基于kinect的指尖检测与手势识别方法

《基于kinect的指尖检测与手势识别方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于Kinect的指尖检测与手势识别方法摘要：针对基于视频的弯曲指尖点识别难、识别率不高的问题，提出一种基于深度信息、骨骼信息和彩色信息的手势识别方法。该方法首先利用Kinect相机的深度信息和骨骼信息初步快速判定手势在彩色图像中所在的区域，在该区域运用YCrCb肤色模型分割出手势区域；然后计算手势轮廓点到掌心点的距离并生成距离曲线，设定曲线波峰与波谷的比值参数来判定指尖点；最后结合弯曲指尖点特征和最大内轮廓面积特征识别出常用的12个手势。实验结果验证阶段邀请了6位实验者在相对稳定的光照环境条件下来验证提出的方法，每个手势被实验120

2、次，12种手势的平均识别率达到了97.92%o实验结果表明，该方法能快速定位手势并准确地识别出常用的12种手势，且识别率较高。关键词：Kinect；肤色模型；开源计算机视觉库;指尖检测；手势识别中图分类号：TP391.41文献标志码：A英文摘要Abstract：Therecognitionofbendingfingerpointsbasedonvideoisdifficultandrecognitionrateisnothigh.Focusingontheissue,ahandgesturerecognitionmethodbased

3、ondepthimage，skeletonimageandcolorimageinformationwasproposed.Firstly，thegestureincolorimageareawasinitiallydeterminedrapidlybyusingdepthinformationandskeletoninformationofKinect，andthehandpostureregionwasextractedfromthegestureareabyusingtheYCrCbcolormodel.Thenthedista

4、ncesbetweenthegesturecontourpointsandthepalmpointwerecalculatedtogeneratethedistancecurve，andtheratioofcurvepeakstotroughswassetuptoobtainfingerpoint.Finally,commonlyused12gestureswereidentifiedbycombiningbendingfingerpointfeaturesandthemaximumamountofcontourarea.Sixexp

5、erimenterswereinvitedtovalidatetheproposedmethodinexperimentalresultsverificationphase.Everygesturewasexperimented120timesundertheconditionofrelativelystablelightenvironmentandtherecognitionrateof12gestureswas97.92%onaverage.Theexperimentalresultsshowthattheproposedmeth

6、odcanquicklylocationgesturesandaccuratelyrecognizethecommonlyused12kindsofhandgestures,andtherecognitionrateishigh.英文关键词Keywords：Kinect；skincolormodel；OpenSourceComputerVisionLibrary(OPENCV)；fingerdetection；gesturerecognition0引言随着计算机视觉的发展，基于视觉的手势识别方法已成为人机交互领域的研宄热点［1］。但由

7、于手势应用的场景变化较大，正确高效地从计算机视觉捕获的图像中提取出手势有一定的难度，而提取出的手势效果好坏将直接影响手势识别的结果。近年来，学者们对于基于视觉的手势识别进行了研究。如基于颜色手套的手势识别方法［2］，该方法虽然降低了手势提取的难度，但同时也使得识别变得不够自然。为了使得手势识别变得更加自然、方便直接，一些研究者开始采用基于肤色模型［3-4］的方法来对手势进行识别。但由于肤色模型受到光照以及类肤色背景的影响，手势提取的效果得不到保证。部分研宄人员采用神经网络法(Neuralnetworkalgorithm)[5]、迭代算

8、法(AdaBoost)[6]、隐马尔可夫模型(HiddenMarkovModel,HMM)[7]和支持向量机(SupportVectorMachine,SVM)算法［8］对静态手势进行识别，识别率普遍在90%以上，但这些