本文選題：Kinect + 手型分割��； 參考：《南京理工大學》2017年碩士論文

【摘要】：隨著人機交互技術的不斷發(fā)展,各種新奇的人機交互方式層出不窮,手勢識別技術以其學習成本低、靈活性好、實用性強等特點,近年來成為研究的熱點�；谝曈X技術的手勢識別受光照、噪聲等因素的影響較大,限制了對手勢識別技術的應用。Kinect傳感器能夠在獲取二維圖像的同時獲得空間的三維深度信息,為手勢識別的研究帶來了新的方向,本文利用Kinect2.0深度傳感器,對具有手型變化的動態(tài)復雜手勢的進行識別。主要包括手型圖像的分割、手型特征和手勢運動特征的提取、手勢的分類識別等步驟。首先對于手型圖像的分割,采用了 Kinect骨骼跟蹤技術和深度信息相結(jié)合的方法,有效的消除背景和光照對手型圖像分割的影響。對獲得的手型二值圖像進行形態(tài)學的處理,并采用邊緣跟蹤算法來實現(xiàn)手型圖像輪廓的提取。然后是手勢特征的提取,具體包括靜態(tài)手型的特征和運動軌跡特征。提出對靜態(tài)手型輪廓提取Hu特征并利用K-means聚類算法進行特征編碼的方法;對于運動軌跡提取方向角特征,并進行球面14方向的量化編碼,得到方向角特征編碼,手型特征編碼和方向角特征編碼分別組合起來得到手勢的手型特征序列和軌跡方向角特征序列。最后對手勢進行分類識別,將隱馬爾科夫模型和樸素貝葉斯模型相結(jié)合,提出了一種HMM-NBC模型進行手勢的訓練與識別。對于自定義的10種動態(tài)手勢,平均識別率達到了 88.4%。
[Abstract]:With the continuous development of human-computer interaction technology, a variety of novel human-computer interaction methods emerge in endlessly. Gesture recognition technology has become a hot research topic in recent years because of its low learning cost, good flexibility, strong practicability and so on. Gesture recognition based on visual technology is greatly affected by illumination, noise and other factors, which limits the application of gesture recognition technology. Kinect sensor can obtain three-dimensional depth information of space while obtaining two-dimensional images. It brings a new direction to the research of hand gesture recognition. In this paper, we use the Kinect2.0 depth sensor to recognize the dynamic and complex hand gesture with the change of hand shape. It mainly includes the segmentation of hand image, the extraction of hand shape feature and gesture motion feature, the recognition of hand gesture classification and so on. Firstly, Kinect bone tracking technique and depth information are used to effectively eliminate the influence of background and illumination on hand image segmentation. The obtained binary image is processed by morphology and edge tracking algorithm is used to extract the contour of the hand image. Then the gesture features are extracted, including static hand features and motion trajectory features. A method of extracting Hu features from static hand contours and using K-means clustering algorithm to encode features is proposed. Hand feature coding and directional angle feature coding are combined to obtain hand gesture feature sequence and trajectory direction angle characteristic sequence respectively. Finally, a HMM-NBC model is proposed to train and recognize gestures by combining hidden Markov model with naive Bayes model. For the 10 kinds of dynamic gestures, the average recognition rate is 88. 4%.
【學位授予單位】：南京理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 張毅;姚圓圓;羅元;;基于B參數(shù)的改進HMM動態(tài)手勢識別算法[J];華中科技大學學報(自然科學版);2015年S1期

2 蔡娟;蔡堅勇;廖曉東;黃海濤;丁僑俊;;基于卷積神經(jīng)網(wǎng)絡的手勢識別初探[J];計算機系統(tǒng)應用;2015年04期

3 郭文爽;王雪芳;;基于HOG和SVM的手勢檢測技術[J];電子科技;2014年08期

4 晏浩;張明敏;童晶;潘志庚;;基于Kinect的實時穩(wěn)定的三維多手指跟蹤算法[J];計算機輔助設計與圖形學學報;2013年12期

5 王先軍;白國振;楊勇明;;復雜背景下BP神經(jīng)網(wǎng)絡的手勢識別方法[J];計算機應用與軟件;2013年03期

6 曹雛清;李瑞峰;趙立軍;;基于深度圖像技術的手勢識別方法[J];計算機工程;2012年08期

7 王書朋;姬紅兵;;利用團塊模型進行目標跟蹤[J];西安電子科技大學學報;2008年05期

8 王西穎;戴國忠;張習文;張鳳軍;;基于HMM-FNN模型的復雜動態(tài)手勢識別[J];軟件學報;2008年09期

9 解凱,郭恒業(yè),張?zhí)镂?一種具有徑向畸變校正的圖像整合算法[J];電子學報;2004年10期

10 張良國,吳江琴,高文,姚鴻勛;基于Hausdorff距離的手勢識別[J];中國圖象圖形學報;2002年11期

，

本文編號：1775427