本發(fā)明總體上涉及圖像和視頻處理領域，尤其涉及檢測電子設備的操作者的操作體的圖像處理方法以及電子設備。

背景技術：

如今，隨著信息技術日益發(fā)達，電子設備越來越人性化，出現(xiàn)了能夠識別操作者的動作并且執(zhí)行相應的處理的電子設備。典型地，電子設備可以通過攝像頭等捕獲對象圖像(包括動畫)，并且識別圖像中的操作者的手的動作(手勢)，從而執(zhí)行與該各種各樣的手勢對應的處理。然而，在電子設備獲取的對象圖像中，有時會出現(xiàn)除操作者以外的其他人的操作體。此時，需要首先判別哪個操作體是該電子設備的操作者的操作體，否則電子設備容易將非操作者的操作體當作是操作者的操作體而響應，導致誤操作。

例如，電子設備是能夠識別操作者手勢的智能眼鏡并且獲得了如圖1所示的第一視角的圖像。不難看出，圖像中存在兩只手，其中離電子設備較近的握著鼠標的手1為操作者的手，放在桌子上的手2為位于操作者對面的其他人的手。此時，電子設備需要判別哪個手是操作者的手。在檢測出手1為操作者的手之后，只需識別手1的動作，而忽略非操作者的手2的動作。

傳統(tǒng)的檢測電子設備的操作者的操作體的方法是將時間，空間，外表的概率圖模型進行建模。但這種方法需要將時間、空間、外表作為節(jié)點進行復雜的運算，具有運行開銷大、耗時長、耗電高等缺點。

技術實現(xiàn)要素：

本發(fā)明鑒于以上課題完成，其目的在于，提供一種圖像處理方法以及電子設備，能使得電子設備與用戶進行高效率而精確的交互而不會被場景中其他人的操作體進行干擾而影響電子設備和用戶之間的交互。

本發(fā)明的一個實施例提供一種圖像處理方法，應用于電子設備，用于檢測所述電子設備的操作者的第一操作體，其中包括：獲取對象圖像；檢測所 述對象圖像中的至少一個第一操作體；確定所述至少一個第一操作體中的每一個在所述對象圖像中的方向；以及將所述對象圖像中的方向滿足第一條件的第一操作體確定為所述電子設備的操作者的第一操作體。

本發(fā)明的實施例還提供一種電子設備，用于檢測所述電子設備的操作者的第一操作體，其中包括：獲取模塊，配置來獲取對象圖像；檢測模塊，配置來檢測所述對象圖像中的至少一個第一操作體；方向確定模塊，配置來確定所述至少一個第一操作體中的每一個在所述對象圖像中的方向；以及識別模塊，配置來將所述對象圖像中的方向滿足第一條件的第一操作體確定為所述電子設備的操作者的第一操作體。

根據(jù)本發(fā)明的圖像處理方法以及電子設備，根據(jù)操作體在對象圖像中的方向來判定是否為電子設備的操作者的操作體，從而不經(jīng)過復雜的建模運算即可準確地進行操作體的檢測，能使得電子設備與用戶進行高效率而精確的交互而不會被場景中其他人的操作體進行干擾而影響電子設備和用戶之間的交互。

附圖說明

圖1是用于說明電子設備獲取到具有多個操作體的圖像的示意圖。

圖2是根據(jù)本發(fā)明的圖像處理方法的流程圖。

圖3是確定至少一個第一操作體中的每一個在對象圖像中的方向的優(yōu)選實施例的流程圖。

圖4是用于說明基于聚類中心確定的手的方向的示意圖。

圖5是用于說明通過本發(fā)明的圖像處理方法確定的對象圖像中的第一操作體的方向的示意圖。

圖6是用于說明基于第一操作體在對象圖像中的方向確定電子設備的操作者的第一操作體的圖。

圖7是根據(jù)本發(fā)明的電子設備的功能框圖。

具體實施方式

為使本領域的技術人員能夠更好地理解本發(fā)明的技術方案，下面結合附圖詳細說明本發(fā)明的圖像處理方法以及電子設備的具體實施方式。但本發(fā)明不限于此，在本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所 有其他實施例，都屬于本發(fā)明保護的范圍。

【圖像處理方法】

下面，結合附圖來詳細說明本發(fā)明的圖像處理方法。本發(fā)明的圖像處理方法應用于電子設備，電子設備可以檢測操作者的操作體的動作并且執(zhí)行與該動作對應的處理。本發(fā)明不限制電子設備的形式，作為非限制性的示例，電子設備可以是平板電腦、筆記本電腦、智能手機等通用的多功能電子設備，也可以是智能眼鏡等佩戴在操作者身體的某一部位的佩戴型電子設備，此外還可以是通過與本體獨立地設置的遠程單元獲取用戶的操作體的動作信息的分體式電子設備，或者是上述的一個或者多個設備的組合。操作體可以是操作者的身體的某一部位。下面，為了方便說明，以智能眼鏡檢測其第一視角圖像中的操作者的手為例進行說明。圖2是根據(jù)本發(fā)明的圖像處理方法的流程圖。如圖2所示，本發(fā)明的圖像處理方法包括以下步驟：

首先，獲取對象圖像(步驟S210)。具體而言，智能眼鏡可以通過設置在其上的攝像頭以及/或者其他傳感器獲取第一視角的二維圖像。應當注意，本發(fā)明中的對象圖像不限于二維圖像，在一些實施例中，可以獲取三維圖像。此外，如果電子設備還可以從與本體獨立的遠程傳感器中獲取對象圖像，此時的圖像不限于第一視角圖像，例如可以是第三視角圖像。對象圖像中一般包括灰度信息和深度信息。其中，所謂深度信息是指拍攝對象到傳感器之間的距離的信息。深度信息例如可以通過兩個攝像頭獲取圖像，并且利用視差計算得出。此外，也可以使用如紅外傳感器等其他距離傳感器直接獲得。優(yōu)選地，對象圖像可以包括色彩信息。

接下來，檢測對象圖像中的至少一個第一操作體(步驟S220)。例如，當電子設備檢測操作者的手時，可以使用深度信息、灰度信息、色彩信息中的至少一個，根據(jù)手的特征來檢測對象圖像中是否存在手，或者存在幾個手，這些手在對象圖像中的什么位置等。應當注意，當在第一操作體為手以外的其他部位時，也可以根據(jù)該部位的特征來進行檢測。這里，可以使用任何現(xiàn)有的檢測方法進行檢測，因此省略詳細的說明。當沒有檢測到第一操作體時，即可確定對象圖像中不可能存在操作者的第一操作體，因此就可以無需進一步檢測電子設備的操作者的第一操作體而直接結束處理。

隨后，確定所述至少一個第一操作體中的每一個在所述對象圖像中的方向(步驟S230)。這里，可以根據(jù)第一操作體的特征來確定其在對象圖像中 的方向。例如，當?shù)谝徊僮黧w為手時，手指部分和手掌部分的紋理、形狀、色彩等特征不同，因此通過現(xiàn)有的圖像識別技術檢測手的方向即可。為了能夠精確且高效地確定第一操作體的方向，本發(fā)明提供如下優(yōu)選實施例。

下面，結合附圖詳細介紹確定第一操作體的方向的優(yōu)選實施例。在本優(yōu)選實施例中，利用手指部分和手掌部分的紋理豐富度不同來確定手在對象圖像中的方向。在本實施例中，利用曲率密度來衡量紋理的豐富度。這是因為，通過使用曲率密度衡量紋理的豐富度與使用像素點的曲率衡量紋理的豐富度相比，能夠減少例如因手掌上的某一個像素的曲率偶然較大或者手指上的某一個像素的曲率偶然較小而導致的誤差。具體而言，手指部分的紋理豐富，因此該部分曲率密度較大；相反，手掌部分的紋理相對平坦，因此該部分的曲率密度較小。通過確定手掌部分和手指部分的聚類中心，即可判定手的方向。圖3是確定至少一個第一操作體中的每一個在對象圖像中的方向的優(yōu)選實施例的流程圖。如圖3所示：

首先，提取所述至少一個第一操作體中的每一個的輪廓像素(步驟S331)。例如可以對于檢測出來的至少一個第一操作體，基于對象圖像的深度信息生成梯度圖，隨后從梯度圖中提取第一操作體的輪廓像素。其中梯度圖例如可以利用差分方法等常規(guī)的方法生成。提取輪廓像素例如可以利用canny算子或者sobel算子和拉普拉斯變換等現(xiàn)有方法，在這里不再詳細描述。

隨后，計算輪廓像素周圍的規(guī)定范圍區(qū)域的曲率密度(步驟S332)。規(guī)定區(qū)域可以是預先定義的具有規(guī)定高度和寬度的像素區(qū)域，作為非限制性示例，可以是輪廓像素為中心的7×7或者9×9的像素區(qū)域。每一個輪廓像素p的區(qū)域密度V_p例如可以通過以下公式計算得出：

其中，H為像素區(qū)域的高度；W是像素區(qū)域的寬度；d是像素曲率；n是像素區(qū)域中曲率為非零的像素的個數(shù)。

當手為開放的情況下，對象圖像中的手指部分和手掌部分的區(qū)域通常都較大，因此通過上述優(yōu)選實施例能夠容易確定手指部分和手掌部分的聚類中心，從而確定手的方向。然而，由于手掌是閉合狀態(tài)或者由于圖像中手的角度等導致對象圖像中的手指部分或者手掌部分的區(qū)域較小時，高曲率密度的區(qū)域和低曲率密度區(qū)域的距離可能會比較接近。為了進一步減少第一操作體 的方向上的誤差，可以在計算出輪廓像素周圍的規(guī)定范圍區(qū)域的曲率密度后，增加高曲率密度的區(qū)域和低曲率密度的區(qū)域曲率密度的差距。

具體而言，在計算出輪廓像素的曲率密度后，可以進一步調整曲率密度的值，使得具有大于規(guī)定閾值的曲率密度的輪廓像素具有更高的曲率密度，具有小于規(guī)定閾值的曲率密度的輪廓像素具有更低的曲率密度?？梢酝ㄟ^如下式子表達上述處理：

其中d_p是調整后的輪廓像素點p的曲率密度值；V是調整前的曲率密度值；N_p是像素點p的周圍區(qū)域的像素點的集合，周圍區(qū)域的像素點的集合例如包括輪廓像素點p的前后左右的四個像素點，也可以是包括前后左右和斜方向相鄰的八個像素點，但本發(fā)明不限如此，也不排除其他的周圍像素點的集合；V_p是調整前的輪廓像素點p的曲率密度值；V_Np是p的周圍區(qū)域的像素點的曲率密度值的集合；N是像素點p的具有非零曲率的周圍像素點的個數(shù)。Δ是用于判斷包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值的規(guī)定閾值，可以根據(jù)實際情況預先設定。由公式(2)可知，可以對于每一個輪廓像素迭代執(zhí)行如下處理：當包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值大于規(guī)定閾值Δ時，將所述集合中具有最大的曲率密度的像素的曲率密度作為輪廓像素的曲率密度；當包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值小于規(guī)定閾值Δ時，將所述集合中具有最小的曲率密度的像素的曲率密度作為輪廓像素的曲率密度。

隨后，基于所述曲率密度確定第一曲率密度聚類中心以及第二曲率密度聚類中心(步驟S333)。當?shù)谝徊僮黧w為手時，第一曲率密度聚類中心可以是手指部分的高曲率密度聚類中心，第二曲率密度聚類中心可以是手掌部分的低曲率密度聚類中心。這里，例如可以使用聚類數(shù)目k＝2的k-means聚類方法確定第一曲率密度聚類中心以及第二曲率密度聚類中心。由于k-means聚類方法是現(xiàn)有的聚類方法，因此在這里不再詳細敘述。然而，由于本發(fā)明是通過兩個聚類中心的位置來確定第一操作體在對象圖像中的方向，因此如果兩個聚類中心的距離近，容易產(chǎn)生較大的誤差。對此，本發(fā)明在傳統(tǒng)的 k-means聚類方法的基礎上，提供一種如式(3)所示的擴展的k-means聚類方法：

其中，μ₁是第一曲率密度聚類中心、μ₂是第二曲率密度聚類中心、D是兩個聚類中心之間的距離，α是所述距離的權重，N_i是屬于第i個聚類的像素的數(shù)量，是屬于第i個聚類中的第j個像素，并且X＝(v，βx，γd)，v為曲率密度、x為位置信息、d為深度信息，β是所述位置信息的權重，γ是所述深度信息的權重。

由于手指部分上的輪廓像素或者手掌部分上的輪廓像素各自在曲率密度、位置、深度上相近，因此在上述式子中，X存在三個參數(shù)即曲率密度v、位置信息x以及深度信息d。本發(fā)明在此基礎上在分母上增加了聚類中心之間的距離D，即盡可能地獲得更遠的第一曲率密度聚類中心和第二曲率密度聚類中心。這樣，能夠減少最終確定的第一操作體在對象圖像中的方向上的誤差。

隨后，基于第一曲率密度聚類中心以及第二曲率密度聚類中心的位置確定第一操作體在對象圖像中的方向(步驟S334)。圖4是用于說明基于聚類中心確定的手的方向的示意圖。如圖4所示，在計算出手指部分的第一曲率密度聚類中心μ₁和手掌部分的第二曲率密度聚類中心μ₂后，可以將向量<μ₂,μ₁>確定為手在對象圖像中的方向。

通過上述方式對檢測到的對象圖像中的至少一個第一操作體的每一個在所述對象圖像中的方向。圖5是用于說明通過本發(fā)明的圖像處理方法確定的對象圖像中的第一操作體的方向的示意圖。如圖5所示，可以確定圖1中的手1和手2的方向。

在確定第一操作體在對象圖像中的方向后，返回到圖2，將所述對象圖像中的方向滿足第一條件的第一操作體確定為電子設備的操作者的第一操作體(步驟S240)。第一條件可以靈活設定。在一個實施例中，可以將特定范圍內的方向的手確定為電子設備的操作者的手。圖6是用于說明基于第一操作體在對象圖像中的方向確定電子設備的操作者的第一操作體的圖。如圖6所示，由于本實施例中設定的場景為從智能眼鏡獲取的第一視角的對象圖像中檢測智能眼鏡的操作者的手，因此例如可以將特定范圍設置為45°至135 °之間。這樣，由于手1的方向落入該特定范圍之內，因此確定手1為操作者的手；相反，由于手2的方向在該特定范圍之外，因此確定手2為非操作者的手。這樣，智能眼鏡只需識別手1的動作，并且執(zhí)行與該動作相應的處理。應當注意，以上例子是電子設備獲取的對象圖像為第一視角圖像的情況，但本領域技術人員理解可以根據(jù)具體情況靈活調整第一條件。例如，如果本發(fā)明的電子設備是分體式電子設備，并且獲得的第三視角圖像，則可以根據(jù)獲得對象圖像的攝像頭的位置靈活確定上述特定范圍，只要該特定范圍是電子設備的操作者的第一操作體通常的方向范圍即可。此外，本發(fā)明中的第一條件不限于方向是否落入特定范圍，也可以通過訓練器使得電子設備學習哪些方向通常屬于操作者的第一操作體，或者哪些方向通常不屬于操作者的第一操作體，從而根據(jù)經(jīng)驗判斷是對象圖像中的至少一個第一操作體是否為操作者的第一操作體。

此外，本發(fā)明還可以根據(jù)第一操作體在對象圖像中的方向以及第一操作體的深度信息的雙方來確定第一操作體是否為電子設備的操作者的第一操作體。具體而言：

首先獲取所述至少一個第一操作體中的每一個的深度信息。其中第一操作體的深度信息可以從在獲取對象圖像(步驟S210)時獲取的深度信息中提取。

在獲得了深度信息以后，將所述對象圖像中的方向滿足第一條件并且深度信息滿足第二條件的第一操作體確定為所述電子設備的操作者的第一操作體。如果對象圖像是第一視角圖像，則操作者的手通常離電子設備較近，因此在對象圖像中的方向滿足第一條件的基礎上，進一步判斷該第一操作體是否足夠接近于電子設備。第二條件例如可以設定為電子設備的傳感器到手的平均距離小于規(guī)定數(shù)值。當然，也可以通過向電子設備輸入大量的樣本，以使電子設備根據(jù)經(jīng)驗判斷何種距離范圍以及何種方向的第一操作體屬于操作者的第一操作體。此外，如果對象圖像是第三視角圖像，則根據(jù)攝像頭的位置等實際情況靈活設定第二條件。這樣，能夠進一步提高檢測操作體的精度。

通過以上方法，能夠不經(jīng)過復雜的建模運算即可準確地進行操作體的檢測，能使得電子設備與用戶進行高效率而精確的交互而不會被場景中其他人的操作體進行干擾而影響電子設備和用戶之間的交互。

以上說明了本發(fā)明的圖像處理方法的多個實施例。顯然，本領域技術人 員在不脫離本發(fā)明的精神和范圍內可以對上述實施例作出各種組合、修改或者變形。本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

【電子設備】

下面，結合附圖來詳細說明本發(fā)明的電子設備。本發(fā)明的電子設備通過檢測操作者的操作體，從而例如識別操作者的操作體的動作并且執(zhí)行與該動作對應的處理。應當注意，本發(fā)明不限制電子設備的形式，作為非限制性的示例，電子設備可以是平板電腦、筆記本電腦、智能手機等通用的多功能電子設備，也可以是智能眼鏡等佩戴在操作者身體的某一部位的佩戴型電子設備，此外還可以是通過與本體獨立地設置的遠程單元獲取用戶的操作體的動作信息的分體式電子設備，或者是上述的一個或者多個設備的組合。操作體可以是操作者的身體的某一部位。下面，為了方便說明，以智能眼鏡檢測其第一視角圖像中的操作者的手為例進行說明。

圖7是根據(jù)本發(fā)明的電子設備的功能框圖。如圖7所示，電子設備700包括：獲取模塊710、檢測模塊720、方向確定模塊730以及識別模塊740。

獲取模塊710用于獲取對象圖像。具體而言，智能眼鏡可以通過設置在其上的攝像頭以及/或者其他傳感器獲取第一視角的二維圖像。應當注意，本發(fā)明中的對象圖像不限于二維圖像，在一些實施例中，可以獲取三維圖像。此外，如果電子設備還可以從與本體獨立的遠程傳感器中獲取對象圖像，此時的圖像不限于第一視角圖像，例如可以是第三視角圖像。對象圖像中一般包括灰度信息和深度信息。其中，所謂深度信息是指拍攝對象到傳感器之間的距離的信息。深度信息例如可以通過兩個攝像頭獲取圖像，并且利用視差計算得出。此外，也可以使用如紅外傳感器等其他距離傳感器直接獲得。優(yōu)選地，對象圖像可以包括色彩信息。

檢測模塊720用于檢測對象圖像中的至少一個第一操作體。例如，當電子設備檢測操作者的手時，可以使用深度信息、灰度信息、色彩信息中的至少一個，根據(jù)手的特征來檢測對象圖像中是否存在手，或者存在幾個手，這些手在對象圖像中的什么位置等。應當注意，當在第一操作體為手以外的其他部位時，也可以根據(jù)該部位的特征來進行檢測。這里，可以使用任何現(xiàn)有的檢測方法進行檢測，因此省略詳細的說明。當沒有檢測到第一操作體時，即可確定對象圖像中不可能存在操作者的第一操作體，因此就可以無需進一 步檢測電子設備的操作者的第一操作體而直接結束處理。

方向確定模塊730用于確定所述至少一個第一操作體中的每一個在所述對象圖像中的方向。這里，可以根據(jù)第一操作體的特征來確定其在對象圖像中的方向。例如，當?shù)谝徊僮黧w為手時，手指部分和手掌部分的紋理、形狀、色彩等特征不同，因此通過現(xiàn)有的圖像識別技術檢測手的方向即可。為了能夠精確且高效地確定第一操作體的方向，本發(fā)明提供如下優(yōu)選實施例。

下面，結合附圖詳細介紹確定第一操作體的方向的優(yōu)選實施例。在本優(yōu)選實施例中，利用手指部分和手掌部分的紋理豐富度不同來確定手在對象圖像中的方向。在本實施例中，利用曲率密度來衡量紋理的豐富度。這是因為，通過使用曲率密度衡量紋理的豐富度與使用像素點的曲率衡量紋理的豐富度相比，能夠減少例如因手掌上的某一個像素的曲率偶然較大或者手指上的某一個像素的曲率偶然較小而導致的誤差。具體而言，手指部分的紋理豐富，因此該部分曲率密度較大；相反，手掌部分的紋理相對平坦，因此該部分的曲率密度較小。通過確定手掌部分和手指部分的聚類中心，即可判定手的方向。在本優(yōu)選實施例中，電子設備700還包括提取模塊(未圖示)、曲率密度計算模塊(未圖示)以及聚類中心確定模塊(未圖示)。

提取模塊用于提取所述至少一個第一操作體中的每一個的輪廓像素。具體而言，例如可以對于檢測出來的至少一個第一操作體，基于對象圖像的深度信息生成梯度圖，隨后從梯度圖中提取第一操作體的輪廓像素。其中梯度圖例如可以利用差分方法等常規(guī)的方法生成。提取輪廓像素例如可以利用canny算子或者sobel算子和拉普拉斯變換等現(xiàn)有方法，在這里不再詳細描述。

曲率密度計算模塊用于計算輪廓像素周圍的規(guī)定范圍區(qū)域的曲率密度。規(guī)定區(qū)域可以是預先定義的具有規(guī)定高度和寬度的像素區(qū)域，作為非限制性示例，可以是輪廓像素為中心的7×7或者9×9的像素區(qū)域。每一個輪廓像素p的區(qū)域密度V_p例如可以通過以下公式計算得出：

其中，H為像素區(qū)域的高度；W是像素區(qū)域的寬度；d是像素曲率；n是像素區(qū)域中曲率為非零的像素的個數(shù)。

當手為開放的情況下，對象圖像中的手指部分和手掌部分的區(qū)域通常都較大，因此通過上述優(yōu)選實施例能夠容易確定手指部分和手掌部分的聚類中 心，從而確定手的方向。然而，由于手掌是閉合狀態(tài)或者由于圖像中手的角度等導致對象圖像中的手指部分或者手掌部分的區(qū)域較小時，高曲率密度的區(qū)域和低曲率密度區(qū)域的距離可能會比較接近。為了進一步減少第一操作體的方向上的誤差，可以在計算出輪廓像素周圍的規(guī)定范圍區(qū)域的曲率密度后，增加高曲率密度的區(qū)域和低曲率密度的區(qū)域曲率密度的差距。

具體而言，電子設備700可以包括調整模塊(未圖示)，在計算出輪廓像素的曲率密度后，該調整模塊可以進一步調整曲率密度的值，使得具有大于規(guī)定閾值的曲率密度的輪廓像素具有更高的曲率密度，具有小于規(guī)定閾值的曲率密度的輪廓像素具有更低的曲率密度?？梢酝ㄟ^如下式子表達上述處理：

其中d_p是調整后的輪廓像素點p的曲率密度值；V是調整前的曲率密度值；N_p是像素點p的周圍區(qū)域的像素點的集合，周圍區(qū)域的像素點的集合例如包括輪廓像素點p的前后左右的四個像素點，也可以是包括前后左右和斜方向相鄰的八個像素點，但本發(fā)明不限如此，也不排除其他的周圍像素點的集合；V_p是調整前的輪廓像素點p的曲率密度值；V_Np是p的周圍區(qū)域的像素點的曲率密度值的集合；N是像素點p的具有非零曲率的周圍像素點的個數(shù)。Δ是用于判斷包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值的規(guī)定閾值，可以根據(jù)實際情況預先設定。由公式(2)可知，調整模塊可以對于每一個輪廓像素迭代執(zhí)行如下處理：當包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值大于規(guī)定閾值Δ時，將所述集合中具有最大的曲率密度的像素的曲率密度作為輪廓像素的曲率密度；當包含輪廓像素和所述輪廓像素周圍的非零像素的集合的曲率密度的平均值小于規(guī)定閾值Δ時，將所述集合中具有最小的曲率密度的像素的曲率密度作為輪廓像素的曲率密度。

隨后，聚類中心確定模塊基于所述曲率密度確定第一曲率密度聚類中心以及第二曲率密度聚類中心。當?shù)谝徊僮黧w為手時，第一曲率密度聚類中心可以是手指部分的高曲率密度聚類中心，第二曲率密度聚類中心可以是手掌部分的低曲率密度聚類中心。這里，例如可以使用聚類數(shù)目k＝2的k-means聚類方法確定第一曲率密度聚類中心以及第二曲率密度聚類中心。由于 k-means聚類方法是現(xiàn)有的聚類方法，因此在這里不再詳細敘述。然而，由于本發(fā)明是通過兩個聚類中心的位置來確定第一操作體在對象圖像中的方向，因此如果兩個聚類中心的距離近，容易產(chǎn)生較大的誤差。對此，本發(fā)明在傳統(tǒng)的k-means聚類方法的基礎上，提供一種如式(3)所示的擴展的k-means聚類方法：

其中，μ₁是第一曲率密度聚類中心、μ₂是第二曲率密度聚類中心、D是兩個聚類中心之間的距離，α是所述距離的權重，N_i是屬于第i個聚類的像素的數(shù)量，是屬于第i個聚類中的第j個像素，并且X＝(v，βx，γd)，v為曲率密度、x為位置信息、d為深度信息，β是所述位置信息的權重，γ是所述深度信息的權重。

由于手指部分上的輪廓像素或者手掌部分上的輪廓像素各自在曲率密度、位置、深度上相近，因此在上述式子中，X存在三個參數(shù)即曲率密度v、位置信息x以及深度信息d。本發(fā)明在此基礎上在分母上增加了聚類中心之間的距離D，即盡可能地獲得更遠的第一曲率密度聚類中心和第二曲率密度聚類中心。這樣，能夠減少最終確定的第一操作體在對象圖像中的方向上的誤差。

隨后，方向確定模塊230基于第一曲率密度聚類中心以及第二曲率密度聚類中心的位置確定第一操作體在對象圖像中的方向(步驟S334)。圖4是用于說明基于聚類中心確定的手的方向的示意圖。如圖4所示，在計算出手指部分的第一曲率密度聚類中心μ₁和手掌部分的第二曲率密度聚類中心μ₂后，可以將向量<μ₂,μ₁>確定為手在對象圖像中的方向。

通過上述方式對檢測到的對象圖像中的至少一個第一操作體的每一個在所述對象圖像中的方向。圖5是用于說明通過本發(fā)明的圖像處理方法確定的對象圖像中的第一操作體的方向的示意圖。如圖5所示，可以確定圖1中的手1和手2的方向。

在確定第一操作體在對象圖像中的方向后，識別模塊240將所述對象圖像中的方向滿足第一條件的第一操作體確定為電子設備的操作者的第一操作體。第一條件可以靈活設定。在一個實施例中，可以將特定范圍內的方向的手確定為電子設備的操作者的手。圖6是用于說明基于第一操作體在對象圖 像中的方向確定電子設備的操作者的第一操作體的圖。如圖6所示，由于本實施例中設定的場景為從智能眼鏡獲取的第一視角的對象圖像中檢測智能眼鏡的操作者的手，因此例如可以將特定范圍設置為45°至135°之間。這樣，由于手1的方向落入該特定范圍之內，因此確定手1為操作者的手；相反，由于手2的方向在該特定范圍之外，因此確定手2為非操作者的手。這樣，智能眼鏡只需識別手1的動作，并且執(zhí)行與該動作相應的處理。應當注意，以上例子是電子設備700獲取的對象圖像為第一視角圖像的情況，但本領域技術人員理解可以根據(jù)具體情況靈活調整第一條件。例如，如果本發(fā)明的電子設備是分體式電子設備，并且獲得的第三視角圖像，則可以根據(jù)獲得對象圖像的攝像頭的位置靈活確定上述特定范圍，只要該特定范圍是電子設備的操作者的第一操作體通常的方向范圍即可。此外，本發(fā)明中的第一條件不限于方向是否落入特定范圍，也可以通過訓練器使得電子設備學習哪些方向通常屬于操作者的第一操作體或者哪些方向通常不屬于操作者的第一操作體，從而根據(jù)經(jīng)驗判斷是對象圖像中的至少一個第一操作體是否為操作者的第一操作體。

此外，本發(fā)明的電子設備700還可以根據(jù)第一操作體在對象圖像中的方向以及第一操作體的深度信息的雙方來確定第一操作體是否為電子設備的操作者的第一操作體。具體而言：

首先，獲取模塊710獲取所述至少一個第一操作體中的每一個的深度信息。其中第一操作體的深度信息可以在獲取對象圖像時獲取的深度信息中提取。

在獲得了深度信息以后，識別模塊740將所述對象圖像中的方向滿足第一條件并且深度信息滿足第二條件的第一操作體確定為所述電子設備的操作者的第一操作體。如果對象圖像是第一視角圖像，則操作者的手通常離電子設備較近，因此在對象圖像中的方向滿足第一條件的基礎上，進一步判斷該第一操作體是否足夠接近于電子設備。第二條件例如可以設定為電子設備的傳感器到手的平均距離小于規(guī)定數(shù)值。當然，也可以通過向電子設備輸入大量的樣本，以使電子設備根據(jù)經(jīng)驗判斷何種距離范圍以及何種方向的第一操作體屬于操作者的第一操作體。此外，如果對象圖像是第三視角圖像，則根據(jù)攝像頭的位置等實際情況靈活設定第二條件。這樣，能夠進一步提高檢測操作體的精度。

通過以上處理，能夠不經(jīng)過復雜的建模運算即可準確地進行操作體的檢測，能使得電子設備與用戶進行高效率而精確的交互而不會被場景中其他人的操作體進行干擾而影響電子設備和用戶之間的交互。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本發(fā)明可借助軟件加必需的硬件平臺的方式來實現(xiàn)，當然也可以全部通過硬件來實施?；谶@樣的理解，本發(fā)明的技術方案對背景技術做出貢獻的全部或者部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在存儲介質中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。

以上說明了本發(fā)明的電子設備的多個實施例。顯然，本領域技術人員在不脫離本發(fā)明的精神和范圍內可以對上述實施例作出各種組合、修改或者變形。本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。