在工业生产任务中,实际操作环境通常比较复杂,常常导致手势识别的准确率降低。为提高手势识别对环境的适应能力并提高识别的实时性,分别在预处理,特征提取及分类识别三个方面进行研究。首先采用改进的同态滤波算法进行图像的增强预处理,然后提取增强后图像的梯度方向直方图(HOG)特征,采用主元分析(PCA)方法对其进行降维,并将降维后的特征输入到支持向量机(SVM)中进行分类。结果表明,改进后的同态滤波算法能较好克服光照不均导致的手势分割困难问题,使识别率从93.2%提高到了95.6%。而PCA结合HOG使每张图像的分类时间从18.07ms缩短到降维后的1.43ms,在大幅提高识别速度的同时,识别精度几乎不受影响。

详细介绍基于SPCA563B芯片的图像识别系统的设计思想和硬件电路，给出具体应用实例。对CMOS采集的图像数据进行预处理，然后对其进行分割和提取特征，并利用一定的算法进行图像识别。实验结果证明，本系统对于静止图像的识别是十分有效的。

更加自然和灵活的手势识别技术正逐渐成为智能移动机器人控制的重要人机接口。为了进一步提高基于计算机视觉的机器人导航控制的实时性和精度,提出了一种基于主成分分析(Principal Component Analysis,PCA)降维结合机器学习算法的手势识别方法。首先,对视觉摄像头捕获的手势图像进行预处理,具体包括图像二值化、中值滤波和形态学变换。然后通过PCA提取主要特征并对数据进行降维。最后结合机器学习中自组织神经网络(Self-Organizing Feature Maps,SOM)作为分类器应用于手势识别,具体采用的是学习向量量化(Learning Vector Quantization,LVQ)神经网络。静态手势实验测试结果表明:相比网络和K-means算法,提出方法缩短了手势识别时间,且识别准确率得到有效提高,验证了方法的有效性。

Leap Motion作为近几年推出的人机交互设备,因为其高精度的手部信息捕捉特点,在游戏设计和产品展示领域发挥着很大的作用。对不同的指令设计了相应的数字手势,数字手势被Leap Motion识别后将有关指令通过无线射频传输给Arduino智能车;根据数字手势的特点设计了一种简单而有效的识别算法,成功实现对智能车的远程控制。