[發明專利]一種基于視覺的靜態手勢識別方法

有效

• 申請號: 201610079098.3
• 申請日: 2016-02-04
• 公開（公告）號: CN105760828B
• 公開（公告）日: 2019-03-22
• 發明（設計）人: 楊明強;莊會偉;賁晛燁
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 楊樹云

本發明涉及一種基于視覺的靜態手勢識別方法，包括訓練階段和測試階段：訓練階段中對訓練圖像進行預處理，然后提取訓練圖像的LBP特征和CSS角點特征，融合提取到的特征，對基于壓縮感知理論設計的分類器進行訓練。測試階段，對拍攝到的手勢圖像進行預處理，再提取出測試圖像的LBP特征和CSS角點特征，融合這兩種特征，利用已經訓練好的分類器進行分類識別。本發明通過融合兩種特征，并且采用壓縮感知理論設計分類器，能夠彌補單特征的不足，提高手勢的識別率。

技術領域

本發明涉及一種基于視覺的靜態手勢識別方法，屬于人機交互技術領域。

背景技術

隨著計算機技術的迅速發展，人機交互技術已經成為了各國研究者研究的熱點。傳統的人機交互方式主要是基于鍵盤、鼠標等設備，這種方式非常不方便，越來越不能滿足人們的需求。由于手勢具有生動、形象、直觀等特點，使得它在人機交互領域有著至關重要的作用。手勢識別一般分為基于數據手套的手勢識別和基于視覺的手勢識別。基于數據手套的手勢識別一般是在人的手上佩戴一些傳感設備，對人手運動的速度，加速度等物理量進行信號分析，從而獲得手勢的信息。這種方式比較有利于獲得手勢的運動信息，識別率比較高，實時性也比較好，但是，由于需要穿戴傳感設備，使得這種交互方式變得不方便也不自由，而且這些傳感設備也比較昂貴。相比較而言，基于視覺的手勢識別不需要價格昂貴的傳感設備，只是利用攝像頭拍攝到手勢的圖像數據，然后對圖像數據進行處理分析。這種方式自然，方便，不需要佩戴專用設備，為人機交互提供了一種直觀的交流方式，但是它的識別率還比較低，實時性也不好，比較容易受到光照，背景等的干擾。因此對于這種方式還有待于研究者的進一步研究。

目前，基于視覺的手勢識別的過程一般是：采集手勢圖像，對圖像進行預處理，特征提取，識別分類。其中，對識別結果影響比較大的是特征提取和分類器的設計。比較常用的特征有SIFT(Scale-Invariant Feature Transform,尺度不變特征轉換)、HOG(Histogram of Gradient,梯度方向直方圖)，LBP(Local Binary Pattern，局部二值模式)，角點特征等。但是單一的特征往往不能很好地描述圖像，從而分類的結果也不盡如人意。

2013年3月，張汗靈、李紅英、周敏在湖南大學學報(自然科學版)上發表的文章《融合多特征和壓縮感知的手勢識別》，該文章提出了一種融合手勢的Zernike矩和HOG特征，利用CS(Compressive Sensing,壓縮感知)算法進行分類的手勢識別方法，但是，這兩種特征都不能很好地描述出手勢的局部紋理特征，并且在融合這兩種特征的時候賦予了它們相同的權值，從而沒有體現出哪種特征對識別的結果影響較大。

2014年6月，楊磊發表了碩士學位論文《融合多特征和壓縮感知的手勢識別》，在該論文中首先利用基于YCbCr顏色空間的閾值自適應方法和Hu矩手型比較算法進行分割得到手勢區域，然后提取手勢的SURF(Speed-Up Robust Features,加速魯棒特征)和Hu矩特征，融合這兩種特征利用CS算法進行分類。但是，Hu矩只用到低階矩，不能很好地描述圖像的細節。

中國專利文獻CN104299004A公開了一種基于多特征融合和指尖檢測的手勢識別方法。包括訓練過程和識別過程：訓練過程中，針對復雜的手勢，選擇合理的手勢特征，并利用多特征融合的特征提取算法，對手勢進行支持向量機訓練，形成訓練模型。識別過程中，針對輸入的視頻圖像序列，首先進行手勢檢測，再進行多特征提取和融合并輸入到支持向量機中得到識別結果；同時，對手勢進行基于缺陷的指尖檢測，通過缺陷篩選器，定位到手指各指尖的位置，然后，將兩次識別和檢測結果進行綜合，得到最終的手勢識別結果。但是，該專利中存在以下缺陷：其融合的多特征包括Hu矩特征，缺陷特征和六個比例特征本質上都屬于一種特征就是手勢的形狀特征，提取形狀特征對預處理時手勢的分割要求比較高；該專利中利用支持向量機進行訓練和識別，支持向量機的計算復雜度比較高。

發明內容

針對現有技術的不足，本發明提供了一種基于視覺的靜態手勢識別方法；