随着虚拟现实技术的发展，虚拟现实系统在越来越多的行业得到推广和应用，而人机交互技术是增强系统沉浸感、提升用户体验效果的关键技术之一。为实现利用手势交互技术进行虚拟场景控制的目的，基于隐马尔科夫模型（HMM）构建了手势识别模型，并对模型参数的设置进行了分析；基于Leap Motion研究了手势数据采集与分割方法，设计了手势识别系统技术框架；最后进行了仿真实验，95%以上的准确率说明了模型的有效性。

IMUCalibration-Gesture calibration for Imu and show gesture 0.相关博客: 1.读入数据 load('caldata.mat') 2.运行校正算法 [Ta,Ka,Ba,Tg,Kg,Bg,Tm2a,Bm,Vm,mag_strength]=ImuCalibration_Gesture(cal_data) 3.校正部分 加速度、角速度 conference A Robust and Easy to implement method for imu calibration without External Equipments 磁力计 算法mag2acc_matrix假设重力与磁向量的夹角不变，算法Cal_mag4acc_frame利用不同姿态下传感器感受的磁通向量的变化与姿态变化的相关性，计算参数。 4.参数部分 cal_acc=Ta

RHScan - 实现二维码扫描功能，含各种UI、手势放大缩小镜头、仿微信扫码放大

折线图，支持放大缩小，横向定位放大,增加长按功能

复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.

Android中使用GridView分页显示系统所安装的应用，并支持手势左右滑动 码源说明：http://blog.csdn.net/Yao_GUET/archive/2011/05/05/6397197.aspx 更多内容请登录我的blog: http://blog.csdn.net/yao_guet

手势识别 使用Flex和IMU传感器进行深度学习的手势识别

手势 隔空 翻书

手势识别数据集，这是工程实践大作业，老师发的手势识别数据集，采集过程未知。 手势识别数据集，这是工程实践大作业，老师发的手势识别数据集，采集过程未知。 手势识别数据集，这是工程实践大作业，老师发的手势识别数据集，采集过程未知。

基于机器学习的动态体感手势识别系统_高鑫.caj