一種靜態(tài)手勢識別方法
【專利摘要】本發(fā)明一種靜態(tài)手勢識別方法，本發(fā)明提出一種基于空間手勢坐標(biāo)點分布特征HCDF和類-Hausdorff距離模板匹配的手勢識別方法。首先用HCDF提取手勢特征向量；然后將提取的特征與樣本庫進行相似性度量，選取M種相近的候選樣本；最后用類-Hausdorff距離模板匹配的思想，從M種候選樣本中識別出最終的手勢。本發(fā)明的有益效果是：與HDF方法相比本發(fā)明有更高的識別率，并且本發(fā)明對于旋轉(zhuǎn)、縮放、平移的手勢，仍能正確識別，對區(qū)分度較小的相近手勢仍能保持很高的識別率。另外，相比于單純用類-Hausdorff距離進行識別，本發(fā)明的識別速度有較大提高。
【專利說明】一種靜態(tài)手勢識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種靜態(tài)手勢識別方法。

【背景技術(shù)】
[0002] 手勢交互作為一種新穎的人機交互手段，已成為人機交互領(lǐng)域近年來的一個研究 熱點，基于視覺的手勢識別更是手勢交互所不可缺少的一項關(guān)鍵技術(shù)。從手勢的運動特點 出發(fā)，基于視覺的手勢識別可分為動態(tài)手勢識別和靜態(tài)手勢識別兩大類。動態(tài)手勢可以定 義為手運動的軌跡，是指隨時間的變化手勢的形狀和位置也發(fā)生著相應(yīng)的改變。因此，識別 效果容易受手勢輪廓、時空位置、移動速率等因素的影響。靜態(tài)手勢可以認(rèn)為是動態(tài)手勢 中某一個時間點下的特例，是指不隨時間變化而變化的手勢，其識別效果與手勢的輪廓、形 狀、紋理等相關(guān)。由于靜態(tài)手勢是動態(tài)手勢變化過程中的某一狀態(tài)，是手勢識別的核心工 作。
[0003] Haitham Η等提出一種利用神經(jīng)網(wǎng)絡(luò)進行手勢識別的方法，該方法通過邊緣檢測 提取樣本幾何矩特征和輪廓特征，然后利用神經(jīng)網(wǎng)絡(luò)對手勢進行識別，但是該方法對靜態(tài) 手勢的識別較低。王海等提出了基于Hu矩的圖像旋轉(zhuǎn)識別法，通過一系列數(shù)學(xué)方法將手部 的圖像數(shù)據(jù)映射到特征空間，其缺點是不直觀，并且計算量一般都很大。Dardas N Η等通 過對圖像進行尺度不變性特征變換和矢量化特征提取，然后用特征包和多類支持向量機對 手勢進行識別，該方法可以得到較好的手勢識別效果，但是由于SIFT算法的計算復(fù)雜度高 導(dǎo)致識別速度較慢，實時性差。王修暉等提出Tortoise模型表征人手部基本特征，結(jié)合遺 傳算法在幾何與紋理混合特征空間內(nèi)實現(xiàn)手勢識別，其方法提高了實時性，但其只對幾種 區(qū)分度較大的手勢進行了實驗。何力等提出一種基于最大似然準(zhǔn)則Hausdorff距離的手勢 識別算法，搜索策略采用類似于Rucklidge提出的多分辨率搜索方法，縮短了搜索時間，同 時也能較好地識別字母手勢，但是對部分變形（旋轉(zhuǎn)和縮放）手勢識別效果不好。張良國 等采取手勢區(qū)域輪廓特征點，利用Hausdorff距離模板匹配的思想，實現(xiàn)了 30個中國手語 手指字母的識別，但未考慮手勢旋轉(zhuǎn)、縮放、膚色干擾時的手勢識別。楊波等提出一種空間 分布特征的手勢識別算法，將手勢的整體表觀特征與手勢的關(guān)節(jié)變化特性結(jié)合起來提取手 勢的空間分布特征（HDF)，該方法對差異較大的手勢有較高的識別率，但對區(qū)分度較小的手 勢，識別率不高。


【發(fā)明內(nèi)容】

[0004] 為解決以上技術(shù)上的不足，本發(fā)明提供了一種識別率高，識別速度快的靜態(tài)手勢 識別方法。
[0005] 本發(fā)明是通過以下措施實現(xiàn)的：
[0006] 本發(fā)明一種靜態(tài)手勢識別方法，包括以下步驟：
[0007] 步驟1，啟動攝像頭，獲取含有目標(biāo)手勢的當(dāng)前幀的BMP圖像，用膚色分布模型把 目標(biāo)手勢從該BMP圖像中提取出來；
[0008] 步驟2,求出目標(biāo)手勢圖像的最小外接正方形，并把其縮放為標(biāo)準(zhǔn)化圖像；計算出 該標(biāo)準(zhǔn)化圖像中目標(biāo)手勢的主方向，并建立二維手勢直角坐標(biāo)系，然后求出空間手勢坐標(biāo) 點分布特征HCDF中的每個特征向量；
[0009] 步驟3,計算步驟2中當(dāng)前目標(biāo)手勢與樣本庫里每種手勢的空間手勢坐標(biāo)點分布 特征HCDF中第二個特征向量的歐氏距離，然后按照歐氏距離的值從小到大的順序從樣本 庫內(nèi)選取出對應(yīng)的Μ種候選手勢G m ;
[0010] 步驟4,根據(jù)類-Hausdorff距離公式依次計算當(dāng)前目標(biāo)手勢C的8個點 集Pi與每種候選手勢G m的8個點集qi的類-Hausdorff距離Hism (C, Gm),其中， ///.v,,.(CG',,.) = V II.(Pi,q.) 1=1,....8 · 5
[0011] 步驟5,求出其中最小的類-Hausdorff距離值H，樣本庫里與之對應(yīng)的該種手勢就 是最終的識別結(jié)果，輸出三維手勢圖像，其中，H = Min{HiSl，. . .，HisJ。
[0012] 在步驟2中，在計算標(biāo)準(zhǔn)化圖像中目標(biāo)手勢的主方向時，首先求出目標(biāo)手勢的重 心點0,然后，計算圖像中離手勢重心最遠的手勢像素點M,把向量石作為手勢的主方向；

【權(quán)利要求】
1. 一種靜態(tài)手勢識別方法，其特征在于，包括以下步驟： 步驟1，啟動攝像頭，獲取含有目標(biāo)手勢的當(dāng)前幀的BMP圖像，用膚色分布模型把目標(biāo) 手勢從該BMP圖像中提取出來； 步驟2,求出目標(biāo)手勢圖像的最小外接正方形，并把其縮放為標(biāo)準(zhǔn)化圖像；計算出該標(biāo) 準(zhǔn)化圖像中目標(biāo)手勢的主方向，并建立二維手勢直角坐標(biāo)系，然后求出空間手勢坐標(biāo)點分 布特征HCDF中的每個特征向量； 步驟3,計算步驟2中當(dāng)前目標(biāo)手勢與樣本庫里每種手勢的空間手勢坐標(biāo)點分布特征 HCDF中第二個特征向量的歐氏距離，然后按照歐氏距離的值從小到大的順序從樣本庫內(nèi)選 取出對應(yīng)的Μ種候選手勢Gm ; 步驟4,根據(jù)類-Hausdorff距離公式依次計算當(dāng)前目標(biāo)手勢C的8個點集Pi與每種候 選手勢Gm的8個點集qi的類-Hausdorff距離Hism(C，G m)，其中，"'.、.太幻 步驟5,求出其中最小的類-Hausdorff距離值H，樣本庫里與之對應(yīng)的該種手勢就是最 終的識別結(jié)果，輸出三維手勢圖像，其中，H = Min{HiSl，· · ·，HisJ。
2. 根據(jù)權(quán)利要求1所述靜態(tài)手勢識別方法，其特征在于：在步驟2中，在計算標(biāo)準(zhǔn)化圖 像中目標(biāo)手勢的主方向時，首先求出目標(biāo)手勢的重心點〇,然后，計算圖像中離手勢重心最 遠的手勢像素點M,把向量?作為手勢的主方向；
R表示手勢圖像中的手勢像素 區(qū)域； 然后對每幅手勢圖像，以手勢重心點為坐標(biāo)原點，手勢主方向為Υ軸正方向，沿Υ軸正 方向順時針旋轉(zhuǎn)90度作為X軸正方向，建立二維手勢直角坐標(biāo)系； 手勢主方向$順時針把手勢圖像等分為8個子圖像區(qū)域；計算每個子圖像區(qū)域內(nèi)目 標(biāo)像素點的總數(shù)Si (i = 1，. . .，8)，并找出Si的最大值計算HCDF的第2個 特征向量r : s Γ. = -- f i = 1,...,8 ο ^ max 空間手勢坐標(biāo)點分布特征HCDF的第3個特征向量p存放每個子圖像區(qū)域中目標(biāo)像素 點的點集。
3. 根據(jù)權(quán)利要求1所述靜態(tài)手勢識別方法，其特征在于：在步驟2中， 含目標(biāo)手勢的最小外接正方形圖像按照縮放公式縮放為40*40的大小，縮放公式為：
i xzoom - NewwidelWide 其中，? ν , . , Wi, . , ; xzoom、yzoom分別為水平和垂直的縮放比率， [vzoo/n = Ncwhcignt /1 letght Newwide、Newheigh為新圖像的寬和高，Wide、Height為原圖像的寬和高。
【文檔編號】G06K9/00GK104102904SQ201410334999
【公開日】2014年10月15日 申請日期:2014年7月14日 優(yōu)先權(quán)日:2014年7月14日
【發(fā)明者】馮志全, 楊學(xué)文 申請人:濟南大學(xué)