1、“.....李思岑等利用的深度摄像头，通过中值滤波进行手势分割，并用算子提取手势轮廓，再以之间位置完成之间检测，从而实现数字手势的识别。该方法能够很好的解决手指的移动容易识别的问题，但随着手势数量的增加，造成深度方向可分辨性降低，影响最终的识别效果罗元，神经网络实现对数字手势到的识别。实验结果证明该方法可适应复杂背景，且鲁棒性和稳定性都比般的手势识别方法好。关键词手势识别矩神经网络中图分类号文献标识码文章编号，高。图像处理使用过程中，通常所采集的深度图像存在着些噪声和空洞，这些噪声和空洞大多存在于目标的边缘。所以如果直接对获取的深度图像进行特征提取，其提取特征的特征值变化可能较大，进而影响识别算法的准确性。所以，在对手势进行分割后，需要对分割出的手部图像进行噪声的滤波与形态学处理，以此为后续识别准确性的提高打下基础。滤波处理常见的高斯滤波等方法算法简单且方便，但其在减少图像噪声的同时......”。

2、“.....是实现人机自然交互的重要手段之。传统基于数据手套的识别方法通过采集手部关节数据进行手势提取，构成复杂且成本高昂。随着计算机视觉技术的发展，基于视觉图像手势识别成为种主流研究方向之，但该类方法算法复杂，且易受光照背景摄像头特性等多因素影响，识别率不高。，模糊效应，从而影响后续的工作。本文采用双边滤波算法，在保证了平滑效果的同时，又能做到对边缘信息很好的保存。摘要针对基于视觉的手势识别技术对环境背景要求高的问题，提出了种利用深度信息进行手势提取和识别的方法。该方法首先采用深度摄像头提供的深度信息和肤色信息分割出手掌区域，并通过映射获得维手掌区域的值图像然后在维手掌区域中采用形态学操作，对手势图像进行处理接着利用矩对手势特征进行提取。最后采用引言手势具有直观性自然性等特点，是实现人机自然交互的重要手段之。传统基于数据手套的识别方法通过采集手部关节数据进行手势提取，构成复杂且成本高昂。随着计算机视觉技术的发展......”。

3、“.....但该类方法算法复杂，且易受光照背景摄像头特性等多因素影响，识别率，复杂背景下的手势识别方法论文原稿像进行处理接着利用矩对手势特征进行提取。最后采用神经网络实现对数字手势到的识别。实验结果证明该方法可适应复杂背景，且鲁棒性和稳定性都比般的手势识别方法好。关键词手势识别矩神经网络中图分类号文献标识码文章编号免了复杂背景对操作者手势指令的干扰，使其能方便的控制轮椅，但在识别阶段应用的模板匹配方法有时会出现相似分离，在目标识别与追踪方面有独特的优势。李思岑等利用的深度摄像头，通过中值滤波进行手势分割，并用算子提取手势轮廓，再以之间位置完成之间检测，从而实现数字手势的识别。该方法能够很好的解决手指的移动容易识别的问题，但随着手势数量的增加，造成深度方向可分辨性降低，影响最终的识别效果罗元等通过在矩的基础上加入个表达式，使不变矩包含更多细节特征，从而应用手势对轮椅进行控制，该方法有效地避间......”。

4、“.....将分量设置阈值，在中进行阈值判断。若中任点的分量值在范围内，则将对应的点得值图像的像素值赋值为，否则赋值为，通常取值。特征提取手势识别的过程是个实时的过程，对用户的动作要求迅速响应，这决定了复杂的特征提取方法对实时手势识别系统并不适用。在手势信息采集的过程中，用户距离摄像头的位置不同用户手形的区别手势的位置姿态均会有些变化。本文选择的具有目标不变性的特征提取方复杂背景下的手势识别方法论文原稿，大多数都是依靠经验尝试的方法来估计隐含层节点数目，但在估计的过程也可采用隐含层节点公式进行参考。其中为隐含层节点数目，为输入层节点数目，表示输出层节点数目，为个之间的常数。根据上述公式计算，隐含层节点数目可取范围在之间，加上分析不同隐含层数目是网络训练效果，最终选定隐含层神经元节点数目为个。本文在肤色检测的基础上利用深度信息实现手势区域的提取，在分割的过程中，首先利用场景深度信息划分出有效子空间，然后色检测的基础上利用深度信息实现手势区域的提取......”。

5、“.....首先利用场景深度信息划分出有效子空间，然后在该空间内进行肤色分割。在获取深度图像的同时，还获得了基于颜色空间的彩色图像。虽然和色彩模型均可用于肤色检测，但在应对光照场景环境以及肤色色度等干扰因素的变化时，色彩空间进行肤色分割的性能要明显的由于另外两种色彩空间。在颜色空间中，其分量能过很好地反应肤色。，不适合对实时性要求较高的手势识别系统。综上所述，本文正是依据高效且廉价的硬件平台，获取的深度信息不受光照背景等因素的影响，实现复杂背景下的手势识别。本文结构安排如下第节介绍手势识别方法，第节对实验结果进行汇总分析。复杂背景下的手势识别方法论文原稿。特征提取手势识别的过程是个实时的过程，对用户的动作要求迅速响应，这决定了复杂的特征提取方法对实时手势识别系统并不适用。在手势信息采集的过程中，用户距近年来，基于深度图像的手势识别正成为人机交互领域中的个研究和应用热点。该类方法能够方便地实现前景与背景的有效分离......”。

6、“.....对操作者造成危险通过对不同阈值期间的像素进行聚类分割手势区域，并根据手指的名称个数以及夹角建立层分类器对手势进行分类，结合对手部轮廓的采集。该算法具有较高的识别准确率，但计算量大，不适合对实时性要求较高的手势识别系统。综上所述，本文正是依据高效且廉价的硬件平台，获取的深度式为矩，此方法具有良好的特征，不仅能对不同的手势进行有效区分，而且能适应环境的改变不同用户手形的差异和同种手势的姿态变化，且特征具备旋转平移缩放的不变性。本文利用矩对十种数字手势进行特征提取，十种手势如图所示神经网络的手势识别手势识别使用的层网络的结果如图所示，它包含个输入层个隐含层和个输出层。近年来，基于深度图像的手势识别正成为人机交互领域中的个研究和应用热点。该类方法能够方便地实现前景与背景在该空间内进行肤色分割。在获取深度图像的同时，操作系统，以其实时性强基于优先级易维护种基于系统的实时控制系统的设计与实现论文原稿统，借助网络及模块的高速串口......”。

7、“.....该软件系统投入应用以来，经过长期有效的实际测试证实该系统实时高模块的嵌入式计算机串并口通信系统工业控制计算机，赵磊实时操作系统及其应用分析软件导刊，郑胜基于主板的嵌入式数据采集系统的研制西安西北工业大学，汤模块单元，然后监控系统将接收到的控制命令和状态请求的响应信息发送给控制系统，再由控制系统将接收的状态信息实时传送给操作界面进行显示。控制系统还可以接收本地键盘干预实时控制系统总共有大功能部分，分别为控制监控系统部分故障实时诊断系统部分系统数据库部分及报警功能部分。各个功能模块部分具体介绍如下控制监控系统。控制系统主要包括接统监控系统和操作显示界面组成。其中控制系统和监控系统都是基于模块和系统开发，利用语言进行开发，操作显示界面是基于操作系统采用。系统数据库。系统数据库不断实时更新自动记录的每个被监测信号的工作状态故障信息操作命令等事件信息，系统数据库提供查询功能......”。

8、“.....整个系统由控制系统监控系统和操作显示界面组成。其中控制系统和监控系统都是基于模块和系统开发，利用语言进行开发，操作显示界面是基于的控制命令和状态请求的响应信息发送给控制系统，再由控制系统将接收的状态信息实时传送给操作界面进行显示。控制系统还可以接收本地键盘干预命令，通过判断键盘的干预功能号种基于系统的实时控制系统的设计与实现论文原稿进行开发。控制系统与操作显示界面之间通过网络数据线进行通信，控制系统优势。李思岑等利用的深度摄像头，通过中值滤波进行手势分割，并用算子提取手势轮廓，再以之间位置完成之间检测，从而实现数字手势的识别。该方法能够很好的解决手指的移动容易识别的问题，但随着手势数量的增加，造成深度方向可分辨性降低，影响最终的识别效果罗元，神经网络实现对数字手势到的识别。实验结果证明该方法可适应复杂背景，且鲁棒性和稳定性都比般的手势识别方法好。关键词手势识别矩神经网络中图分类号文献标识码文章编号，高......”。

9、“.....通常所采集的深度图像存在着些噪声和空洞，这些噪声和空洞大多存在于目标的边缘。所以如果直接对获取的深度图像进行特征提取，其提取特征的特征值变化可能较大，进而影响识别算法的准确性。所以，在对手势进行分割后，需要对分割出的手部图像进行噪声的滤波与形态学处理，以此为后续识别准确性的提高打下基础。滤波处理常见的高斯滤波等方法算法简单且方便，但其在减少图像噪声的同时，降噪后目标的边缘产生复杂背景下的手势识别方法论文原稿引言手势具有直观性自然性等特点，是实现人机自然交互的重要手段之。传统基于数据手套的识别方法通过采集手部关节数据进行手势提取，构成复杂且成本高昂。随着计算机视觉技术的发展，基于视觉图像手势识别成为种主流研究方向之，但该类方法算法复杂，且易受光照背景摄像头特性等多因素影响，识别率不高。，模糊效应，从而影响后续的工作。本文采用双边滤波算法，在保证了平滑效果的同时，又能做到对边缘信息很好的保存......”。