10、基于隐马尔可夫模型的手部姿态识别优化

基于隐马尔可夫模型的手部姿态识别优化

1. 手部姿态识别系统与隐马尔可夫模型优化的文献综述

近年来，无触摸电子设备相关技术不断涌现。在人机交互（HCI）中，手语识别是一个重要因素，它能借助人工神经网络，通过连续手势模式帮助聋哑人识别英文字母。然而，手部在3D环境中的连续动作，使得系统难以识别瞬间出现的关键状态。通过斑点算法，可将连续手势模式分割为多个无伪影的帧，提高系统的效率和准确性。

在基于隐马尔可夫模型（HMM）的研究中，人们关注到HMM模型码本中手势模式的高维性和冗余特征值问题，可利用稀疏编码（SC）在不改变表示的情况下进行压缩，并结合HMM + SC和矢量量化技术，有效利用码本中的数据。

此外，还提出了多种基于HMM的应用：
- 机器人控制 ：利用HMM进行手势识别来控制机器人。通过在机器人上安装RGB - D相机获取3D数据，传输到远程服务器后在VR设备上渲染。同时，基于HMM识别头部运动来推断用户意图，转化为控制命令。
- 虚拟环境动态手势界面 ：引入基于HMM的动态手势界面，用于表示连续动态手势。为避免手势识别中的斑点问题，使用标准差测量指纹中每个关节角度的变化。通过控制3D立方体旋转方向的三个动态手势原型，测试模型的有效性。
- 触觉增强系统 ：开发了虚拟逼真的触觉增强系统，让用户能通过触觉界面与虚拟伙伴握手。设计多模态反馈信号，营造与真人握手的感觉。为评估系统性能，进行了人机握手实验，比较了基本控制器和交互式机器人控制器两种方法，最终使用交互式控制器识别使用基本控制器模式的人类。该工作还扩展到识别3D位置、共享设备信息和