基于深度视觉的实时手势识别:一个审查
Cui Cui1,2, Mohd Shahrizal Sunar1,2, Goh Eg Su1,2
1Media and Game Innovation Centre of Excellence (MaGICX), Institute of Human Centered Engineering (iHumEn), Universiti Teknologi Malaysia, Johor Bahru, Malaysia.
PeerJ. Computer science
|September 24, 2025
概括
像卷积神经网络 (CNN),长期短期记忆 (LSTM) 和注意力机制这样的深度学习模型显著提高了手势识别的准确性和效率. 这次审查分析了它们的性能,数据集和评估指标,确定了未来进步的研究缺口.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 手的手势识别对于人机交互至关重要,但面临着诸如背景噪音,运动模糊和处理延迟等挑战.
- 包括CNN,LSTM和注意力机制在内的深度学习方法已经出现,以解决这些局限性.
研究的目的:
- 审查和比较深度学习模型 (CNN,LSTM,注意力机制) 用于手势识别.
- 分析用于基于深度学习的手势识别的评估指标,数据集和废除研究.
- 确定研究缺口,并建议未来的研究方向.
主要方法:
- 卷积神经网络 (CNN),长期短期记忆 (LSTM) 和注意力机制的比较分析.
- 讨论评估指标 (准确性,效率),数据集 (自创,公开) 和废弃研究方法.
- 综合现有关于深度学习用于手势识别的研究.
主要成果:
- CNN提高了边缘清晰度,LSTM提高了旋转精度,注意力机制优化了手势识别中的响应时间.
- 绩效评估非常依赖于衡量标准的选择和数据集的多样性.
- 废弃研究揭示了对模型组件,预处理和整合策略的洞察力.
结论:
- 深度学习模型在手势识别准确性和效率方面提供了显著的改进.
- 需要进一步的研究来解决准确性,效率,应用范围和环境适应性问题.
- 优化模型性能需要仔细考虑评估指标,数据集和实验设计.
