信端口非接触式手势识别装置的硬件方案。将手势识别算法分成学习阶段和识别阶段,在学习阶段利用决策树算法构造分类决策树,在识别阶段利用构造好的分类决策树进行手势分类。本发明具有如下优点:(1)本非接触式手势识别装置采用FDC2214电容传感器实现对手势的非接触式识别,相对利用计算机视觉技术识别方案,本发明成本低、环境适应性强。(2)拼接式金属电极可适用不同手掌大小的手势识别,个体适应性强。(3)采用决策树算法对手势进行识别,准确率高,且时间开销和存储开销都比较小。
Claims (9)
1.一种非接触式手势识别方法,采用的非接触式手势识别装置包括FDC2214电容感测芯片、可拼接式单面敷铜板和单片机,可拼接式单面敷铜板与待测手势构成开关式电容,FDC2214电容感测芯片与可拼接式单面敷铜板的铜板电连接,并检测获取可拼接式单面敷铜板与待测手势构成的开关式电容值,FDC2214电容感测芯片输出端接入单片机,单片机读取FDC2214电容感测芯片测得的反映开关式电容值的频率数据;单片机具有用于保存频率数据的存储器,单片机利用频率数据通过训练构造完成不同手势的分类决策树并利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果;其特征在于:方法包括以下步骤:
步骤1,根据待检测手掌的大小安装好单面敷铜板上的四组可拼接式金属电极;
步骤2,单片机针对不同手势分别采集若干组手势数据构成学习数据集;
步骤3,基于学习数据集训练得到不同手势的分类决策树;
步骤3-1,计算当前学习数据集D的信息熵,其计算公式为:
其中pk表示n类手势中第k类手势样本在全部学习数据集D中所占比例;
步骤3-2,每组金属电极的频率数据对应一个属性,计算所有属性的信息增益,其计算公式为:
其中,CHx(x=0,1,2,3),CHx表示第x号通道;Dv是根据CHx的不同取值对学习数据集D划分后的某个子集,且有D={D1,D2,…,DV};
步骤3-3,找出信息增益最大的属性作为当前决策树节点的分支依据,而该属性的每一个取值作为当前节点的子节点;
步骤3-4,对所有子节点重复步骤3-1至步骤3-3,直到子节点数据集中全部为同一类手势进而得到不同手势的分类决策树;
步骤4,单片机利用分类决策树对实时采集的频率数据进行手势分类并输出分类结果。
2.根据权利要求1所述的一种非接触式手势识别方法,其特征在于:所述单片机为K60单片机,K60单片机通过其上设置的通信接口与上位机通信连接。
3.根据权利要求2所述的一种非接触式手势识别方法,其特征在于:所述通信接口包括UART通信接口、USB通信接口和以太网通信接口。
4.根据权利要求1所述的一种非接触式手势识别方法,其特征在于:所述单面敷铜板具有四组可拼接式金属电极,四组可拼接式金属电极分别对应食指、中指、无名指和小指位置,并检测食指、中指、无名指和小指是否出现在是金属电极上方,四组可拼接式金属电极各自通过一根导线与FDC2214电容感测芯片上的4个电容信号采集通道电连接。
5.根据权利要求4所述的一种非接触式手势识别方法,其特征在于:所述每组金属电极均为可拼接式,包括一个长段板条和至少一个短段板条,长段板条与短段板条沿着对应的手指方向依次小间隙摆放,长段板条靠近手掌位置设置,短段板条远离手掌位置设置,长段板条与短段板条通过可拆卸的导电桥连接,当根据检测大手掌时,在长段板条的基础上拼接一个以上的短段板条;当检测小手掌时,则断开导电桥,只使用长段板条;所述导电桥采用导电金属线或导电粘贴胶。
6.根据权利要求5所述的一种非接触式手势识别方法,其特征在于:所述长段板条与短段板条之间的小间隙间隔1mm,长段板条与短段板条的宽度相同均为2cm,长段板条的长度为10cm~20cm,短段板条的长度为5cm。
7.根据权利要求5所述的一种非接触式手势识别方法,其特征在于:对应检测中指和无名指的金属电极平行放置,其间距为1cm;对应检测食指的金属电极与中指的金属电极之间的夹角为10°,且最窄处的间隔为0.5cm;对应检测无名指的金属电极与小指的金属电极之间的夹角为10°,且最窄处间隔为0.5cm。
8.根据权利要求1所述的一种非接触式手势识别方法,其特征在于:所述步骤2的具体步骤为:
步骤2-1,单片机分别读取无手势状态时FDC2214四个通道的若干组频率数据形成初始数据;
步骤2-2,单片机针对不同应用场合下的各个手势的手势数据分别采集若干组并与初始数据一起构成学习数据集。
9.根据权利要求1所述的一种非接触式手势识别方法,其特征在于:步骤2-2中学习数据集的数据格式按照“手势数据组”+“手势标签”的格式存储到单片机的SRAM中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460084.XA CN110275614B (zh) | 2019-05-30 | 2019-05-30 | 一种非接触式手势识别装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910460084.XA CN110275614B (zh) | 2019-05-30 | 2019-05-30 | 一种非接触式手势识别装置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275614A CN110275614A (zh) | 2019-09-24 |
CN110275614B true CN110275614B (zh) | 2022-09-30 |
Family
ID=67960378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910460084.XA Active CN110275614B (zh) | 2019-05-30 | 2019-05-30 | 一种非接触式手势识别装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275614B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099624B (zh) * | 2020-08-25 | 2022-11-22 | 李志斌 | 多模态菱形框架式电容感应手势识别*** |
CN113673292A (zh) * | 2021-01-14 | 2021-11-19 | 南方科技大学 | 一种电容成像传感器及手势形态感知方法 |
CN114327054A (zh) * | 2021-12-21 | 2022-04-12 | 杭州电子科技大学 | 一种基于fdc2214的手势识别装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203287847U (zh) * | 2013-05-31 | 2013-11-13 | 深圳职业技术学院 | 一种基于mgc3130芯片的手势识别一体机 |
KR20150030072A (ko) * | 2013-09-11 | 2015-03-19 | 삼성전기주식회사 | 제스처 인식이 가능한 터치센서 및 이의 제어방법 |
KR20170091963A (ko) * | 2016-02-02 | 2017-08-10 | 삼성전자주식회사 | 근전도 신호를 이용한 동작 분류 방법 및 장치 |
CN107526440A (zh) * | 2017-08-28 | 2017-12-29 | 四川长虹电器股份有限公司 | 基于决策树分类的手势识别的智能电器控制方法及*** |
CN109032349A (zh) * | 2018-07-10 | 2018-12-18 | 哈尔滨工业大学 | 一种基于毫米波雷达的手势识别方法及*** |
CN109343694A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 一种用于猜拳划拳游戏的手势识别***和方法 |
CN109491507A (zh) * | 2018-11-14 | 2019-03-19 | 南京邮电大学 | 基于fdc2214的手势识别装置 |
CN109710116A (zh) * | 2018-08-23 | 2019-05-03 | 华东师范大学 | 一种非接触式手势状态识别***及识别方法 |
CN109799914A (zh) * | 2019-03-18 | 2019-05-24 | 大连理工大学 | 一种基于fdc2214的手势识别装置 |
-
2019
- 2019-05-30 CN CN201910460084.XA patent/CN110275614B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203287847U (zh) * | 2013-05-31 | 2013-11-13 | 深圳职业技术学院 | 一种基于mgc3130芯片的手势识别一体机 |
KR20150030072A (ko) * | 2013-09-11 | 2015-03-19 | 삼성전기주식회사 | 제스처 인식이 가능한 터치센서 및 이의 제어방법 |
KR20170091963A (ko) * | 2016-02-02 | 2017-08-10 | 삼성전자주식회사 | 근전도 신호를 이용한 동작 분류 방법 및 장치 |
CN107526440A (zh) * | 2017-08-28 | 2017-12-29 | 四川长虹电器股份有限公司 | 基于决策树分类的手势识别的智能电器控制方法及*** |
CN109032349A (zh) * | 2018-07-10 | 2018-12-18 | 哈尔滨工业大学 | 一种基于毫米波雷达的手势识别方法及*** |
CN109343694A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 一种用于猜拳划拳游戏的手势识别***和方法 |
CN109710116A (zh) * | 2018-08-23 | 2019-05-03 | 华东师范大学 | 一种非接触式手势状态识别***及识别方法 |
CN109491507A (zh) * | 2018-11-14 | 2019-03-19 | 南京邮电大学 | 基于fdc2214的手势识别装置 |
CN109799914A (zh) * | 2019-03-18 | 2019-05-24 | 大连理工大学 | 一种基于fdc2214的手势识别装置 |
Non-Patent Citations (1)
Title |
---|
"一种非接触式的手势识别装置";罗于恒,王洋,刘伟;《科技与创新》;20181115;第55-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110275614A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275614B (zh) | 一种非接触式手势识别装置及其方法 | |
CN107633227B (zh) | 一种基于csi的细粒度手势识别方法和*** | |
CN105844216B (zh) | 一种利用WiFi信号识别手写字母的检测与匹配机制 | |
KR101939683B1 (ko) | 사용자 행동 실시간 인식장치 및 방법 | |
CN102867190B (zh) | 一种利用移动设备内置传感器进行行为识别的方法 | |
CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
Liu et al. | Novel algorithm for hand gesture recognition utilizing a wrist-worn inertial sensor | |
CN106406516A (zh) | 一种智能手机本地实时的运动轨迹特征提取与识别方法 | |
Nogales et al. | Real-time hand gesture recognition using the leap motion controller and machine learning | |
CN109343694B (zh) | 一种用于猜拳划拳游戏的手势识别***和方法 | |
Anupama et al. | Automated sign language interpreter using data gloves | |
CN116400831B (zh) | 一种无源电磁触控屏手写压力感应补偿算法 | |
CN109710116B (zh) | 一种非接触式手势状态识别***及识别方法 | |
CN102523091A (zh) | 基于无线供电传感器的智能认证***及方法 | |
CN113300750A (zh) | 基于wifi信号的人员身份认证和手写字母识别方法 | |
Darafsh et al. | Real-Time activity recognition and intention recognition using a vision-based embedded system | |
CN112380903A (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
Chen et al. | A fusion recognition method based on multifeature hidden markov model for dynamic hand gesture | |
CN202334554U (zh) | 一种新型无源智能认证*** | |
Mefteh et al. | A novel multispectral corner detector and a new local descriptor: an application to human posture recognition | |
CN105208746A (zh) | 基于运动和肌电流信号控制的立方体led台灯及方法 | |
CN208110623U (zh) | 指纹识别采集装置及*** | |
WO2019193601A1 (en) | Piezoelectric sensors integrated hand gesture recognition device | |
US20230015735A1 (en) | Capacitive sensor, electronic device, and electronic device control method | |
Parvini et al. | Utilizing bio-mechanical characteristics for user-independent gesture recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |