基于深度摄像的手势识别关键技术研究

《基于深度摄像的手势识别关键技术研究》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、Ｊ‘‘．．；１：：；ｆｆｉ；‘；ｉ．＇ｌＩ‘，；４各种故Ａ逢ＵＮＩＶＥＲＳＩＴＹＯＦ巨ＬＥＣＴＲＯＮＩＣＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＯＦＣＨＩＮＡ专业学位硕±学位论文ＩＩＳＦＯＲＰＲＯＦＥＳＳＭＡＳＴＥＲＴＨＥＳＩＯＮＡＬＤＥＧＲＥＥ…耳濟乂ｉ！誦＾％＇》这６＇＾．＇．论文题目基于深度摄像的手势识别关键技术硏究专业学位类别工程硕击２０１３２２０５０３０６．—胃，ｆ学号作者姓名胡丽华指导教师髙原副妍寃员ｓＳｂＩｂＳＳＢＢ？

2、．．｜．独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加Ｗ标注和致谢的地方夕ｈ论文中不包含其他人己经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名；巧日期；Ｗ辟《月／日３论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部口或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技

3、大学可Ｗ将学位论文的全或入，印、或部部分内容编有关数据库进行检索可采用影缩印扫描。等复、汇制手段保存编学位论文（应遵）保密的学位论文在解密守此规定后、＊＾、签Ｉ：：作者名师签名ｔ导巧叫＾Ｉｔ日：（哗期＞月日分类号密级注1UDC学位论文基于深度摄像的手势识别关键技术研究（题名和副题名）胡丽华（作者姓名）指导教师高原副研究员电子科技大学成都彭真明教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士专业学位类别工程硕士工程领域名称电子与通信工程提交论文日期2016.04论文答辩日期2015.05学位授予单位和日期电子科技大学2016年6月

4、答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。RESEARCHONKEYISSUESOFHANDGESTURERECOGNITIONBASEDONDEPTHCAMERAAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:MasterofEngineeringAuthor:HuLiHuaSupervisor:ResearchAssociateGaoYuanSchool:SchoolofOptoelectronicInformation摘要摘要手势识别是人机交互

5、系统中的重要方法，实现基于视觉的手势识别对于构建自然方便的人机交互系统至关重要。随着深度摄像机的普及，深度信息在手势识别的过程中逐渐被利用，改变了手势在单纯的彩色图像或视频中难以被准确定位和分割的现状，很大程度上提高了手势识别的准确度。本文围绕基于深度信息和彩色信息的手势识别问题，从手势识别现阶段存在的挑战出发，分析了现存方法的优劣，利用深度信息和彩色信息提取完整的手势，考虑了静态手势和动态手势的特点，分别采用了不同的特征和分类方法对两类手势进行识别，实现了一种完整、有效的手势识别算法。本文的主要研究内容如下：（1）研究了手势识别的主要技术，主要涉及手势定位，特征提取，以及分类

6、器选择等方面的技术，介绍了相关方法的优缺点，阐明了基于深度摄像的手势识别技术所面临的困难。（2）研究了手势识别过程中至关重要的手势提取和分割问题。针对在深度图像上提取的手势可能存在背景噪声的问题，本文将彩色图像信息与深度图像信息融合，用于提取完整的手势。采用距离变换检测手势中心点，进一步分割手势。（3）研究了静态手势识别问题。针对静态手势描述特征通常不具有旋转，伸缩不变性的特点，采用了归一化的方式消除实际数据中手势的不一致性；针对手势识别缺乏有效的手势描述特征问题，本文研究了手势的曲率特征及距离特征，并采用二维矩阵组合两种特征，以提高特征对于不同手势的区别能力。最后，本文采用了

7、随机森林分类器对静态手势进行识别。（4）研究了动态手势的识别问题。针对动态手势序列的冗余性，本文进行了手势序列的关键帧提取。然后利用光流信息，彩色信息以及深度信息在判断为关键帧的图像上进行动态手势的检测和手势迹提取，最后采用了动态时间规整算法对手势进行匹配识别出动态手势。（5）在上述算法的基础上，本文实现了基于深度信息的手势识别的完整算法框架，采用880个静态手势样本训练随机森林分类器，在440个样本的测试中达到了91.6%的识别率。采用1584个动态手势样本测试动态手势识算法，实现了平均9