一种基于深度图像的手势识别算法.pdf

《一种基于深度图像的手势识别算法.pdf》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、第41卷第2期数字通信Vol41．No．2222014年4月25日DigitalCommunicationApr．252014DOI：10．3969／j．issn．1001—3824．2014．02．006一种基于深度图像的手势识别算法孟上，高陈强，杨璐毓(重庆邮电大学信号与信息处理重庆市重点实验室，苇庆400065)摘要：利用Kinect捕捉深度图像，使用有效的手势分割手段将手势区域截取并运用相关算法对手势进行轮廓、凸包及其最小外接圆提取；然后构建了4种手势特性参数并给出了4种参数的计算方法；最后综合手势特性参数

2、构建分类决策树以实现手势识别。实验针对9种常见手势在复杂背景条件下进行测试，单个手势识别率在89％一100％之间，综合识别率达到96％。关键词：手势识别；Kinect传感器；人机交互中图分类号：TP391．4文献标识码：A文章编号：1005．3824(2014)02-0022-05因素的影响，目前提出的识别方法都有各种缺点很0引言难在实际中应用。手势识别在人机交互的发展过程中起着不可或为了能够克服上述缺点，本文提出了一种新的缺的作用，是实现真正自然的人机交互的一个至关基于深度图像的手势识别方法：首先利用有效的分重要

3、的技术。该技术利用各类图像，使得机器能够割算法分割手势区域，进而提取该区域轮廓、凸包及经过处理获得人类手势信息，进行相应的手势识别，其最小外接圆；然后计算手势特性参数；最后综合手从而达到人机自然交互的目的。这项关键技术在人势特性参数构建分类决策树以实现手势识别。同机交互领域应用十分广泛：如手术室、展示厅等不方时，利用复杂背景条件下的9种常见手势真实数据便使用外设输入设备的场合。由于巨大的应用前对该方法进行测试，实验结果表明该方法具有有效景，手势识别成为目前研究的热点，出现了许多研究性。方法，如杨波等针对复杂背景采用

4、空问分布特征对1手势区域切割及轮廓、凸包提取手势进行识别¨J，这种方法尽管在理想状态下识别率不错，但是其识别率受到光线强弱极大的影响；手势识别的整体流程如图1所示。在进行手势Frati提出了利用数据手套进行手势识别的方法，识别之前，必须先对手势区域进行有效分割，以确保该方法尽管准确率能够得到保证，但是用户体验并明显的手势特征能够被深度传感器采集捕捉，并且不是十分友好。近年来，由于硬件厂商在自然人机不受身体其他部位干扰。另外，为实现本文提出的交互设备开发上付出了努力，成功地开发出了一系手势识别方法，需要计算特征参数。

5、这些参数需要列深度图像传感器，如Microsoft的Kinect等。这使利用手势轮廓及凸包进行计算，故而需先行对采集得基于深度图像的手势识别成为了又一个研究热深度图像进行预处理。点，如ZhouRen提出的利用Kinec-t基于手指的EMD的鲁棒性手势识别方法J。基于Kinect深度图像的方法相较于前述的数据手套以及基于RGB图像有很大的改进，用户体验以及抗干扰性都有提升。尽管如此，该领域研究还处于初级阶段，如李瑞峰等提出的手势识别方法无法很好地识别例如握拳、五指并拢的手掌类没有单独手指显现特征的图1整体流程图常用手

6、势，而YanWen的方法则无法识别具体的1．1手势区域分割手势。由于受硬件性能以及手势的复杂程度等客观本文中所做实验采集数据由Kinect传感器采收稿日期：2013—08—13修回日期：2013—09—06集得到，其空间分辨率为320×240。数据采集过程第2期孟上等：一种基于深度图像的手势识别算法25圆相切手指数近似等于+1。如图7所示，(4)所势不标准或因手势与传感器角度不同产生的误判，示手势与(7)所示手势有效凸缺陷数相同，且特性当且仅当DCD=3，且其所有DCDA<90。时识别为角都为钝角，CCR并无明显差

7、别，但(7)手势与凸包手势8，否则识别为手势9；当DCD=2时，若其所有有效外接圆顶点数为2，所以凸包有效外接圆顶点DCDA>90。则识别为手势6，仅有1个DCDA<90。时数能够有效区分图示2种手势。识别为手势5，全部DCDA<90。时，识别为手势9；当2．2手势分类与决策DCD=1时，若该DCDA为锐角，则识别为手势5(为防止用户做手势3时大拇指并不拢，当CCR>0．45根据以上4种特性参数的连判，可分类识别9种时，判定为手势3，原因：手掌手势3投影面积大于常见手势。首先建立分类决策树，其识别流程如图8手势5投

8、影面积，且此二组手势凸包外接圆面积近所示。根据DCD参数对不同手势第一次加以区分；似。)若该DCDA为钝角，且CDVC=2，则识别为手对于DCD参数相同的手势再通过DCDA参数区分；势7，否则识别为手势4；当DCD=0时，若CCR>0．55若依然无法区别则利用CCR参数区分；最后使用CD-则识别为手势2，若0．55>CCR>0．35则识别为手为参数加以区分。