[發(fā)明專利]一種基于HOG+SVM框架的手勢(shì)內(nèi)平面旋轉(zhuǎn)檢測(cè)模型生成方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510080211.5
• 申請(qǐng)日: 2015-02-13
• 公開（公告）號(hào): CN104731324B
• 公開（公告）日: 2017-08-25
• 發(fā)明（設(shè)計(jì)）人: 牛建偉;趙曉軻;路杰
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06F3/01
• 分類號(hào): G06F3/01;G06K9/00
• 代理公司: 北京永創(chuàng)新實(shí)專利事務(wù)所11121
• 代理人: 祗志潔

1.一種基于方向梯度直方圖HOG+支持向量機(jī)SVM框架的手勢(shì)內(nèi)平面旋轉(zhuǎn)檢測(cè)模型生成方法，其特征在于，包括以下步驟：

步驟1：采集特定方向范圍的手勢(shì)數(shù)據(jù)集；

手勢(shì)數(shù)據(jù)集包含兩個(gè)部分：含既定手勢(shì)的正樣本數(shù)據(jù)集和不含既定手勢(shì)的負(fù)樣本數(shù)據(jù)集；將平面內(nèi)任意90度范圍內(nèi)分為2～3個(gè)子范圍，然后按照分的范圍采集手勢(shì)數(shù)據(jù)集；

步驟2：提取特定方向各子范圍內(nèi)樣本數(shù)據(jù)集的HOG特征，并利用SVM方法訓(xùn)練對(duì)應(yīng)的SVM模型；

步驟3：生成平面空間內(nèi)其他各個(gè)方向范圍的SVM模型；

利用SVM模型轉(zhuǎn)換方法對(duì)步驟2生成的90度內(nèi)子范圍的SVM進(jìn)行處理，生成平面空間內(nèi)其他三個(gè)90度方向范圍的SVM模型；

步驟4：根據(jù)實(shí)際情況對(duì)線性SVM模型常數(shù)項(xiàng)的值進(jìn)行調(diào)節(jié)設(shè)定，將生成SVM模型集用到基于HOG特征的多SVM模型檢測(cè)應(yīng)用程序中。

2.根據(jù)權(quán)利要求1所述的一種基于方向梯度直方圖HOG+支持向量機(jī)SVM框架的手勢(shì)內(nèi)平面旋轉(zhuǎn)檢測(cè)模型生成方法，其特征在于，所述的步驟1中，對(duì)于采集正負(fù)樣本數(shù)據(jù)集的要求如下：

(1)負(fù)樣本數(shù)據(jù)集需要樣本具有多樣性，樣本具有多樣性是指圖像中具有豐富的場(chǎng)景或紋理；

(2)正樣本數(shù)據(jù)集需要人手多樣性，人手多樣性是指人手具有大小長(zhǎng)短顏色之分，需要盡可能采集多種情況；

(3)正樣本數(shù)據(jù)集需要場(chǎng)景多樣性，場(chǎng)景多樣性包括光線條件、背景紋理和拍攝角度。

3.根據(jù)權(quán)利要求1所述的一種基于方向梯度直方圖HOG+支持向量機(jī)SVM框架的手勢(shì)內(nèi)平面旋轉(zhuǎn)檢測(cè)模型生成方法，其特征在于，所述的步驟2中，利用改進(jìn)的HOG特征方法對(duì)正負(fù)樣本數(shù)據(jù)集進(jìn)行特征提取，具體是：

步驟2.1：預(yù)處理，包括設(shè)定HOG相關(guān)參數(shù)、加載HOG梯度投值空間對(duì)應(yīng)的字典；

步驟2.2：計(jì)算梯度，具體是：利用[-1 0 1]和[-1 0 1]^T算子對(duì)樣本圖像進(jìn)行卷積處理，將結(jié)果分別作為dx和dy，計(jì)算圖像的梯度，梯度包含幅值和方向；

步驟2.3：將所得梯度根據(jù)方向進(jìn)行投票，生成基于塊的方向梯度直方圖；

對(duì)每個(gè)塊的各個(gè)細(xì)胞單元通過其內(nèi)的像素按照梯度方向投值，從而建立一個(gè)方向梯度直方圖；在塊區(qū)域內(nèi)的細(xì)胞單元中心間做雙線性插值操作；其中，將梯度投值空間劃分為偶數(shù)；

步驟2.4：對(duì)基于塊的方向梯度直方圖進(jìn)行對(duì)比度L2-norm歸一化；

步驟2.5：將各個(gè)塊上的方向梯度直方圖進(jìn)行排序形成HOG特征。

4.根據(jù)權(quán)利要求1所述的一種基于方向梯度直方圖HOG+支持向量機(jī)SVM框架的手勢(shì)內(nèi)平面旋轉(zhuǎn)檢測(cè)模型生成方法，其特征在于，所述的步驟3中，利用SVM模型轉(zhuǎn)換方法進(jìn)行處理的步驟如下：

步驟3.1：預(yù)處理，具體是：利用樣本圖像的長(zhǎng)寬、梯度空間投值區(qū)間數(shù)和HOG塊的大小，來獲取樣本圖像的水平方向上HOG塊的個(gè)數(shù)、垂直方向上HOG塊的個(gè)數(shù)、塊上方向梯度直方圖的長(zhǎng)度、以及樣本圖像上HOG特征的元素個(gè)數(shù)；

步驟3.2：根據(jù)輸入SVM模型所檢測(cè)的方向和期望輸出的檢測(cè)方向，利用塊在圖像中的對(duì)應(yīng)空間關(guān)系，調(diào)整SVM模型中支持向量的元素所代表塊的順序；

步驟3.3：根據(jù)輸入SVM模型所檢測(cè)的方向和輸出方向的相應(yīng)塊的細(xì)胞單元的對(duì)應(yīng)空間關(guān)系，調(diào)整SVM模型中支持向量的元素所代表細(xì)胞單元的順序；

步驟3.4：根據(jù)輸入SVM模型所檢測(cè)的方向和輸出方向在梯度投值空間區(qū)間的對(duì)應(yīng)關(guān)系，調(diào)整SVM模型中支持向量的各個(gè)元素的順序。