基于传统的手部轮廓特征提取不能应对飞行模拟环境下的脸部肤色、遮挡、光照影响, 以及传统的傅里叶描述子特征容易受到背景、手的姿态变化, 且对手势描述能力有限等问题, 对传统的手部分割和特征提取方法改进. 本文首先对采集的数据集进行肤色处理, 然后结合调用的手部关键点模型检测出手部22个特征点, 采用八向种子填充算法进行图像分割. 接着对手部轮廓和关键点连接骨架进行傅里叶描述子算法特征提取, 最后通过支持向量机算法对提取的手势特征数据集进行训练、识别. 实验结果表明, 本文方法具有较好的手部分割, 特征提取不易受到背景、手的姿态变化的影响, 能够很好地应对在飞行模拟环境下的复杂背景下的干扰, 识别准确率能够达到98%. 本文研究在传统的手势识别算法中有一定的提高作用, 在手部交互技术领域有很重要的应用价值.

代码下载即可运行，精准的实现了手部的分割，可根据本代码举一反三，应用于其他方面的分割，是个很好的学习资源

实现了基于opencv的手部运动跟踪，利用了模板匹配的方法，首先载入模板，将其灰度化（加快匹配速度），然后从摄像头或者电脑硬盘中读取视频，将视频的每一帧二值化后与模板进行匹配，最后用长方形画出匹配区域，并用圆形标明中心

融合手部骨架灰度图的深度神经网络静态手势识别.pdf

pca特征提取的matlab代码脑电手部运动解码 该研究项目的主要目标是使用机器学习和信号处理算法从原始 EEG（脑电图）信号中对手部动作进行分类。 使用的一般思想是从原始 EEG 信号（功率谱密度）中提取频谱特征，并使用这些特征来训练卷积神经网络 (CNN) 进行分类。 所需的 Python 库 TensorFlow NumPy Scikit-学习 Matplotlib 存储库结构 MATLAB：生成数据文件和数据文件的MATLAB代码。 辅助：辅助功能。 绘图：原始信号和计算特征的可视化。 plot_features.py 原始PSD_class.py unit_tests ：单元测试。 average_PSD_test.py example_generation_test.py PCA_on_PSD_test.py power_spectral_density_test.py RawPSD_class_test.py 频谱图_test.py 文档：实现算法的文档。 特征计算算法.pdf 研究报告.pdf 模型：用于特征提取和分类的端到端模型。 分类器：分类模型。 CNN：卷积神经

面向手部康复应用的数据手套技术研究.pdf,疾病或意外发生后经常会引起患者的手部功能障碍，但目前手部康复评估仍然依赖医生经验等主观判断，市场上现有的部分康复产品结构复杂、价格昂贵，而且无法长期记录病人的康复数据，不便于医生进行诊断和复查。提出了一种面向手部康复的多传感器数据融合手套，采用最小二乘法对加速度和地磁进行校正，利用互补滤波进行传感器数据融合，依据真实手骨模型进行虚拟手部建模，用数据手套获得的手部姿态驱动Unity3D中的手部模型。该系统可以准确地记录手的姿态信息，并在虚拟环境中进行实时还原，能高效地帮助医生进行康复评估和协助患者进行康复训练。

肌电康复设备 这个资料库是关于我的最终项目计划，基于EMG传感器的手瘫患者医疗康复设备的设计和制造 该设备可帮助手部瘫痪的人增强其手部力量，并帮助其康复，使其手部恢复正常健康 残疾人不能自由工作或受到限制，其中之一是由于中风或脊椎受伤而导致手瘫痪。 作为人类经常使用的一种运动手段，手在他们的日常生活中起着重要的作用，因此人类对自己的身体工具的依赖性非常大。 为了能够治愈瘫痪，其中之一是通过制造康复工具来帮助某人使瘫痪的手的状况恢复正常。 一种康复工具，用于刺激手指中的肌肉运动并帮助它们在闭合和张开手时更强壮地运动。 基于肌电图（EMG）传感器的外骨骼形设备可以支撑人的手以及无需外部帮助即可移动的自主康复工具。 外骨骼本身是手套的形式，该手套装有可以支撑手的固体材料制成的操纵器。 工具中使用的系统是一种模式识别系统，能够对打开和关闭手的基本动作以及握力的变化进行分类。 使用的分类是反向传播

行业分类-电器装置-用于手部功能障碍患者自主康复训练的肌电假手.zip

深度学习 数据集利用 1. YOLO网络检测手部的数据集 2. JPEGImages文件夹里，可见的图像数据。 3. Annotations文件夹里，已经标注好的xml文件，可直接训练。

行业分类-电子政务-一种带负离子发生器和手部按摩装置的电脑主机.zip