基于视觉的手势识别及其在仿人型机器人中的应用

《基于视觉的手势识别及其在仿人型机器人中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学博士学位论文基于视觉的手势识别及其在仿人型机器人中的应用摘要最近，语音识别、手势识别等新的人机接口技术的研究受到了广泛的关注。本文主要研究了基于视觉的手势识别系统的关键技术，并用于人与仿人型机器人之间的交互。本文首先对基于视觉的手势识别方法进行了总结，分析了各种方法的优劣，指出了提取鲁棒的手势特征和设计有效的分类器是手势识别中的两个重点。支持向量机(svM)由于坚实的理论基础，成为继神经网络后的又一个研究热点。在静态手势识别中，提出并实现了基于LS—SVM(LeastSquareSVM)分类器的手势识别系统。在分析LS．S

2、VM的训练方法的基础上，提出了在线训练算法。对于2D静态手势，提出了自适应的皮肤颜色概率模型，并采用FFT描述子来提取特征。提出了一种新的考虑扫描线间连续特性的基于动态规划的立体匹配算法，并用于3D手势识别中。通过分割立体匹配得到的深度图，得到手的初步姿态，并进行规整(Warp)，得到手的正面视图，从而可以用2D手势识别的方法进行识别。关于动态手势的识别，最常用的是隐马尔可夫模型(HMM，HiddenMarkovModel)。但是HMM存在优化的性能依赖于初始参数设置的缺点，并且标准HMM优化的-N标只是单个HMM的似然最大，导致HM

3、M的炎frlj判别能力坡弱；本文提出结合混沌的遗传算法来优化HMM参数解决第‘个缺点。并通过引入结合极大似然(ML)和极大互信息(MMI)的目标函数来解决第二个缺点。对于双手动态手势，标准HMM将双手之间的相对位置信号作为噪声处理，从而导致识别率的下降。而耦合HMM(CHMM)则可以较好地解决这个问题。本文提出了最大后验概率(MAP)方法训练CHMM，提高了识别率。CHMM由于引入了HMM间的耦合，从而使状态空间和转移概率矩阵的参数增多，使得标准精确推理(即给定观察值求隐状态的条件概率)的计算量指数增长。为解决这个上海变通是学博士学位

4、论文问题，讨论了近似推理。SVM和HMM分别是解决静态手势识别和动态手势识别的有力工具，同时有互补之处，因此讨论两者的结合方法也是一个研究热点。本文总结了目前结合SVM与HMM的方法，将结合方法分为SVM概率输出和级联硒类，并分析了两种方法的优缺点及适用的范围。本文采用级联的方法识别动态手势。为进行手势识别，本文为仿人型机器人设计并建立了名为JFBinoEye的四自由度立体视觉系统。基于四个独立的控制模块和集成光流计算的图蒙采集系统，该系统还可以实现人眼的～些基本功能，如扫视、聚鹰和跟踪。利用而向对象技术实现丁提出的识别算法，并嵌入到

5、实验室以前开发／’内仿人机器人的软件支撑环境——_RobStudio。本文提出的方法也可用于人机交互及家用电器的控制中。希颦本文的研究能够为实现智能人机界面起到促进作用。关键词：手势识别、支持向量机、隐马尔可夫模型、耦合隐马尔可夫模型、遗传算法、立体匹配II上海变通大学博士学位论文VlSlONBASEDHANDGESURERECOGNITIONANDlTSAPPLICATlONINHUMANOlDROBOTABSTRACTRecently,thenewHMI(Human—MachineInterface)technologiessuc

6、hasspeechrecognitionandgesturerecognitionhavereceivedextensiveattention．Inthisdissertation，thekeytechnologiesofvisionbasedhandgesturerecognitionhavebeenfocused．whichhavebeenusedintheinteractionhumanandhumanoidrobot．Firstly,themethodsforvisionbasedhandgesturerecognitiona

7、rereviewedAndtheiradvantagesanddisadvantagesarecompared．Itispointedoutthattwoemphasesinhandgesturerecognitionareextractingrobustcharacteranddesigningeffectiveclassifier．Duetosolidtheoryfoundation，SupportVectorMachine(SVM)hasbecomethenextfocusafterNeuralNetwork．Statichan

8、dgesturerecognitionbasedonLS-SVM(LeastSquareSVM)isproposedandimplemented．IncrementaltrainingalgorithmforLS—SVM