论文部分内容阅读
基于计算机视觉的手势识别逐渐成为人机交互领域的热点研究方向,其识别效果很大程度上取决于摄像机的分辨率、手势分割和特征提取的方法以及分类识别方法的选择。近年来,基于Kinect传感器的手势识别方法由于能够将手势从复杂的背景分离且受光照影响较小以及能够精准对手势运动跟踪定位,在手势识别中受到广泛应用。但目前Kinect传感器在深度图像的分辨率和颜色信息缺失以及对复杂手势运动的识别等问题上还需进一步完善。本文针对上述问题,对基于Kinect的手势识别进行详细分析。具体研究内容如下:(1)针对深度图像分辨率较低和图像颜色信息缺失的问题,提出一种基于深度信息和彩色信息融合的图像分割方法。通过Kinect传感器追踪定位感兴趣的手势区域,进行深度图像彩色显示,在YCbCr彩色空间中建立椭圆阈值模型对手势分割图像进行二次分割,然后进行后处理。(2)为保证提取到分割图像手势的全部信息,提出一种Hu不变矩和HOG特征融合的特征提取方法。在提取全局变量Hu不变矩的7个特征向量的同时提取带有局部信息的HOG特征,通过实验测试,确定最优的权值参数,从而实现了全局特征与局部特征的有效融合,然后进行PCA降低维数,最后应用SVM分类器进行静态手势的分类识别。(3)针对复杂运动手势识别率不高问题,提出一种HMM和D-S证据理论的动态手势识别方法。在原有HMM基础上,采用手心轨迹不同时刻的切线角度和手势变化作为复杂运动手势的特征,对于轨迹切线角度通过量化编码数来降低维数,然后完成HMM的参数模型训练,最后结合D-S证据理论,进行组合逻辑判定,进行动态手势识别。(4)为实现人手与计算机的交互行为和验证本文手势识别方法的有效性,建立了两套手势交互系统。建立了图形用户界面(GUI),通过动静态手势识别界面运用封装的相关算法对手势识别的准确性进行测试。