【摘要】：在信息技術(shù)高速發(fā)展的今天,計算機(jī)作為一項偉大的發(fā)明,正深刻地影響著人們生活的方方面面。以生物識別技術(shù)為基礎(chǔ)的自然人機(jī)交互技術(shù)作為計算機(jī)技術(shù)的一項重要應(yīng)用,與人們的日常生活息息相關(guān)�；谟嬎銠C(jī)視覺的生物識別技術(shù)是指利用計算機(jī)技術(shù)對圖像或視頻進(jìn)行處理,通過提取人體特有的生物特征,實現(xiàn)對生物體的識別,該技術(shù)正在成為人工智能領(lǐng)域的一大研究熱點(diǎn)。利用生物識別技術(shù)進(jìn)行人機(jī)交互相比傳統(tǒng)的技術(shù)具有便利性、唯一性等優(yōu)點(diǎn)。常用的生物特征包括人臉、指紋、虹膜和手勢等,其中手勢特征相比其他生物特征具有生動、自然和信息量豐富的特點(diǎn)。但是,由于人手具有不確定性和多重性,手勢識別技術(shù)還有許多問題有待解決,因此手勢識別正在成為人機(jī)交互領(lǐng)域研究的熱點(diǎn)及難點(diǎn)。手勢識別系統(tǒng)主要包括三個部分:圖像預(yù)處理、特征提取和分類識別。本文主要研究了基于視覺的靜態(tài)手勢識別的相關(guān)算法,重點(diǎn)研究了特征提取算法與分類識別算法。針對這兩部分內(nèi)容,本論文主要做了以下工作:第一,詳細(xì)研究了經(jīng)典的特征提取算法和分類識別算法,并對它們的算法原理、算法步驟以及優(yōu)缺點(diǎn)進(jìn)行了細(xì)致的歸納總結(jié)。第二,針對基本的局部二值模式(Local Binary Patterns,LBP)算法識別率偏低,提取的特征維數(shù)偏大的缺點(diǎn),本文提出了一種基于多鄰域加權(quán)融合的局部二值模式算法,該算法是對基本LBP算法的一種改進(jìn)。分別利用不同的處理策略由每一個中心像素點(diǎn)外兩層的鄰域點(diǎn)計算得到兩幅LBP編碼圖像,并對它們進(jìn)行統(tǒng)計得到兩幅256維的直方圖,然后將這兩幅256維的直方圖均勻量化為32維,最后將這兩個32維的直方圖進(jìn)行加權(quán)融合得到一個32維的直方圖作為最終的特征向量。通過在手勢數(shù)據(jù)庫上的實驗結(jié)果證明,我們所提出的改進(jìn)算法能夠在提高手勢識別率的同時大幅度地降低特征維數(shù),從而提高運(yùn)算速度。第三,深入研究了非負(fù)矩陣分解(Non-Negative Matrix Factorization,NMF)算法與壓縮感知(Compressive Sensing,CS)算法,并利用這兩種算法設(shè)計了一個手勢識別系統(tǒng)。首先利用NMF算法將原始高維的圖像向量投影到低維的子空間中得到低維的特征向量,然后利用CS算法所設(shè)計的分類器對得到的低維特征向量進(jìn)行分類,得到手勢識別的結(jié)果。通過一系列的實驗證明,利用CS算法設(shè)計的分類器相比其他幾種常用的分類器能夠獲得更高的手勢識別率,同時具有更好的抗遮擋能力。另一方面,相較于主成分分析法(Principal Components Analysis,PCA),NMF算法對于遮擋具有更好的魯棒性。
[Abstract]:With the rapid development of information technology, computer, as a great invention, is deeply affecting every aspect of people's life. As an important application of computer technology, natural human-computer interaction technology based on biometrics is closely related to people's daily life. Biometric recognition technology based on computer vision refers to the use of computer technology to process images or video, through the extraction of the unique biological characteristics of the human body, the realization of biological recognition. This technology is becoming a research hotspot in the field of artificial intelligence. Compared with the traditional technology, biometrics has the advantages of convenience and uniqueness. The commonly used biometric features include face fingerprint iris and gesture. Gesture features are more vivid natural and informative than other biometric features. However, due to the uncertainty and multiplicity of human hand, there are still many problems to be solved in hand gesture recognition technology, so gesture recognition is becoming a hot and difficult point in the field of human-computer interaction. Gesture recognition system consists of three parts: image preprocessing, feature extraction and classification recognition. This paper mainly studies the algorithms of static gesture recognition based on vision, especially the feature extraction algorithm and classification recognition algorithm. For these two parts, this paper mainly does the following work: first, the classic feature extraction algorithm and classification recognition algorithm are studied in detail, and their algorithm principle, algorithm steps, advantages and disadvantages are summarized in detail. Secondly, in view of the low recognition rate and large feature dimension of the basic local binary pattern (Local Binary Patterns,LBP) algorithm, a local binary pattern algorithm based on multi-neighborhood weighted fusion is proposed in this paper. This algorithm is an improvement on the basic LBP algorithm. Using different processing strategies, two LBP coded images are calculated from two adjacent points outside each central pixel, and two 256-dimensional histograms are obtained by statistical analysis. Then the two 256-dimensional histograms are uniformly quantized to 32-dimensional. Finally, the two 32-dimensional histograms are weighted and fused to obtain a 32-dimensional histogram as the final feature vector. The experimental results on the gesture database show that the improved algorithm can greatly reduce the feature dimension while increasing the recognition rate of the gesture, thus increasing the operation speed. Thirdly, the non-negative matrix decomposition (Non-Negative Matrix Factorization,NMF) algorithm and the compression sensing (Compressive Sensing,CS) algorithm are studied, and a gesture recognition system is designed using these two algorithms. First, the original high-dimensional image vector is projected into the low-dimensional subspace by NMF algorithm, and then the low-dimensional feature vector is classified by the classifier designed by the CS algorithm, and the result of gesture recognition is obtained. Through a series of experiments, it is proved that the classifier designed by CS algorithm can obtain higher gesture recognition rate and better ability to resist occlusion than other classifiers. On the other hand, (Principal Components Analysis,PCA), NMF algorithm is more robust to occlusion than principal component analysis (PCA).
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 易靖國;程江華;庫錫樹;;視覺手勢識別綜述[J];計算機(jī)科學(xué);2016年S1期

2 劉淑萍;劉羽;於俊;汪增福;;結(jié)合手指檢測和HOG特征的分層靜態(tài)手勢識別[J];中國圖象圖形學(xué)報;2015年06期

3 黃仁;胡敏;;綜合顏色空間特征和紋理特征的圖像檢索[J];計算機(jī)科學(xué);2014年S1期

4 武霞;張崎;許艷旭;;手勢識別研究發(fā)展現(xiàn)狀綜述[J];電子科技;2013年06期

5 焦李成;楊淑媛;劉芳;侯彪;;壓縮感知回顧與展望[J];電子學(xué)報;2011年07期

6 戴瓊海;付長軍;季向陽;;壓縮感知研究[J];計算機(jī)學(xué)報;2011年03期

7 劉法旺;丁剛毅;李善青;徐一華;;基于ICONDENSATION算法的人手跟蹤與手勢識別算法[J];北京理工大學(xué)學(xué)報;2007年12期

8 董立巖;苑森淼;劉光遠(yuǎn);賈書洪;;基于貝葉斯分類器的圖像分類[J];吉林大學(xué)學(xué)報(理學(xué)版);2007年02期

9 吳江琴,高文,龐博,韓靜萍;中國手語手勢詞識別的一種快速方法[J];高技術(shù)通訊;2001年06期

10 吳江琴,高文,陳熙霖,劉偉;基于ANN/HMM的中國手語識別系統(tǒng)[J];計算機(jī)工程與應(yīng)用;1999年09期

相關(guān)博士學(xué)位論文 前1條

1 劉昱昊;基于非負(fù)矩陣分解算法的人臉識別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李亞蘭;基于視覺的實時靜態(tài)手勢識別技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 隋文秀;改進(jìn)的SIFT算法在圖像檢索方面的應(yīng)用[D];東北電力大學(xué);2015年

3 隋欣;基于魯棒子空間學(xué)習(xí)的人臉識別技術(shù)[D];電子科技大學(xué);2015年

4 陸華;基于局部二值模式的人臉識別和表情識別研究[D];山東大學(xué);2014年

5 馮謙;基于局部特征的視頻目標(biāo)跟蹤方法研究[D];電子科技大學(xué);2013年

6 陳健斌;圖像特征提取及其相似度的研究和實現(xiàn)[D];西安電子科技大學(xué);2012年

7 程小鵬;基于特征提取的手勢識別技術(shù)研究[D];武漢理工大學(xué);2012年

8 王玲;基于LBP的特征提取研究[D];北京交通大學(xué);2009年

9 蔡曉曦;人臉圖像的特征提取與識別[D];武漢理工大學(xué);2007年

10 郭亞琴;分類器設(shè)計及組合技術(shù)研究[D];揚(yáng)州大學(xué);2007年

，

本文編號：2264812