本文關(guān)鍵詞：基于指尖定位的手勢(shì)識(shí)別算法研究

  更多相關(guān)文章： 手勢(shì)識(shí)別 膚色分割 指尖定位 支持向量機(jī)

【摘要】：隨著計(jì)算機(jī)的快速發(fā)展,更加自然、高效的新型人機(jī)交互方式不斷出現(xiàn)。手勢(shì)是人類的基本溝通方式之一,符合人類的日常交流習(xí)慣,因此手勢(shì)識(shí)別作為主動(dòng)式的人機(jī)交互方式,其研究具有重要的意義。但是目前在實(shí)際中應(yīng)用的手勢(shì)識(shí)別算法并不多,大多數(shù)仍停留在研究階段。針對(duì)這種情況,本文在靜態(tài)手勢(shì)識(shí)別和動(dòng)態(tài)軌跡識(shí)別方面展開了研究。本文提出了一種新型的實(shí)時(shí)手勢(shì)識(shí)別算法。靜態(tài)手勢(shì)識(shí)別部分可以識(shí)別中國手語中的30種手指語字母,平均識(shí)別率為93.7%。動(dòng)態(tài)軌跡識(shí)別部分可以識(shí)別中國手語中的百、千、弧、%和C02五種軌跡,平均識(shí)別率為85.1%。在膚色分割部分,本文結(jié)合背景差分對(duì)自適應(yīng)膚色檢測(cè)算法進(jìn)行了改進(jìn)。首先建立HSV-CbCr混合顏色空間進(jìn)行膚色分割,然后采用背景差分得到手勢(shì)區(qū)域,統(tǒng)計(jì)手勢(shì)區(qū)域的色度信息,從而調(diào)整膚色閾值參數(shù),形成自適應(yīng)膚色分割算法。該算法能夠適應(yīng)不同用戶的膚色差異,消除類膚色背景的影響,同時(shí)混合空間考慮了膚色的聚類性和可分辨性,降低了光照變化對(duì)膚色分割的影響。在多指尖定位方面,本文通過引入輪廓曲率分析改進(jìn)了基于凸包計(jì)算的指尖檢測(cè)算法。由于指尖點(diǎn)位于凸包頂點(diǎn)上,因此首先計(jì)算輪廓凸包,確定指尖候選點(diǎn)的范圍,然后通過凸缺陷深度篩選,進(jìn)一步減少指尖候選點(diǎn),最后計(jì)算候選點(diǎn)的輪廓曲率,剔除頑固的干擾點(diǎn),實(shí)現(xiàn)指尖的準(zhǔn)確定位。單指尖定位由凸包分析實(shí)現(xiàn),按時(shí)間順序連接單指尖點(diǎn)即可得到指尖的動(dòng)態(tài)軌跡。在提取靜態(tài)手勢(shì)特征時(shí),本文選擇了手勢(shì)的結(jié)構(gòu)特征和統(tǒng)計(jì)特征組成特征向量,這些特征不僅具有通用性和獨(dú)立性的特點(diǎn),而且計(jì)算簡(jiǎn)單效率高。動(dòng)態(tài)軌跡特征主要定義了軌跡的角度變化和結(jié)構(gòu)特征,其中的角度變化采用12方向的均勻量化編碼。在特征提取的基礎(chǔ)上,采用一對(duì)一的方式構(gòu)建了支持向量機(jī)的多值分類器,分類器經(jīng)訓(xùn)練樣本訓(xùn)練后,實(shí)現(xiàn)了靜態(tài)手勢(shì)和動(dòng)態(tài)軌跡的分類識(shí)別。
【關(guān)鍵詞】：手勢(shì)識(shí)別 膚色分割 指尖定位 支持向量機(jī)
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-12
• 1 緒論12-20
• 1.1 課題的研究背景及意義12-13
• 1.2 手勢(shì)識(shí)別的研究現(xiàn)狀13-17
• 1.2.1 手勢(shì)識(shí)別分類13-15
• 1.2.2 國內(nèi)外研究現(xiàn)狀15-17
• 1.3 課題研究的關(guān)鍵技術(shù)難點(diǎn)17-18
• 1.4 本文的主要內(nèi)容與論文結(jié)構(gòu)18-20
• 2 基于自適應(yīng)膚色檢測(cè)的手勢(shì)分割20-36
• 2.1 常用的顏色空間20-24
• 2.1.1 RGB顏色空間20-21
• 2.1.2 HSV顏色空間21-23
• 2.1.3 YCbCr顏色空間23
• 2.1.4 顏色空間的分析與選擇23-24
• 2.2 膚色模型24-27
• 2.2.1 膚色閾值模型24-25
• 2.2.2 直方圖模型25-26
• 2.2.3 高斯分布模型26-27
• 2.2.4 膚色模型的建立27
• 2.3 基于混合顏色空間的膚色檢測(cè)算法及實(shí)現(xiàn)27-29
• 2.4 結(jié)合背景差分的自適應(yīng)手勢(shì)分割算法及實(shí)現(xiàn)29-31
• 2.5 手勢(shì)輪廓的提取31-33
• 2.6 基于結(jié)構(gòu)特征的人臉檢測(cè)33-34
• 2.7 本章小結(jié)34-36
• 3 指尖定位算法的研究36-48
• 3.1 基于輪廓曲率的指尖定位36-37
• 3.2 基于凸包分析的指尖定位37-43
• 3.2.1 凸包算法分析37-41
• 3.2.2 基于凸包特征的指尖檢測(cè)41-43
• 3.3 本文采用的指尖定位算法及實(shí)現(xiàn)43-46
• 3.3.1 單指尖定位算法43-44
• 3.3.2 多指尖定位算法44-46
• 3.4 本章小結(jié)46-48
• 4 手勢(shì)特征的提取算法研究48-60
• 4.1 靜態(tài)手勢(shì)特征提取48-55
• 4.1.1 靜態(tài)手勢(shì)定義48-49
• 4.1.2 靜態(tài)手勢(shì)的結(jié)構(gòu)特征提取49-52
• 4.1.3 靜態(tài)手勢(shì)的統(tǒng)計(jì)特征提取52-53
• 4.1.4 實(shí)驗(yàn)結(jié)果與分析53-55
• 4.2 動(dòng)態(tài)軌跡特征提取55-58
• 4.2.1 動(dòng)態(tài)軌跡定義55-56
• 4.2.2 動(dòng)態(tài)軌跡的特征提取56-58
• 4.2.3 實(shí)驗(yàn)結(jié)果與分析58
• 4.3 本章小結(jié)58-60
• 5 基于支持向量機(jī)的手勢(shì)識(shí)別60-74
• 5.1 支持向量機(jī)的基本思想61-66
• 5.1.1 線性支持向量機(jī)61-63
• 5.1.2 非線性支持向量機(jī)63-65
• 5.1.3 支持向量機(jī)的核函數(shù)65
• 5.1.4 多值分類的SVM模型65-66
• 5.2 基于支持向量機(jī)的手勢(shì)識(shí)別66-67
• 5.3 實(shí)驗(yàn)結(jié)果與分析67-71
• 5.4 手勢(shì)輸入系統(tǒng)的實(shí)現(xiàn)71-72
• 5.5 本章小結(jié)72-74
• 6 總結(jié)與展望74-76
• 6.1 論文總結(jié)74-75
• 6.2 下一步研究方向75-76
• 參考文獻(xiàn)76-80
• 作者簡(jiǎn)歷80-84
• 學(xué)位論文數(shù)據(jù)集84

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 ;新型手勢(shì)識(shí)別技術(shù)可隔著口袋操作手機(jī)[J];電腦編程技巧與維護(hù);2014年07期

2 任海兵,祝遠(yuǎn)新,徐光，

本文編號(hào)：990697