2018年电赛D题手势识别系统基于STM32F103ZET6精英开发板的完整代码设计

1设计摘要　　目前，研究自然化的人机交互是当今计算机科学技术领域的主要研究热点之一，手势输入作为一种自然、丰富、直接的交互手段在人机交互技术中占有重要的地位。本项目提出以Xilinx公司Spartan 6系列FPGA为器件的手势识别系统设计的方案，采用FPGA芯片的内置DSP硬核作为手势识别模块的,负责图像识别算法的实现，采用FPGA作为图像采集模块的控制中心,负责图像的采集,完成预处理和摄像头聚焦和云台的控制工作，以FPGA高速强大的处理能力保证了系统的实时性。手势识别部分融合人手颜色信息和手势运动信息，利用种子算法对复杂背景下的手势进行分割。根据分割出的手势区域大大加速了运动特征参数的提取

基于STM32H750+openmv部署简易图像识别模型

向您的Arduino项目添加手势（机器人，HMI，灯光等）。

BandMyo数据集 这是BandMyo数据集，用于基于sEMG的手势识别。 BandMyo是一个基于sEMG的手势识别数据集，其前臂上戴着一个Myo臂章。 如图15所示，它包含15个静态手势。 招募了六名受试者进行数据收集，其中包括四名男性（21-26岁）和两名女性（23-25岁）。 在数据收集过程中，对象会在视频指导下执行所有15个手势，并同时记录sEMG信号。 完成15个手势后，对象将脱下设备并稍作休息。 随后，他/她再次拿起设备并重复之前的步骤。 最后，此过程重复8次，每次重复都是由主体在不同情况下做出的。 要使用此数据集，请引用： @article {zhang2021feature，title = {一种基于高密度sEMG的手势识别的特征自适应学习方法}，作者= {Zhang，Yingwei and Chen，Yiqiang and Yu，Hanchao and Yang

最新的基于kinect的手势识别源代码，可以存储自己的手势，然后进行识别。对于刚接触kinect的初学者将是一个好的学习代码

常用手势识别：滑动(单指双指，切换不跳动)，缩放，旋转(360度无死角)

使用手势识别的CNNLSTM 使用GRIT数据集，构建了将2D CNN与LSTM相结合的模型，以从webCam视频提要中执行实时手势识别。 也使用LSTM建立了使用3D CNN的另一个模型。 目标 构建能够实时检测视频中手势的计算机视觉深度学习模型。 模型应能够在低端设备上运行。 （没有GPU） 模型应该可以快速训练（30分钟内进行训练） 在每个手势动作中使用有限的样本来提取可用的准确性。 预先处理 由于我们的动机是运动识别，因此我们首先必须检测帧序列之间的运动。 我使用时差法。 时间差异涉及两个或三个连续帧之间的差异，然后凝结连续帧之间的差异以提取运动对象的运动。 它非常容易且快速地进行计算，并且在动态环境中具有更好的性能。 使用等式计算差分图像： Δ = (

程序能跑，对于学习手势识别的童鞋是不错的资源

触屏手势