指尖特征论文

指尖特征论文（通用3篇）

指尖特征论文 篇1

0 引言

基于机器视觉的手势交互是智能人机交互HCI(Human Computer Interaction)的关键技术之一[1-5],旨在提供更方便快捷的人机视觉接口。在静态手势识别中,主要解决三个问题[2,3,5-7]:手势分割、手势特征提取与分析和手势识别。文献[1,5]等的方法能很好地分割出精确手势区域,为手势特征提取和识别提供了良好的基础。手势识别广泛采用实时性较好的模版匹配算法[1,5]获得鲁棒的识别结果。

不同手势类型主要由不同手指数量和组合表示,手指部分代表了手势的关键[1,5]。在手势特征提取与分析中,文献[8]通过“U”特征分析手势类型,但并非每个手势都有平滑的“U”特征,鲁棒性较差,手势类型数也受到限制。文献[1]通过提取手势边缘与掌心的相对距离曲线特征并引入FEMD的概念,通过模版匹配可靠地判断出手势类型。文献[6]通过计算手势边缘梯度分解特征,得到了较好的识别效果。文献[5]使用的基于半径的凸包分解算法,经过多次计算形状凹度和复杂的手势骨架提取算法,最后进行模版匹配,较好地判断出手势类型。然而,文献[1,5,6]的方法计算复杂度均较高,不利于实时识别。为提高手势识别实时性并同时保持健壮的鲁棒性,本文提出并证明了任意手势基于指尖角度集核密度估计序列KDES-FAS(Kernel Density Estimation Sequence of Fingertip Angle Set)特征提取方法的有效性。

1 手势分割

采用文献[1]的结合有标记的RGB图像和Kinect深度数据[9]方法,容易获得精确的手势分割效果,如图1所示。

图1 文献#xref_id=137#的手势分割效果

2 指尖角度集核密度估计序列特征提取

2.1 指尖角度集

通常手势类型,如图2所示,l1表示手小臂所在直线(本文采用图1(c)手势图像长轴所在的直线),l2表示图1(a)中标记手环所在的直线,l1⊥l2。总可以有一个沿直线l2向右的单位向量e,此时<e,x><90°。本文定义向量e为手腕切割向量。

图3是精确分割后的手势模型,向量e为手腕切割向量,点O为将精确分割的手势图像距离变换[1]取距离灰度图像最大灰度值点所得的手势中心点,R2为手势以O为圆心的手势外接圆半径。

式中α1、α2值的选取需满足对任意手势指尖区域(阴影部分)互不连通。向量Mi表示从点O指向指尖区域每个像素点的向量,称Mi为指尖向量。

以下定义指尖角度集:有这样一个角度集合S:

其中N1为指尖区域像素点数。称集合S为手势指尖角度集。

2.2 核密度估计

核密度估计[10]在概率论中用来估计未知的密度函数,属于非参数检验方法之一,由Rosenblatt和Emanuel Parzen提出,又名Parzen窗。对于数据x1,x2,…,xN,核密度估计的形式为:

其中h>0。

式中,K(·)为核函数,满足且对任意u存在K(u)≥0,h为带宽。核函数与带宽的选取决定着估计效果的好坏程度。核函数的选择取决于根据距离分配各个样本点对密度贡献的不同。常用的核函数有均匀核、高斯核、余弦核、指数核等。通常,h对密度估计分布的光滑程度影响很大,选择合适的h非常重要。本文运用核密度估计理论获取平滑的指尖角度集核密度估计序列。

2.3 指尖角度集核密度估计序列

精确的手腕切割向量e在实际中不易取得,而传统的基于互相关系数的形状匹配算法需要相位漂移参数[11],这给后文手势特征形状匹配带来困难。为此,先将集合S在有效角度区间[θmin,θmax]内归一化处理,即:

式中,Nangle表示一个指尖角度集样本的元素数,与式(2)中相应样本的N1相等。

鉴于指尖角度集的性质,选取高斯核作为核函数K(·),即:

推导得核密度估计:

其中i=1,2,…,Nangle,h>0。

式中,带宽h的选取本文在第4节详细讨论。

至此得到了样本手势的指尖角度集核密度估计特征,类似于文献[1]中手势边缘与掌心的相对距离曲线。文献[1]中的特征曲线不够平滑,难以采用相关性匹配方法进行识别,而采用高复杂度的最小FEMD(H,Tc)算法进行模版匹配。

为进一步减少匹配复杂度,对进行均匀采样得到指尖角度集核密度估计序列:

其中:

式中,Nsam为均匀采样点数。

对于拓扑结构[5]相同的不同手势类型,由于指尖区域间距离和各指尖所占的比重不同,这给KDES-FAS特征带来明显差异。本文方法仅选取指尖区域进行特征提取,这也有效解决了文献[1]中手指相互靠得过近所带来的识别困难。另外,KDES-FAS特征完全满足手势平移,缩放和旋转不变性。

3 手势识别

采用基于KDES-FAS互相关系数形状匹配[11]的方法识别手势类型,KDES-FAS平均互相关系数:

式中,c表示手势类型,N表示手势类型数,n表示每种手势类型的模版数,Hinput表示输入手势,T表示模版手势,手势识别匹配算法如下:

其中,Γmat为匹配阈值,Γmat∈(-1,1),Houtput表示输出手势类型。

4 实验分析与比较

4.1 带宽h的选取

对图4(a)手势类型距离变换[1]得到距离灰度图像并找取掌心点如图4(b),取式(1)中得到手势指尖部分如图4(c)。

图4 手势距离变换和关键位置获取

对图4(c)指尖样本取不同的带宽h,取式(7)中采样点数Nsam=200。得到的KDES-FAS特征如图5所示。由图5可知,随着带宽h的增大,KDES-FAS特征越平滑,当h>0.2时失去了表征手势特征的意义。另一方面,分别选取图6中6种一般手势类型各5个样本{Hc,i|c=1,2,…,6;i=1,2,…,5},内部手势平均相关系数与带宽h的函数,i≠i'曲线如图7所示。由图5和图7可知,h选取过大或过小均不利于KDES-FAS特征的有效提取和内部手势的匹配识别。一般地,为了能同时最小化内部手势差异性和最大化外部手势差异性,选取带宽h=0.1作为KDES-FAS特征的合适取值。

图5 不同带宽h下的KDES-FAS特征

图6 6种一般手势类型

图7 不同带宽h下的内部手势平均相关系数

4.2 特征提取的比较

对图6中6种一般手势,分别采用文献[1]和本文的方法对其特征提取,相对距离特征和KDES-FAS特征如图8所示。由图像可知,本文提取了一般手势的概率特征KDES-FAS,而不是精确表征手势的手势特征。KDES-FAS特征比精确表征手势类型的一般特征更稳定光滑,可以采用计算量较小且鲁棒性好的相关系数形状匹配算法进行匹配识别,而不需要文献[1]计算量巨大的FEMD算法,这有利于手势识别的鲁棒性和实时性。

图8 相对距离和KDES-FAS特征

4.3 鲁棒性与实时性实验验证与比较

本文实验硬件环境包括台式计算机一台(Win7系统,Core(TM)i3处理器,2 GB内存),Microsoft公司的XBOX 360一台。软件环境为Visual Studio 2010,所有代码基于Kinect for Windows SDK v1.7采用C#语言编写完成。

一般地,取匹配阈值Γmat=0.75,式(8)中n=5,可以很好地识别出待识别手势和区分出未采样手势。在相同硬件和软件环境条件下,将600个手势样本(分别来自10位实验者,每位实验者分别采集正常和较暗光照条件下各30个样本。实验背景均为如图1(a)所示实验室一般复杂背景条件)。分别连续采用文献[1]和本文方法统计识别率和耗时,实验结果如表1所示。由表可知,本文方法平均识别率比文献[1]提高4.23%,平均耗时仅为文献[1]阈值分解+FEMD方法的7.7%。实验表明,该特征提取方法的手势识别鲁棒性强,实时性有显著提高。

表1 鲁棒性和实时性实验结果

5 结语

本文通过对一般手势定义指尖角度集和引入核密度估计理论,对任意手势进行指尖角度集核密度估计序列特征提取并采用形状匹配算法进行识别。对不同状态下的一般手势识别率达到93.6%,单幅识别平均耗时仅为0.0367 s。显著提高了任意手势识别的鲁棒性和实时性,对手势的实时识别人机交互具有理论意义和实际应用价值。

参考文献

[1]Ren Z,Yuan J,Meng J,et al.Robust part-based hand gesture recognition using kinect sensor[J].Multimedia,IEEE Transactions on,2013,15(5):1110-1120.

[2]Suarez J,Murphy R R.Hand gesture recognition with depth images:Areview[C]//RO-MAN,2012 IEEE,2012:411-417.

[3]Yao Y,Zhang F,Fu Y.Real-Time Hand Gesture Recognition Using RGB-D Sensor[M].Computer Vision and Machine Learning with RGB-D Sensors.Springer International Publishing,2014:289-313.

[4]Kao C Y,Fahn C S.A human-machine interaction technique:hand gesture recognition based on hidden Markov models with trajectory of hand motion[J].Procedia Engineering,2011,15(1):3739-3743.

[5]Qin S,Zhu X,Yang Y,et al.Real-time hand gesture recognition from depth images using convex shape decomposition method[J].Journal of Signal Processing Systems,2014,74(1):47-58.

[6]ElS aadany O S,Abdelwahab M M.Real-Time 2DHoG-2DPCA Algorithm for Hand Gesture Recognition[M]//Image Analysis and ProcessingICIAP 2013.Springer Berlin Heidelberg,2013:601-610.

[7]包加桐,宋爱国,郭晏,等.基于SURF特征跟踪的动态手势识别算法[J].机器人,2011,33(4):482-489.

[8]Lahamy H,Lichti D.Real-time hand gesture recognition using range cameras[C]//Proceedings of the Canadian Geomatics Conference,Calgary,Canada,2010,38(5):357-362.

[9]Zhang Z.Microsoft kinect sensor and its effect[J].MultiM edia,IEEE,2012,19(2):4-10.

[10]Luo N,Qian F.Multi-objective evolutionary of Distribution Algorithm using kernel density estimation model[C]//Intelligent Control and Automation(WCICA),2010 8th World Congress on.IEEE,2010:2843-2848.

[11]Lv L,Liu Y,Zhang W,et al.Shape Profile Matching and Its Applications[J].Journal of Software,2009,4(5):413-421.

指尖特征论文 篇2

人机交互(Human computer interaction, HCI)是研究人、计算机以及两者之间相互影响的技术。长期以来,鼠标、键盘和操纵杆作为输入设备,一直在人机交互系统中扮演着十分重要的角色。随着计算机技术的迅猛发展,研究符合人类自然交流习惯的人机交互技术显得十分活跃,如手势识别、人脸识别、表情识别、指尖识别等。

在人机交互中,指尖识别与跟踪主要有数据手套和计算机视觉识别等方法[1]。很多研究者使用数据手套或者是在手指上贴上特殊的标记来进行手势识别[2],虽然这种方法可以达到实时的要求,但是增加了用户的负担,对接口等设备要求较高。利用3D摄像头或红外摄像头,缺点在于三维重建所带来计算复杂度高的问题。而利用HMM等算法进行手势识别,训练计算量具有高复杂性的特点[3]。

计算机视觉识别的方法难度主要集中在两个方面:(1)如何准确地将完整的手部区域提取出来;(2)如何选择合适的特征检测指尖。为了保证得到清晰无误的前景分割结果,很多检测算法对背景和光照条件都做了不同程度的限制;也有一些算法对指尖运动做一定约束,如假设手指总是指向最上方[1,4],即便如此,要得到准确的指尖位置,一般对轮廓的要求还是比较高。为了克服以上缺点,本文中研究并实现了一种实时的手部分割与指尖检方法,此方法不借助任何外界设备,也不对指尖运动做特殊约束,能对手势进行精确分割并实现多个指尖的准确检测,实验证明此方法实时性好鲁棒性强,可应用于实际系统中。

1 复杂环境下的手部分割

在人体表面,肤色是最为显著的特征之一,是人脸部及手部区别于身体其他部分的重要特征,所以常将人体肤色信息应用于人脸检测、手势识别等研究中[5]。在计算机视觉中,用于肤色检测的图像色彩空间主要有RGB,HSV,YCbCr等。其中YCbCr颜色空间是作为肤色分布统计的映射空间,该空间的优点是受亮度变化的影响较小,而且是两维独立分布,能较好地限制肤色分布区域,对姿态的变化不敏感,可克服旋转、表情等变化的影响,具有较强的鲁棒性,因此YCbCr颜色空间是常见的肤色检测方法。对于RGB与YCbCr之间的转换如下:

$\{\begin{array}{l}Y=16+0.257R+0.504G+0.098B\\ C{}_{\text{b}}=128-0.148R-0.219G+0.439B\\ C{}_{\text{r}}=128+0.439R-0.368G-0.017B\end{array}(1)$

为了分析各分量对实验室环境变换的影响,本文采集了100张肤色样本,主要是选择的是不同的人在不同光照不同姿态下的手部肤色,分别编号1-100,整体上光照亮度从左到右逐步增加,同时采集了25张实验室中的背景照片用于对比分别编号101-125,图1为本文所采用样本。本文对各样本中的Cb和Cr的平均值进行统计,结果如图2所示。

通过图2可以看出,肤色照片中Cb随着光照的增加而增加,Cr随光照的增加而减小,两者交于第100张图片,此处为肤色与背景照片的交界处,在非肤色区域内,Cr和Cb的值都保持相对比较平坦。为进一步探讨Cr、Cb与肤色的关系,分别对Cb与Cr的差值和(Cr+Cb)/2的值在肤色和非肤色条件下进行了测试比较,如图3和图4所示。

通过实验数据发现,YCrCb色彩空间中,人的皮肤Cr和Cb的均值(Cr+Cb)/2以及Cr和Cb的差值对光照呈现出更好的鲁棒性,当肤色发生变化时,(Cr+Cb)/2的值始终保持在一定的范围内,而对于非肤色区域的YCrCb的值也另一范围内平坦变化,同时(Cr-Cb)的值在肤色区域内也较大,而在非肤色区域内(Cr-Cb)的值几乎为零。通过分析得到:如一个像素点的Cb和Cr的值同时满足:

$\{\begin{array}{l}130\le (C{}_{\text{r}}+C{}_{\text{b}})/2\le 140\\ 10\le (C{}_{\text{r}}-C{}_{\text{b}})\end{array}(2)$

则被认为是肤色区域。图5是传统YCrCb肤色检测方法和本文改进肤色检测的效果比较。

传统的YCrCb肤色检测中,在同时摒弃亮度分量Y的条件下,仅仅依靠Cr和Cb的范围来检测肤色会将许多非肤色区域误判成肤色,而采用(Cr+Cb)/2和(Cr-Cb)作为新的肤色识别参量,对背景条件呈现出较好的鲁棒性,大大增强了对人类肤色的识别能力,有效的排除了绝大部分类肤色区域的干扰。

同时,提取出的肤色区域不可避免地会带有一定的噪声,主要表现为肤色边缘有毛刺,背景中有彩色斑点。形态学中的腐蚀操作即可去除边缘毛刺噪声和斑点噪声,膨胀操作对去除孔洞噪声有比较明显的效果。

2 指尖提取与跟踪

将手部目标分割出来,并经过腐蚀膨胀等形态学操作后,接下来就是在候选区域准确地识别出指尖。考虑到指尖本身的特点,基于轮廓特征的指尖检测是最常用的方法之一,通常手部上的特征点并不是特别的明显。为此,本文首先在子区域的基础上,对手部区域进行了处理,优化手部轮廓,增强轮廓上指尖特征点的特征,然后依靠新的轮廓信息检测出指尖,并进行跟踪。具体实现方法如下:

首先对分割出的手部二值化图像进行大小为w×h像素大小的子区域划分,设I(x,y)为子区域内(x,y)的像素值,则在每一个w×h的子区域Z内,对各像素按以下条件赋值:

$\{\begin{array}{l}{\rm I}(x,y)=1num/(w\times h)\ge {\rm T}{}_1\\ {\rm I}(x,y)=0num/(w\times h)<{\rm T}{}_1\end{array}(3)$

其中(x,y)∈Z,num为当前子区域内像素不为零的个数,T1为阈值,之后对各子区域膨胀腐蚀等形态学进行处理,该过程需要对膨胀腐蚀的核进行重新定义,核的大小不应该小于子区域大小,以便消除图像中凸出来的孤立子区域。处理前后的图像及轮廓如图6所示。

通过轮廓对比可知,指尖的粗略位置一般是子区域在四个方向上的顶点之一,因此改进后大大减少了轮廓上特征点的个数。同时,该点体现出很好的直角三角形的特性,试验中发现在指尖处,三角形的两条直角边明显比子区域要大的多,依次可将轮廓上的顶点作为指尖的候选粗略位置。因而,本文定义了如下各轮廓点的状态描述方程:S={P,D,θ},其中P=(Px,Py)为当前轮廓点的位置坐标,D=(dBA,dBC),dBA,dBC为轮廓点AB之间的距离以及BC之间的距离,而θ则为向量BA与BC之间的角度,如图7所示。

整个手尖的识别是在改进的轮廓基础上进行的,在得到的轮廓点的系列中,分别从待判定点B点出发向前和向后找到系列号相隔Δi的相隔点A和C,然后A、B、C三点以等步长沿改进的轮廓进行搜索,直到轮廓上所有轮廓点的状态描述都完成以后为止。

其中Δi的选取应至少大于子区域宽高的3倍。在搜索的过程中,如轮廓点B的状态满足以下三个条件:

$\{\begin{array}{l}d{}_{\text{A}\text{B}}=k{}_1\times w;\\ d{}_{\text{B}\text{C}}=k{}_2\times w;\\ \theta =90°\end{array}\text{其}\text{中}k{}_1、k{}_2\text{为}\text{不}\text{小}\text{于}{\rm T}{}_k\text{的}\text{整}\text{数}；(4)$

则可认为此处即为指尖粗略位置。考虑到上述轮廓改进过程中,对子区域进行重新赋值有可能会扩大或者减少手指边缘的范围,因此轮廓点A和C的中点O点更能准确的描述指尖的位置。

一般的USB摄像头传输的图像质量偏低,在逐帧进行手势分割过程中,可能会导致手部分割出现错误。为了避免这种情况的发生,保证手指指尖识别不会突然出现大的偏差,本文利用一个简单的二阶自回归过程实现指尖的跟踪。假设在时间t、t+1和t-1时,手指指尖的状态描述方程分别为St={P(t),D(t),θ(t)},St+1={P(t+1),D(t+1),θ(t+1)}和St-1={P(t-1),D(t-1),θ(t-1)}依据动态模型相邻时间速度近似不变原理:

$\frac{\partial }{\partial t}(\mathit{{\rm P}}(t+1)-\mathit{{\rm P}}(t))=\frac{\partial }{\partial t}(\mathit{{\rm P}}(t)-\mathit{{\rm P}}(t-1))(5)$

从而得到准确提取到下一帧的指尖坐标位置。

3 实验结果及分析

为验证算法有效性和手指尖提取的准确性,本文采用VS2010的编译环境,利用C++和OpenCV进行算法设计,采用千寻QD 330s数码摄像头进行图像采集,视频图像分辨率为640×480,选择配置CPU为Intel(R) Core(TM)2 Quad CPU Q8300,内存为2G的普通PC 上进行实验。在对手指指尖的提取过程中,选取子区域的大小为5×5;选取子区域内像素不为零的个数与子区域的面积比值阈值Tt设为0.20,选取dBA与dBC的长度阈值Δi设为4倍的子区域宽度。Tk的值选取4。图8给出了实验室背景条件下的指尖检测结果。

在测试背景中包含的黄色区域往往与人体肤色的范围非常接近,容易误识别成肤色,而本文采用新的肤色识别参量进行肤色识别,所以受类肤色噪声的干扰大大降低。图8表明,本文的方法能够快速地从带有大量黄色区域的背景中准确找到指尖的位置。

一般情况下,指尖的不同状态大致都可以看作是一个一组平行线和一个半圆形基元的组合[6],为了验证对改进轮廓进行指尖识别算法的性能,本文还与基于轮廓曲率分析的指尖检测算法行了比较,具体的实验结果如图9所示。如定义半圆的中心点作为指尖的实际位置,则指尖检测的误差度可由实际位置到检测点的距离来表示。则两种指尖检测方法性能比较如表1所示。从数据中发现,两种算法在大多数情况下,都可准确地定位到指尖的位置,本文中所采用的方法与依靠轮廓曲率分析法相比,平均耗时变化不大,但是检测精准度却比依靠轮廓曲率分析法要高很多。

4 总 结

针对人机交互领域中基于视频中指尖识别的交互任务要求,对如何排除类肤色区域和手指轮廓不足对指尖检测所造成的影响进行了研究,提出一种复杂背景中高精度指尖提取方法。首先通过对YCrCb彩色空间中的Cr和Cb分量进行分析,将(Cr+Cb)/2和(Cr-Cb)作为新的肤色识别参量,增强了对手部肤色的分辨能力,手部区域分割更精确完整,其次将提取到的手部区域进行子区域划分并处理,有效减少了特征点的个数,强化轮廓点上特征点的特征。与传统的肤色结合轮廓进行指尖识别的方法相比,本方法提高了对复杂背景环境的抗干扰能力,增强了鲁棒性,有效的解决了轮廓精度不足而影响指尖检测精确度的问题,在光线明亮度、手指指向、复杂背景等都不同的情况下仍能有效的对指尖进行精准定位。这对于提高指尖识别在人机交互中应用有着重要的研究意义。但本文在跟踪算法上还需要进一步的改进和完善。

智慧源于指尖的灵动 篇3

一、激发幼儿创新的欲望

在活动之前,教师制作的示例作品要能引发学生的制作兴趣,教师要采用生动活泼的引入方式,可以选用在讲故事的时候引出要说的话,让幼儿在兴趣里产生对创作的欲望。在传统的手工制作中,教师往往都比较关注幼儿的制作技能的训练, 忽视了对创新思维的培养,所以在对幼儿的创新的思维能力进行培养时,教师要突破手工制作中传统的教学模式,把重心放在对幼儿的创新意识的培养上。幼儿有了创新的欲望才会去动手制作作品,才能在手工制作的过程发挥出自己的想象力,制作出更多独特的作品。在制作的过程中教师与幼儿应该是平等的地位,幼儿可以提出自己对制作作品的意见,让幼儿在得到材料的第一时间就对这些材料有自己的想法,鼓励幼儿根据自己的想法制作出富有个性的作品,教师要给予幼儿一定的自由发挥的空间,提高幼儿的兴趣,引导幼儿自己选择想要完成的作品,幼儿在制作活动中提出的想法就算不是很合适,教师也要给予鼓励,消除幼儿心理的恐惧感。尽量让幼儿在快乐自由的环境下进行手工制作,让幼儿的自我个性得到好的发展,从而提高幼儿的创新欲望。

二、在手工活动中培养幼儿

在对幼儿的教育中,要给幼儿提供足够的表现机会,鼓励幼儿大胆地用自己的想法去讲出自己对事物的理解,教师要尊重每一个幼儿的想法,接受他们富有个性的表现方法,同时一起分享他们因为创造而得到的快乐。教师要把幼儿当作学习活动的主体,教师要成为幼儿活动的支持者。要培养学生的自主性的思维,教师就要对幼儿的身心进行解放,使幼儿可以做自己想做的事。在幼儿园里要建立一个自由的手工制作区域,对区域里的制作材料进行定期更换,让幼儿在这个区域根据自己的想法制作东西,教师要懂得发现每个幼儿的思维里的优势区,并给与支持鼓励,让幼儿的自主性思维得到好的发展,为以后他们的创新的思维能力的培养做好准备。

三、利用手工活动培养幼儿发散性的思维

发散性的思维就是要从不同的方面去思考一个问题,找寻不同的答案。在手工活动时,教师要选用多种不同的材料,这样可以让幼儿学会用不同的方法解决问题。在幼儿园的手工制作活动的过程中,教师要学会利用手中的材料,对幼儿的想象进行刺激,以此来训练幼儿的发散性的思维。在手工的制作活动中, 教师可以带一些不同形状的树叶,然后问他们:“用这些树叶可以制作出什么?”孩子们就会利用自己独特的想象去对这些树叶进行组合,会制作出小鸟、小狗、金鱼,拼凑成一朵花等,他们还会对自己的作品进行创造性地分类,把小鸟和小狗等划分到动物园里,把金鱼划分到海洋馆里。当幼儿从家里带来许多颜色各异的纽扣时,教师可以引导他们把纽扣拼凑一些彩色的图案,也可以做成小项链,或者把纽扣贴到墙上做成壁画等等,通过这些训练可以培养幼儿的发散性思维。

四、在手工活动中为幼儿提供丰富多彩的材料

幼儿的手工活动是离不开材料的,只有有趣的材料才能引发幼儿的制作兴趣,好的材料才能保证幼儿制作出的手工作品的质量,才可以有效地培养学生的创新思维。在平常的生活中, 材料的来源不仅仅是局限于教师的,还可以鼓励幼儿自己带一些自己感兴趣的材料到幼儿园和小朋友一起进行制作。注重幼儿自己动手的能力,收集各种手工材料,把材料放到一个固定的地方,让幼儿可以对材料进行随意搭配。幼儿在收集材料的过程中,对材料的制作会产生一些想法,更好地培养了幼儿的创新思维,在一定的程度上也激发了幼儿的创造欲望。

五、手工制作活动教学注意的问题

首先,教学方法要多样,增加幼儿自己进行创作的比例,在手工制作的过程的要教会幼儿欣赏小朋友制作出来的作品,提高幼儿对美的欣赏水平,积累更多的感性方面的认知,为幼儿的想象力与创造力的发展打下基础。其次,要引导学生对制作的作品进行讨论,大胆地提出自己的意见,接受别人的评价,这是一种很好的对创新思维的练习过程。第三,要让学生进行自由创作,教师要注意指导,要教会幼儿一定的知识技能。