基于計算機視覺的手勢識別方法研究.pdf

1、人機交互技術(shù)是近些年來計算機科學(xué)領(lǐng)域研究的熱點，目前主要有兩個研究方向，分別是語言識別技術(shù)和肢體語言識別技術(shù)。因為肢體語言的識別比較復(fù)雜，不僅包括圖形圖像處理，計算機視覺的理論內(nèi)容，還有人工智能以及模式識別等多門學(xué)科的涉及，所以相對于語音識別，肢體語言的識別更加具有挑戰(zhàn)性。由于手是一個不斷變化形狀的對象，故手勢識別的研究領(lǐng)域是一個極富有挑戰(zhàn)的研究課題。本文主要采用計算機視覺技術(shù)，來進行靜態(tài)和動態(tài)手勢識別。
　　本文首先對手勢分割算

2、法進行了分析比較，發(fā)現(xiàn)由于單一分割算法的局限性，不能得到良好的分割效果，于是提出采用膚色分割和區(qū)域分割相結(jié)合的方式將手從復(fù)雜的背景中分割出來。實驗證明，該方法能很好的分割出手勢。然后采用DP算法對手勢進行多邊形擬合，完成了手勢的預(yù)處理。因為幾何矩識別具有速度快的特點，所以采用幾何矩對靜態(tài)手勢進行特征提取。最后通過采用模板匹配算法，實現(xiàn)了對靜態(tài)手勢阿拉伯?dāng)?shù)字1~10的識別。通過分析比較粒子濾波和Camshift跟蹤算法，考慮到粒子濾波算法

3、會產(chǎn)生粒子退化現(xiàn)象，本文采用Camshift算法進行手勢跟蹤。在特征提取模塊上，本文通過獲取手勢軌跡在t時刻到t+1時刻之間的切線角度變化對動態(tài)手勢進行特征提取。由于考慮到8個方向的Freeman算法搜索范圍小，每一次進行邊緣搜素時，都要遍歷模板中的每一個像素點，增加了運算量，本文提出采用改進的Freeman鏈碼對手勢軌跡進行離散化，實現(xiàn)了對動態(tài)手勢特征的提取。
　　本文采用一種改進的隱馬爾科夫模型算法進行動態(tài)手勢識別。針對隱馬爾