基于视觉的手势识别技术及其应用研究_张圆圆

合集下载

基于计算机视觉技术的手势识别研究与应用

基于计算机视觉技术的手势识别研究与应用手势识别是计算机视觉技术中一个非常重要的领域，通过对人体运动的分析和处理，可以实现人机交互的自然和智能化。

随着技术的不断进步，手势识别的应用范围也日益扩大，从电视遥控器、智能手表等家居设备，到医疗、教育、军事等领域，都可以看到手势识别技术的身影。

一、手势识别技术的发展历程手势识别技术起源于20世纪80年代，当时的研究主要集中在图像处理和模式识别等方面。

随着计算机视觉技术的不断发展，手势识别技术也逐渐得到了广泛应用。

20世纪90年代初，研究者们开始将手势识别与虚拟现实技术相结合，开发出了一些基于手势的交互系统。

21世纪初，随着深度学习技术的兴起，手势识别技术迎来了一次新的飞跃，并且逐渐应用在智能家居、智能医疗、智能教育等领域。

二、手势识别的技术原理手势识别的技术原理包括数据采集、特征提取、分类和应用等几个过程。

数据采集是指通过摄像头、传感器等设备获取人的手势运动信息。

特征提取是指将手势数据转化成计算机可以处理的形式，常用的方法包括SIFT、HOG等特征提取算法。

分类是指将特征描述出来的手势数据归到某个类别中，常用的分类器有支持向量机、最近邻算法等。

应用是指将手势识别技术应用到实际的领域中，比如游戏、医疗、教育等。

三、手势识别技术的应用1.游戏在游戏领域，手势识别技术可以用于体感游戏、虚拟现实游戏等，可以让玩家在更自然、更舒适的状态下进行游戏体验。

比如，微软的Kinect和索尼的PlayStation Move就是基于手势识别技术的游戏平台。

2.医疗在医疗领域，手势识别技术可以用于康复训练、手术操作辅助等，可以让医生和患者更方便、更高效地进行医疗操作。

比如，美国一家公司开发出了一种手势识别技术的假肢控制系统，可以让用户通过手势控制假肢的运动。

3.教育在教育领域，手势识别技术可以用于学生的动态评估和互动学习等，可以让教育更加生动、更加有趣。

比如，美国一家公司开发出了一种手势控制的教学工具，可以让学生通过手势操作控制教学内容的展示。

基于计算机视觉的手势识别的开题报告

基于计算机视觉的手势识别的开题报告一、研究背景和意义：随着计算机图像技术的发展和应用领域的扩大，手势识别技术作为计算机视觉领域中的一个重要分支愈发受到人们的重视。

手势识别的目的是通过计算机识别人体手势的动作，从而实现人机交互的过程。

手势识别技术广泛应用于多媒体交互、智能家居、虚拟现实等领域。

基于计算机视觉的手势识别系统包括数据采集、手势识别及应用三个步骤。

手势数据的采集方式主要有两种，一种是使用摄像头采集静态图像数据，另一种是使用传感器采集动态数据。

手势识别技术针对性强，属于一种高度复杂的计算机视觉问题，因此需要结合深度学习算法优化手势识别模型，提高识别精度。

二、研究目的：本研究旨在分析基于计算机视觉的手势识别技术，构建基于深度学习的手势识别系统，并对其进行优化，提高识别准确率。

同时，研究如何将该技术应用于多媒体交互、智能家居等领域。

三、研究内容：1. 手势识别技术的原理以及常用的手势识别算法的分析及比较。

2. 基于深度学习的手势识别系统构建，包括数据集的构建、神经网络的建立、训练和测试等。

3. 优化手势识别系统，包括调整神经网络结构、优化训练过程和使用传感器等手段对系统进行优化。

4. 将手势识别技术应用于多媒体交互、智能家居等领域，提高交互方式的多样性和智能性。

四、预期成果：本研究主要预期获得以下成果：1. 对手势识别技术的原理及其常用算法进行详细的分析和比较，为后续深度学习算法模型的构建提供必要的理论支撑。

2. 构建基于深度学习的手势识别系统，并对该系统进行优化，提高识别准确率。

3. 实现将手势识别技术应用于多媒体交互、智能家居等领域，并取得一定的应用效果。

五、研究方法：本研究将采用以下方法：1. 文献综述法：通过查阅相关文献资料，了解手势识别技术的发展历程、理论基础和常用算法，并进行分析和比较。

2. 数据采集法：使用摄像头进行红外线数据采集，构建手势识别数据集。

3. 深度学习算法构建法：基于Python语言使用TensorFlow深度学习库构建手势识别模型。

基于视觉的手势识别方法研究的开题报告

基于视觉的手势识别方法研究的开题报告一、研究背景随着智能化时代的到来，智能设备的普及使得人机交互成为越来越重要的话题。

而人机交互的重点之一就是如何让人们更自然、高效地与计算机进行交互。

传统的输入方法，如鼠标、键盘、触摸屏等，虽然简单易用，但是限制了用户的动作范围和姿态，而基于手势的输入技术，则可以让用户更自由、灵活地完成交互任务。

因此，基于视觉的手势识别方法成为了研究的热点之一。

二、研究目的本研究旨在探究基于视觉的手势识别方法，分析其优缺点，设计一种高效、准确的手势识别算法，并以此为基础，开发一款手势交互应用。

三、研究内容（1）基于视觉的手势识别技术研究本文将综述基于视觉的手势识别技术的研究现状和发展趋势，从传统的2D图像处理技术、机器学习技术到最近的深度学习技术，探究各种手势识别方法的优缺点，并结合实际应用场景进行比较分析。

（2）基于深度卷积神经网络的手势识别算法设计本文将研究基于深度卷积神经网络的手势识别算法，探究其在手势识别领域的应用优势和实现方式，并通过内部数据集和公共数据集进行模型训练和测试，分析算法性能和适用范围。

（3）手势交互应用设计与实现本文将在以上研究成果的基础之上，设计并实现一款手势交互应用。

该应用将支持多种手势识别，在完成特定的手势后，触发相应的操作，如控制音乐播放、调整屏幕亮度等。

四、研究意义（1）推动人机交互领域的发展本研究将探究基于视觉的手势识别技术，提出一种高效、准确的手势识别算法，并结合实际应用场景，设计一款应用，将推动人机交互领域的发展。

（2）拓展手势交互应用的应用范围本研究将提出一种高效、准确的手势识别算法，并结合实际应用场景，设计一款手势交互应用，将为用户提供更加灵活、自由的交互方式，拓展手势交互应用的应用范围。

（3）促进智能化时代的发展本研究将探究基于视觉的手势识别技术，提出一种高效、准确的手势识别算法，并结合实际应用场景，设计一款应用，将促进智能化时代的发展，为人们的生活带来更多便利和乐趣。

基于模式识别的手势识别技术研究进展

基于模式识别的手势识别技术研究进展手势识别技术是一种通过识别人的手势动作来实现交互的技术。

它可以将人体的手势动作解析为计算机可以理解的数字信号，从而实现与计算机的无接触交互。

随着模式识别技术的不断发展，基于模式识别的手势识别技术也得到了越来越广泛的应用。

本文将对基于模式识别的手势识别技术的研究进展进行探讨。

一、手势识别技术的基本原理基于模式识别的手势识别技术主要包括三个方面的内容：手势获取、特征提取和分类识别。

手势获取是通过各种传感器和设备获取人体手势动作的数据信息，如摄像头、传感器、深度相机等。

特征提取是将获取到的手势数据进行处理和分析，提取其中的关键特征。

分类识别是根据提取到的特征，通过机器学习和模式识别算法对手势进行分类和识别。

二、手势识别技术的应用领域基于模式识别的手势识别技术在许多方面都有广泛的应用。

首先，在人机交互领域，手势识别技术可以利用人的手势动作来实现计算机的控制和操作，比如在智能手机、平板电脑等移动设备上，通过手势识别可以实现手势操作的快捷控制。

其次，在虚拟现实和增强现实领域，手势识别技术可以实现虚拟环境中的手势交互和虚拟物体的操作。

此外，在医疗康复、体感游戏和智能家居等领域也有着广泛的应用。

三、基于模式识别的手势识别技术的研究方法在基于模式识别的手势识别技术的研究中，有许多不同的方法和算法被提出。

其中，常用的方法包括机器学习方法、神经网络方法和图像处理方法。

机器学习方法主要包括支持向量机、最近邻算法和决策树等，通过训练样本对手势动作进行分类和识别。

神经网络方法可以通过构建神经网络模型，对手势数据进行学习和训练。

图像处理方法则主要应用于手势数据的预处理和提取特征等步骤。

四、基于模式识别的手势识别技术的发展趋势随着科技的不断进步，基于模式识别的手势识别技术也在不断发展。

未来，手势识别技术在智能家居、智能汽车和智能机器人等领域将得到更加广泛的应用。

同时，随着深度学习技术的兴起，深度学习算法也将在手势识别技术中起到越来越重要的作用。

基于图像处理的手部姿态识别与手势分析研究

基于图像处理的手部姿态识别与手势分析研究从文字中我们可以了解到，任务名称是“基于图像处理的手部姿态识别与手势分析研究”。

在这篇文章中，我们将对基于图像处理的手部姿态识别和手势分析进行研究和探讨。

手部姿态识别与手势分析是计算机视觉领域中一个重要且具有挑战性的研究方向。

它可以应用于许多领域，如人机交互、虚拟现实、智能监控等。

手势是人与人之间的一种非语言交流方式，通过手势识别和分析，计算机可以理解人类的意图并作出相应的反应。

为了实现这个目标，图像处理是不可或缺的一环。

图像处理技术可以从图像中提取有用的信息，并帮助计算机理解手部姿态和手势。

这包括图像的预处理、手部特征提取、手部姿态估计和手势识别等。

首先，图像预处理是手部姿态识别和手势分析的第一步。

在这一步中，需要对输入的图像进行去噪、图像增强和图像分割等处理，以获得更加清晰明确的手部图像。

这可以通过滤波算法、对比度增强和阈值分割等技术来实现。

接下来，需要从图像中提取手部特征。

手部特征是识别和分析手势的关键。

常见的手部特征包括手指的位置、手指的角度、手掌的形状等。

可以使用特征提取算法，如边缘检测算法、形态学运算和轮廓提取等，来提取这些特征。

然后，通过手部姿态估计算法，可以推算出手部的具体姿态。

手部姿态可以包括手掌的朝向、手指的弯曲程度、手指的位置等。

常用的姿态估计算法有基于模型的方法和基于机器学习的方法。

基于模型的方法通过建立手部的三维模型，然后通过优化算法将模型与实际图像进行匹配，以估计手部的姿态。

而基于机器学习的方法则通过训练一定数量的手部姿态样本，使用分类器或回归器来学习手部姿态的映射关系。

最后，手势识别是基于图像处理的手部姿态识别与手势分析的最终目标。

手势识别可以根据手部的姿态和动作，将手势与相应的意图进行匹配。

这可以通过分类器、神经网络或深度学习方法来实现。

其中，深度学习方法在手势识别方面取得了显著的进展，通过卷积神经网络和循环神经网络等网络结构，可以从大规模的手势数据集中学习并识别出各种手势。

基于视觉的手势识别方法研究

基于视觉的手势识别方法研究基于视觉的手势识别方法研究摘要：手势识别技术在人机交互领域具有重要的应用价值。

本文对基于视觉的手势识别方法进行研究，从手势获取、特征提取、分类识别等方面综述了近年的研究进展，并对未来的发展趋势进行了展望。

1. 引言随着智能设备的普及和技术的不断进步，手势识别作为一种便捷的人机交互方式，受到了广泛的关注和研究。

手势识别技术可以将人的手势动作转化为计算机能够理解的信号，从而实现自然、直观地与计算机进行交互。

2. 手势获取手势获取是手势识别的第一步，主要通过摄像设备采集用户手势的图像或视频序列。

近年来，随着智能手机和深度相机的普及，手势获取的方式多样化。

传统的二维图像获取方法已经无法满足复杂手势的识别需求，因此三维手势获取方式逐渐得到广泛应用。

深度相机可以获取手势的三维坐标信息，更加准确地还原用户的手势动作，提高了手势识别的精度。

3. 特征提取手势的特征提取是手势识别的关键环节，特征的选择直接影响了手势识别的效果。

常用的手势特征包括形状、运动和纹理等信息。

形状特征包括手部区域的大小、形状等几何信息。

运动特征主要关注手势的速度、方向和加速度等动态信息。

纹理特征则从手势图像的纹理信息中提取特征，如手掌纹理、皱纹等。

最近，深度学习在手势特征提取中的应用取得了显著的成果，通过卷积神经网络等模型，可以从原始手势图像中学习到更加丰富、高层次的特征。

4. 分类识别手势分类是手势识别的核心任务之一，目的是将手势动作准确地归类到各个预定义的类别中。

常用的分类方法包括支持向量机、K近邻算法、决策树等。

近年来，深度学习在手势分类中的应用也得到了快速发展，通过深度神经网络模型，可以学习到更加抽象、有区分度的特征表示，提高了手势分类的准确性。

5. 发展趋势未来的手势识别方法研究将围绕以下几个方向展开：（1）多模态信息的融合：将手势图像与声音、动作等多模态信息融合，提高手势识别的鲁棒性和可靠性；（2）自适应学习：通过动态学习手势模型，逐步优化模型的准确性和适应性；（3）实时性与效率：通过算法优化和硬件支持，实现实时性较高的手势识别系统；（4）应用拓展：将手势识别技术应用于更多领域，如虚拟现实、智能家居等。

基于计算机视觉的手势识别技术研究

基于计算机视觉的手势识别技术研究随着科技的发展，计算机视觉技术得到了快速发展。

这种技术让机器能够像人一样看到、理解和作出反应。

在这个技术当中，手势识别技术无疑是一个有趣的研究领域。

手势识别技术可以使得人类与计算机之间的交互更加自然、有效。

它可以帮助人们更快地完成任务，并且也可以使得人们更容易地掌握新的工具和技术。

手势识别技术基本上是通过图像处理和机器学习技术来实现的。

系统会分析图片中的像素信息，然后使用机器学习算法将这些信息转化为特定的手势。

这些手势可以是语音指令，也可以是一些手势动作，比如向上挥手、缩小或放大手势等等。

这些手势可以激活特定的控制命令，例如开启电灯、调整音量等等操作。

手势识别技术不仅可以应用在个人电脑上，也可以用在公共场合，例如交通指挥、安防控制、办公室等地方。

在医学领域，手势识别技术也有着很广泛的应用。

比如说，在医院内，手势识别可以用于手术室中，在手术进行中，医生可以使用手势来控制机器人助手进行操作。

这样一来，医生不仅能够保持安静，还能够通过手势来及时地对机器人助手进行指挥。

此外，手势识别技术还可以应用在游戏领域。

通过手势识别技术，游戏玩家能够更加自然地操作游戏，而且能够有更多的沉浸感。

手势识别技术还可以让玩家体验更多的体感游戏，让游戏变得更加真实。

但是与其他技术一样，手势识别技术也存在着一些问题。

其中最大的问题之一就是准确性。

由于手势的复杂性，手势识别技术需要能够从图像中提取出有用的信息，然后通过机器学习算法来判断出手势所代表的具体意义。

这个过程中需要同时考虑到手势的大小、形状、位置、动作等因素，因此手势的识别会十分困难。

此外，手势识别技术还会受到环境的影响。

比如说光的影响、背景的影响、角度的影响等等都会对手势的识别造成干扰。

这些干扰因素会干扰识别系统，使得系统的准确性降低。

总之，手势识别技术是一种十分有趣和有前景的技术。

它让人们能够通过手势来完成各种操作，而且用途也非常广泛。

基于视觉的手势识别技术及其应用研究

基于视觉的手势识别技术及其应用研究张圆圆【期刊名称】《计算技术与自动化》【年(卷),期】2015(000)001【摘要】研究基于视觉的手势识别技术，并在 OpenCV 的平台基础上实现基于该技术的多媒体教学的应用，即在幻灯片播放的过程中能够由动态手势来控制幻灯片的翻页。

首先通过摄像头来采集图像，利用背景差分法结合颜色直方图检测动态信息完成手势的检测。

其次通过几种动态手势的跟踪算法的分析与比较，采用主流的非线性跟踪算法—粒子滤波算法。

最后是应用实现部分，将手势识别的结果应用于多媒体演示文稿的播放中，实现通过动态手势实时控制 PPT 翻页的功能。

%This paper studied the gesture recognition technology based on the vision,and realized the application of mul-timedia teaching based on the technology on the platform of OpenCV.That is,in the process of the slideshow flip,slide can be controlled by the dynamic gesture.Firstly,the gesture detection was impleminted through the camera to capture images and using background subtraction method combined with color histogram.Secondly,through the analysis and comparison of several dynamic gesture tracking algorithms,the mainstream nonlinear tracking algorithm-particle filter algorithm,was ad-rpted.The results of pattern recognition were applied to multimedia presentations,realizing the real-time control of PPT flip function by dynamic hand gesture.【总页数】5页(P131-135)【作者】张圆圆【作者单位】钦州学院物理与电子工程学院，广西钦州 535000【正文语种】中文【中图分类】TP391.4【相关文献】1.视觉手势识别技术在航天虚拟训练中的应用研究 [J], 康金兰;晁建刚;林万洪;熊颖;杨进2.基于长短时记忆和深度神经网络的视觉手势识别技术 [J], 何坚;廖俊杰;张丞;魏鑫;白佳豪;王伟东3.基于长短时记忆和深度神经网络的视觉手势识别技术 [J], 何坚;廖俊杰;张丞;魏鑫;白佳豪;王伟东4.基于计算机视觉技术的手势识别步骤与方法研究 [J], 罗国强;李家华;左文涛;方斌5.视觉手势识别技术在新冠疫情防控的应用研究 [J], 黄昌正;陈曦;周言明;刘润锋因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

图１手势识别系统流程图
２．２动态手势检测２．２．１图像的实时采集目前用来采集视频数据的设备主要是摄像头及图像采集卡。考虑现有的条件下及研究的实现性，决定利用简单的ＵＳＢ接口的摄像头作为硬件，采集帧数是３０ＦＰＳ。视频数据流的采集软件上主要有Ｖ和ＤｉｄｅｏｆｏｒＷｉｎｄｏｗｓ（ＶＦＷ）ｉｒｅｃｔＳｈｏｗ。两者都是微软公司推出的可以实时采集数字视频的软件，后者对采集到的数据流还可以进行后续处理，且几乎支持所有的媒体格式，像ＡＳＦ、ＭＰＥＧ、、范围ＡＶＩＭＰ３等。就采集速度而言，ＶＦＭ较慢，在９—１而Ｄ２ＦＰＳ，ｉｒｅｃｔＳｈｏｗ的ＦＰＳ大概在６０左右，相对较快。为了实现较好的实时性，采用Ｄｉ－ｒｅｃｔＳｈｏｗ软件。２．２．２图像的预处理光线条件的不同会影响图像采集的效果，导致实时采集到的图像与实际有误差。这是由于运动光源会影响到手势肤色的变手势检测的过程中，化，使偏离本质画面，这时就要采用补偿光来抵消
参考白” 的方法对图像色彩的偏差。一般都采用 “ 图像进行补偿。根据图像要求的补偿系数把图片的亮度线性放大，具体操作就是将图片的ＲＧＢ值调大。运动手势的特征提取就是其图像的肤色提取，颜色的特征最常用的就是通过颜色直方图，任意一副图像都仅有唯一对应的颜色直方图。因此运动手势的图像特征就转化为颜色直方图来进行分析。再者，在采集视频数据的同时，外部干会影响到图像的质量，为了能够稳定的采集图像，需要消除噪声，当前普遍采用的方法有自适应滤波法和中值滤波法等。中值滤波的方法就比较明显，相对来讲得到的图像较平滑。另外最简单的图像分割法就是阈值法，在进行阈值运算之前，需要将图像的多灰度级转化为只有两个灰度级，这就是图像的二值化。２．２．３动态手势检测与分割摄像头实时采集到的视频数据，是由一系列的数据帧构成的。就是在每一帧里面把手势区域分
手势识别系统的结构图如图２．第一步是通１所示，过摄像头实时检测到手势的运动图像即视频的数据流；然后，从截取的视频数据流中检测出所需要并对目标手势进行跟踪；接着对目标手势的手势，的这一运动中的关键帧进行分析，识别；最后，将识别出的结果按照程序设定的应用对演示的多媒体进行相应的操作。
现代的教学系统中及多媒体的使用上。因此，我们还需要在不断地研究手势识别在教学领域中的应用。
２基于视觉的手势识别技术研究
２．１基于手势识别的系统介绍基于手势识别系统的搭建需要经过三步：手势
２检测、
（）文章编号：１００３－６１９９２０１５０１－０１３１－０５
基于视觉的手势识别技术及其应用研究
张圆圆
（）钦州学院物理与电子工程学院，广西钦州５３５０００
研究基于视觉的手势识别技术，并在ＯｅｎＣＶ的平台基础上实现基于该技术的多媒体教学的摘要：ｐ即在幻灯片播放的过程中能够由动态手势来控制幻灯片的翻页。首先通过摄像头来采集图像，利用应用，背景差分法结合颜色直方图检测动态信息完成手势的检测。其次通过几种动态手势的跟踪算法的分析与采用主流的非线性跟踪算法 — 粒子滤波算法。最后是应用实现部分，将手势识别的结果应用于多媒比较，体演示文稿的播放中，实现通过动态手势实时控制ＰＰＴ翻页的功能。关键词：手势识别；背景差分；粒子滤波；实时控制中图分类号：ＴＰ３９１．４文献标识码：Ａ
１］。由于量信息，以致可以精确的确定手势的信息［
这种装置使用的场合比较特殊，在实际生活上很难被推广。因此基于视觉的手势识别就得到大量的研究。基于视觉的手势识别是指利用摄像头将采
收稿日期：２０１４－０４－１０，作者简介：张圆圆（女，河南商丘人，讲师，硕士，研究方向：智能化检测与控制技术。１９８７—）：通讯联系人，Ｅ－ｍａｉｌｚｈａｎｕａｎ８７０６＠１６３．ｃｏｍｇｙ
的动态，并把手势的变化这一信息传送给需要的设备，进而控制该设备。较早的手势识别研究是基于激光笔和鼠标之类的输入设备的书写与识别。严格来讲手势的识别来源于跟踪器的识别，在手上安利用传感器传回的信息来跟踪手势。装好传感器，应用较多的就是手套式装置，这种装置能够携带大
第３４卷第１期２０１５年３月
计算技术与自动化ＣｏｍｕｔｉｎＴｅｃｈｎｏｌｏａｎｄＡｕｔｏｍａｔｉｏｎｐｇｇｙ
Ｖｏｌ．３４，Ｎｏ．１ａｒ．２０１５Ｍ
DOI:10.16339/ki.jsjsyzdh.2015.01.028
ＲｅｓｅａｒｃｈｏｎＶｉｓｕａｌＧｅｓｔｕｒｅＲｅｃｏｎｉｔｉｏｎＴｅｃｈｎｏｌｏａｎｄＩｔｓＡｌｉｃａｔｉｏｎｇｇｙｐｐ
目的是使系统设计能够识别人的特定手势或手势
１引言
手势作为人类的一种普通的肢体语言，在日常活动的交流中起着重要的作用，因此基于手势识别的交互活动在生活中有着独特的优势。随着计算机技术的不断改进与发展，替代原来的键盘和鼠标，将手势识别应用于与计算机的交流上，将带来人机交互的全新发展。基于手势识别的多媒体控制是一个由众多需学科综合性较强的研究。手势识别的求所引导的，
ｕａｎＺＨＡＮＧＹｕａｎ－ｙ
（，，，）ＱｉｎｚｈｏｕＵｎｉｖｅｒｓｉｔＣｏｌｌｅｅｏｆＰｈｓｉｃｓａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｉｎｅｅｒｉｎＱｉｎｚｈｏｕＧｕａｎｘｉ５３５０００，Ｃｈｉｎａｙｇｙｇｇｇ：，ｂｓｔｒａｃｔＴｈｉｓａｅｒｓｔｕｄｉｅｄｔｈｅｅｓｔｕｒｅｒｅｃｏｎｉｔｉｏｎｔｅｃｈｎｏｌｏｂａｓｅｄｏｎｔｈｅｖｉｓｉｏｎａｎｄｒｅａｌｉｚｅｄｔｈｅａｌｉｃａｔｉｏｎｏｆｍｕｌ－Ａｐｐｇｇｇｙｐｐ，，ｔｉｍｅｄｉａｔｅａｃｈｉｎｂａｓｅｄｏｎｔｈｅｔｅｃｈｎｏｌｏｏｎｔｈｅｌａｔｆｏｒｍｏｆＯｅｎＣＶ．Ｔｈａｔｉｓｉｎｔｈｅｒｏｃｅｓｓｏｆｔｈｅｓｌｉｄｅｓｈｏｗｆｌｉｓｌｉｄｅｃａｎｇｇｙｐｐｐｐ，ｃｏｎｔｒｏｌｌｅｄｂｔｈｅｄｎａｍｉｃｔｈｅｄｅｔｅｃｔｉｏｎｗａｓｉｍｌｅｍｉｎｔｅｄｔｈｒｏｕｈｔｈｅｃａｍｅｒａｔｏｃａｔｕｒｅｉｍａｅｓｂｅｅｓｔｕｒｅ．Ｆｉｒｓｔｌｅｓｔｕｒｅｙｙｐｇｐｇｇｙｇ，ｕｓｉｎｂａｃｋｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｃｏｌｏｒｈｉｓｔｏｒａｍ．Ｓｅｃｏｎｄｌｔｈｒｏｕｈｔｈｅａｎａｌｓｉｓａｎｄｃｏｍａｒｉｓｏｎｏｆａｎｄｇｇｇｙｇｙｐ，ｓｅｖｅｒａｌｄｎａｍｉｃｅｓｔｕｒｅｔｒａｃｋｉｎａｌｏｒｉｔｈｍｓｔｈｅｍａｉｎｓｔｒｅａｍｎｏｎｌｉｎｅａｒｔｒａｃｋｉｎａｌｏｒｉｔｈｍａｒｔｉｃｌｅｆｉｌｔｅｒａｌｏｒｉｔｈｍ，ｗａｓａｄ－ｐ－ｙｇｇｇｇｇｇ，ａｔｔｅｒｎｒｅｓｅｎｔａｔｉｏｎｓｒｔｅｄ．ＴｈｅｒｅｓｕｌｔｓｏｆｒｅｃｏｎｉｔｉｏｎｗｅｒｅａｌｉｅｄｔｏｍｕｌｔｉｍｅｄｉａｒｅａｌｉｚｉｎｔｈｅｒｅａｌｔｉｍｅｃｏｎｔｒｏｌｏｆＰＰＴｆｌｉ－ｐｐｐｇｐｐｇｐｅｓｔｕｒｅ．ｂｄｎａｍｉｃｈａｎｄｆｕｎｃｔｉｏｎｇｙｙ：；；；Ｋｅｗｏｒｄｓｅｓｔｕｒｅｒｅｃｏｎｉｔｉｏｎｂａｃｋｒｏｕｎｄｄｉｆｆｅｒｅｎｃｉｎａｒｔｉｃｌｅｆｉｌｔｅｒｒｅａｌｔｉｍｅｃｏｎｔｒｏｌ－ｇｇｇｇｐｙ