使用CNN进行手语检测：使用人的手势和使用CNN-Keras-tensorflow的手势控制计算器识别ASL字母和数字

手语是听力障碍人士交流的媒介。 它使用手势而不是声音来传达意义。 它结合了手的形状、手、手臂或身体的方向和运动、面部表情和唇形来传达信息。 不同类型的项目是针对聋哑人、听力障碍的人进行的。 提出了一种用于手语识别的具有计算机人机界面的系统。 但是该项目存在全国范围内的差异。 该项目的主要思想是设计一个系统，用于在任何公共场所与外界进行交流，从而无需在公共场所进行口译。 在那个项目中，我们需要以数字符号的印度手语为数据库形式的孤立图像。 普通相机可用于获取此数字符号。 主成分分析 (PCA) 用于预处理，其中删除冗余和不需要的数据。

VoiceToDeaf Web应用程序 VoiceToDeaf是一种翻译器，可用于将语音翻译为手语命令。 应用程序的3D幽默模型负责表示与用户语音相关的手语命令。 此应用程序是为僧伽罗语语音开发的，它还根据僧伽罗语手语词典表示了手语命令。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 有关如何在实时系统上运行项目的注释，请参阅并遵循以下说明。 要求 此要求应添加到本地计算机上，以在本地计算机上配置和运行该应用程序。 后端： Python编程语言（Python 3.6） 烧瓶框架 Tensorflow机器学习库（CNN库） Anaconda Python发行平台（用于开发） 脾气暴躁的 Wav库 前端 React.js框架 Java脚本 Threejs框架 Node.js NPM软件包管理器 其他： 任何浏览器（用于运行和交互） 硬件：

提出一种基于肌电传感器 和加速度计的识别人体手势的智能信息系统

基于java开发的手语识别APP源码(毕业设计项目).zip 基于java开发的手语识别APP源码(毕业设计项目).zip 基于java开发的手语识别APP源码(毕业设计项目).zip 基于java开发的手语识别APP源码(毕业设计项目).zip 基于java开发的手语识别APP源码(毕业设计项目).zip

美国手语(ASL)数据集，我们为每个人的每个手势捕捉了60张照片(26个字母和空白)，从而准备了一个由60 x 5 x(26+1) = 8100张图像组成的数据集。然后对每幅图像进行Canny边缘检测预处理。我们已经将6480个预处理手势分配给训练集，1620个分配给验证集。数据集包括距离相机不同距离的手势图片。

沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

1. 使用的模型是centernet 2. 使用predict.py可以进行预测 3. 使用的环境是tensorflow 4. 建议安装cuda使用 5. 该检测容易误检人脸，建议演示时避免人脸靠得太近 6. 根据手语对照表可以使用项目检测相应的手语

BTP2 使用机器学习识别手语

是一个中国手语演示软件，本软件是一个网络版，可实现一对一手语演示