隨著科學(xué)技術(shù)的快速發(fā)展,計(jì)算機(jī)視覺技術(shù)也已經(jīng)成為了人們在日常生活中、學(xué)生的學(xué)習(xí)中以及各行各業(yè)的工作中的一門非常重要且關(guān)鍵的技術(shù)。其中,手勢識別作為人機(jī)交互最為直接和自然的技術(shù),在人們的日常生活中被大量使用,極大地改善了人們的生活。本文主要研究基于不同特征融合和圖像預(yù)處理的人體手勢識別方法,以提高手勢識別算法的識別率。本文主要工作如下:1、手勢特征提取過程中常常受到手勢膚色、手形、照明條件和背景差異等因素的影響,這使得手勢特征提取難以通過單一特征來指定手部外觀。因此,本文提出了一種增強(qiáng)型融合HOG-LBP特征檢測和SVM分類檢測的方法,以改進(jìn)的MB-LBP替代均勻LBP特征。實(shí)驗(yàn)驗(yàn)證了該方法在光照條件、膚色、復(fù)雜背景的條件下有更高的準(zhǔn)確度。2、Kinect傳感器設(shè)備給廣大的用戶帶來了新的體驗(yàn)。隨著Kinect傳感器的升級,其功能也越來越強(qiáng)大。本文借助Kinect傳感器進(jìn)行手勢深度圖像和彩色信息的獲取,通過膚色模型二次分割,捕捉到了更加精準(zhǔn)的手部圖像,然后利用本文提出的新融合特征HOG-MBLBP進(jìn)行特征提取,最后利用SVM進(jìn)行分類識別。實(shí)驗(yàn)表明,本文提出的方法相比于其他方法有很高的識別率... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 手勢分割的研究現(xiàn)狀
        1.2.2 手勢特征提取的研究現(xiàn)狀
        1.2.3 手勢分類識別的研究現(xiàn)狀
    1.3 手勢識別研究的難點(diǎn)
    1.4 本文研究內(nèi)容和文章結(jié)構(gòu)
第二章 手勢分割
    2.1 閾值分割法
        2.1.1 Otus閾值分割
        2.1.2 自適應(yīng)閾值分割
        2.1.3 最大熵閾值分割
    2.2 膚色模型分割法
        2.2.1 膚色模型的顏色空間
        2.2.2 膚色模型
    2.3 基于局部區(qū)域信息的分割法
    2.4 本章小結(jié)
第三章 基于HOG-MBLBP特征的手勢識別
    3.1 圖像預(yù)處理
        3.1.1 中值濾波
        3.1.2 手勢圖像的灰度化
        3.1.3 尺度歸一化
    3.2 HOG特征提取
    3.3 LBP特征提取
        3.3.1 標(biāo)準(zhǔn)LBP算子
        3.3.2 均勻LBP算子
        3.3.3 MBLBP特征提取
    3.4 HOG-MBLBP特征融合
    3.5 支持向量機(jī)
        3.5.1 分類模型選擇
        3.5.2 SVM原理
    3.6 實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
第四章 基于Kinect的人體靜態(tài)手勢識別
    4.1 Kinect傳感器介紹
        4.1.1 Kinect工作原理
        4.1.2 深度信息的獲取
        4.1.3 骨骼信息的獲取
    4.2 手勢識別
    4.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第五章 基于幀差法的動(dòng)態(tài)手勢識別
    5.1 動(dòng)態(tài)手勢目標(biāo)檢測
        5.1.1 幀間差分法
        5.1.2 三幀差分法
        5.1.3 兩幀查分和三幀查分的比較
        5.1.4 混合高斯模型
        5.1.5 Canny邊緣檢測算法
    5.2 改進(jìn)的三幀差分法與背景差分法相融合的手勢檢測
    5.3 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于骨骼信息下的手勢識別研究[J]. 楊和穩(wěn),楊萍萍,郭海晨.  計(jì)算機(jī)應(yīng)用與軟件. 2018(12)
[2]基于幀差與背景差分的改進(jìn)目標(biāo)識別算法[J]. 趙柏山,鄭茂凱,張帆.  通信技術(shù). 2018(11)
[3]基于多點(diǎn)特征提取的手勢識別的研究[J]. 宋昆哲,閆曉虎,田樂,王奇俊,劉珂.  科技創(chuàng)新與應(yīng)用. 2018(25)
[4]一種以Kinect為基礎(chǔ)的手勢識別系統(tǒng)探討[J]. 陳強(qiáng).  電腦迷. 2017(11)
[5]基于擴(kuò)散的圖像顯著性檢測[J]. 劉玉杰,封江力,李宗民,李華.  圖學(xué)學(xué)報(bào). 2017(02)
[6]基于Kinect手勢識別的應(yīng)用與研究[J]. 于澤升,崔文華,史添瑋.  計(jì)算機(jī)科學(xué). 2016(S2)
[7]基于改進(jìn)Hu矩算法的Kinect手勢識別[J]. 蒲興成,王濤,張毅.  計(jì)算機(jī)工程. 2016(07)
[8]結(jié)合手勢主方向和類-Hausdorff距離的手勢識別[J]. 楊學(xué)文,馮志全,黃忠柱,何娜娜.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2016(01)
[9]基于五幀差分法的動(dòng)態(tài)目標(biāo)檢測新算法[J]. 郭春鳳.  重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版). 2015(05)
[10]基于DTW與混合判別特征檢測器的手勢識別[J]. 黃振翔,彭波,吳娟,王儒朋.  計(jì)算機(jī)工程. 2014(05)

博士論文
[1]行車環(huán)境下多特征融合的交通標(biāo)識檢測與識別研究[D]. 劉成云.山東大學(xué) 2016
[2]基于圖像重構(gòu)和特征融合的人臉識別方法研究[D]. 周昌軍.大連理工大學(xué) 2008

碩士論文
[1]基于局部特征的表情識別研究[D]. 李月.南京郵電大學(xué) 2018
[2]基于Kinect的手勢動(dòng)作識別研究及其在虛擬仿真系統(tǒng)中的應(yīng)用[D]. 楊萍萍.南京大學(xué) 2018
[3]基于Kinect的人體姿態(tài)識別和機(jī)器人控制[D]. 蔣亞杰.深圳大學(xué) 2017
[4]基于RGBD深度圖像的實(shí)時(shí)手勢識別研究[D]. 崔子璐.蘇州大學(xué) 2016
[5]手勢圖像特征提取與識別技術(shù)研究[D]. 趙瑩.長春工業(yè)大學(xué) 2015
[6]人機(jī)交互中手勢識別關(guān)鍵算法研究與實(shí)現(xiàn)[D]. 張若愚.廣東工業(yè)大學(xué) 2014
[7]基于Kinect的手勢識別與機(jī)器人控制技術(shù)研究[D]. 王松林.北京交通大學(xué) 2014
[8]基于YCrCb色彩空間的人臉檢測算法的設(shè)計(jì)與實(shí)現(xiàn)[D]. 吳要領(lǐng).電子科技大學(xué) 2013
[9]基于多特征融合的行為識別算法研究[D]. 楊麗召.電子科技大學(xué) 2013
[10]基于三幀差法的運(yùn)動(dòng)目標(biāo)檢測方法研究[D]. 趙建.西安電子科技大學(xué) 2013



本文編號：3732513