本發(fā)明涉及計(jì)算機(jī)信號處理技術(shù)領(lǐng)域，具體涉及一種手勢識別方法及系統(tǒng)。

背景技術(shù)：

隨著科技的發(fā)展和人們生活方式的轉(zhuǎn)變，人們對智能化的生活方式有著越來越高的要求，相對于傳統(tǒng)的人機(jī)按鍵交互，人們更加傾向于自然的智能化的人機(jī)交互方式。手勢識別可以把手勢這種自然、直觀的交流方式引入人機(jī)接口中，實(shí)現(xiàn)更符合人類行為習(xí)慣的人機(jī)交互，在人機(jī)交互的發(fā)展過程中起到了不可或缺的作用；基于視覺的手勢識別成為了人機(jī)交互領(lǐng)域中一個非?；钴S的研究領(lǐng)域，現(xiàn)有技術(shù)中基于視覺的手勢識別在數(shù)據(jù)采集時對外部環(huán)境的依賴比較大，如復(fù)雜光照、復(fù)雜背景等，容易對結(jié)果造成較為嚴(yán)重的干擾，當(dāng)背景接近膚色時無法準(zhǔn)確提取出手部區(qū)域，因此一些基于膚色的手勢識別技術(shù)要求手部顏色與背景顏色有較好的區(qū)分，另外，多數(shù)的手勢識別系統(tǒng)不僅識別算法復(fù)雜，而且僅能支持較少的手勢，擴(kuò)展性及實(shí)用性并不理想。

技術(shù)實(shí)現(xiàn)要素：

針對以上技術(shù)問題，提供一種手勢識別方法及系統(tǒng)，以解決現(xiàn)有技術(shù)的 缺陷；

具體技術(shù)方案如下：

一種手勢識別方法，其中，包括以下步驟：

步驟s1，采集圖像以獲取圖像序列；

步驟s2，獲取所述圖像序列中的預(yù)定圖像幀之間的幀差，依據(jù)所述幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

步驟s3，在所述運(yùn)動區(qū)域中進(jìn)行靜態(tài)手勢識別；

步驟s4，在識別到靜態(tài)手勢后進(jìn)行動態(tài)手勢識別。

上述的手勢識別方法，所述步驟s2具體如下：

步驟s21，計(jì)算二值幀差：獲取第n-1幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第一幀差，取得所述第一幀差大于0的第一像素點(diǎn)集合；獲取第n幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第二幀差，取得所述第二幀差中的第一像素點(diǎn)集合部分作為第二像素點(diǎn)集合；獲取所述第二像素點(diǎn)集合中像素大于第一設(shè)定閾值的第三像素點(diǎn)集合；

步驟s22，對于得到的所述第三像素點(diǎn)集合的幀差圖像進(jìn)行圖像處理以得到當(dāng)前運(yùn)動圖；

步驟s23，將所述當(dāng)前運(yùn)動圖更新至歷史運(yùn)動信息中，并且引入時間信息；

步驟s24，利用所述歷史運(yùn)動信息進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域。

上述的手勢識別方法，所述步驟s3的具體步驟如下：

步驟s31a，將當(dāng)前圖像中的搜索窗口劃分成復(fù)數(shù)個子區(qū)域；

步驟s32a，對每個所述子區(qū)域中的每個像素計(jì)算出局部二值特征值，依 據(jù)所述局部二值特征值獲得每個子區(qū)域的直方圖后進(jìn)行歸一化；

步驟s33a，將歸一化后的復(fù)數(shù)個所述子區(qū)域的直方圖連接成為特征向量；

步驟s34a，根據(jù)已訓(xùn)練好的分類器特征庫，運(yùn)用級聯(lián)的方法在當(dāng)前圖像中搜索手勢區(qū)域。

上述的手勢識別方法，所述步驟s34a之后，還包括：

步驟s35a，在運(yùn)動區(qū)域中進(jìn)行手勢檢測，計(jì)算檢測到的手勢矩形框與各個手勢隊(duì)列的檢測框的重疊率；

步驟s36a，判斷所述重疊率是否大于一第二設(shè)定閾值；如果是，執(zhí)行步驟s37a，如果否，執(zhí)行步驟s38a；

步驟s37a，將所述手勢矩形框分配到重疊率大于所述第二設(shè)定閾值的手勢隊(duì)列；

步驟s38a，將所述手勢矩形框分配入一新的手勢隊(duì)列。

上述的手勢識別方法，所述步驟s37b或所述步驟s38a之后，包括步驟s39a，判斷當(dāng)前的手勢隊(duì)列中存在的手勢數(shù)量是否到達(dá)第三閾值數(shù)量，若達(dá)到,則判斷識別到靜態(tài)手勢，否則，繼續(xù)檢測。

上述的手勢識別方法，所述步驟s34a中所述分類器特征庫的訓(xùn)練步驟包括：

步驟s341a，對訓(xùn)練圖像的標(biāo)記區(qū)域計(jì)算出局部二值特征；

步驟s342a，自所述局部二值特征中篩選有效的特征，構(gòu)成第一分類器；

步驟s343a，通過組合多個所述第一分類器，構(gòu)成第二分類器；

步驟s343a，級聯(lián)多個所述第二分類器，形成用于設(shè)定靜態(tài)手勢檢測的 分類器特征庫。

上述的手勢識別方法，所述步驟s4包括進(jìn)行手勢跟蹤的步驟，具體如下：

步驟s41，獲得前一圖像幀的跟蹤區(qū)域?qū)?yīng)的聯(lián)通域，以所述聯(lián)通域在前一圖像幀的跟蹤區(qū)域部分作為第一區(qū)域部及所述聯(lián)通域在搜索域中的部分作為第二區(qū)域部；

步驟s42，獲得當(dāng)前跟蹤物體的聯(lián)通域；

步驟s43，依據(jù)所述當(dāng)前跟蹤物體的聯(lián)通域與所述第一區(qū)域部和所述第二區(qū)域部的相交區(qū)域求出所述相交區(qū)域的質(zhì)心；

步驟s44，以所述質(zhì)心作為新的跟蹤結(jié)果；

上述的手勢識別方法，所述步驟s4中還包括在所述運(yùn)動區(qū)域中進(jìn)行滑動手勢判斷，更新每一圖像幀的跟蹤結(jié)果的中心到所述手勢隊(duì)列時，按以下公式更新滑動方向值：

其中，x0、x1、…、xn-1、xn為每一圖像幀的跟蹤結(jié)果的中心的橫向坐標(biāo)，y0、y1、…、yn-1、yn為每一圖像幀的跟蹤結(jié)果的中心的縱向坐標(biāo)；

sxn為新的跟蹤結(jié)果中心相對于起始點(diǎn)的橫向滑動值，sxn大于0則滑動方向?yàn)橄蛴?，sxn小于0則滑動方向?yàn)橄蜃螅?/p>

syn為新的跟蹤結(jié)果中心相對于起始點(diǎn)的縱向滑動值，syn大于0則滑動方向?yàn)橄蛳?，syn小于0則滑動方向?yàn)橄蛏稀?/p>

上述的手勢識別方法，所述步驟s4中還包括手勢變化判斷步驟，具體 包括：

在跟蹤結(jié)果的區(qū)域附近建立搜索域，在搜索域中進(jìn)行手勢的檢測及分配手勢隊(duì)列；

判斷所述手勢隊(duì)列中存在大于第四閾值數(shù)量的目標(biāo)手勢數(shù)量時，認(rèn)為產(chǎn)生了一次起始手勢到目標(biāo)手勢的變化。

還包括，一種手勢識別系統(tǒng)，包括，

圖像采集單元，用于采集圖像并獲取圖像序列；

運(yùn)動分割單元，與所述圖像采集單元連接，用于計(jì)算所述圖像序列中的預(yù)定圖像幀之間的幀差，依據(jù)所述幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

靜態(tài)手勢識別單元，與所述運(yùn)動分割單元連接，用于在所述運(yùn)動區(qū)域中識別靜態(tài)手勢；

滑動手勢識別單元，與所述靜態(tài)手勢識別單元連接，用于識別手勢的滑動方向；

手勢變化識別單元，與所述滑動手勢識別單元連接，用于識別是否由一起始手勢轉(zhuǎn)變?yōu)橐荒繕?biāo)手勢。

有益效果：以上方案可以同時支持多種靜態(tài)手勢及動態(tài)手勢識別，改善了運(yùn)算量的復(fù)雜度，提升手勢識別精度，提高運(yùn)行效率；用于智能機(jī)器人時，用戶不需攜帶任何輔助設(shè)備裝置，只需要通過自然的手勢變化即可實(shí)現(xiàn)控制。

附圖說明

圖1為本發(fā)明一種手勢識別方法的流程示意圖；

圖2為本發(fā)明一種手勢識別方法步驟s2的一種具體實(shí)施例的流程示意圖；

圖3為本發(fā)明一種手勢識別方法步驟s3的一種具體實(shí)施例的流程示意圖；

圖4為本發(fā)明一種手勢識別方法步驟s3中進(jìn)行靜態(tài)手勢識別的流程示意圖；

圖5為本發(fā)明一種手勢識別方法步驟s4中進(jìn)行手勢跟蹤的流程示意圖；

圖6為本發(fā)明一種手勢識別方法的手勢狀態(tài)切換示意圖；

圖7為本發(fā)明一種手勢識別方法的一種具體實(shí)施例的流程示意圖；

圖8為本發(fā)明的圖7中步驟3的具體實(shí)施例的流程示意圖；

圖9為本發(fā)明的一種手勢識別系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

需要說明的是，在不沖突的情況下，本發(fā)明中的實(shí)施例及實(shí)施例中的特征可以相互組合。

下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步說明，但不作為本發(fā)明的限定。

參照圖1，一種手勢識別方法，其中，包括以下步驟：

步驟s1，采集圖像以獲取圖像序列；

步驟s2，獲取圖像序列中的預(yù)定圖像幀之間的幀差，依據(jù)幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

步驟s3，在運(yùn)動區(qū)域中進(jìn)行靜態(tài)手勢識別；

步驟s4，在識別到靜態(tài)手勢后進(jìn)行動態(tài)手勢識別。

根據(jù)采集圖像數(shù)據(jù)的設(shè)備和種類不同，步驟s1可以分為基于視覺的二維(two-dimensional，2d)圖像采集和基于深度的圖像采集，本發(fā)明優(yōu)選基于視覺的二維圖像輸入，并以檢測到靜態(tài)手勢作為入口，進(jìn)行動態(tài)手勢的識別，可以同時支持多種靜態(tài)手勢及動態(tài)手勢識別。

上述的手勢識別方法，參照圖2，步驟s2具體如下：

步驟s21，計(jì)算二值幀差：獲取第n-1幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第一幀差，取得第一幀差大于0的第一像素點(diǎn)集合；獲取第n幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第二幀差，取得第二幀差中的第一像素點(diǎn)集合部分作為第二像素點(diǎn)集合；獲取第二像素點(diǎn)集合中像素大于第一設(shè)定閾值的第三像素點(diǎn)集合；

步驟s22，對于得到的第三像素點(diǎn)集合的幀差圖像進(jìn)行圖像處理以得到當(dāng)前運(yùn)動圖；

步驟s23，將當(dāng)前運(yùn)動圖更新至歷史運(yùn)動信息中，并且引入時間信息；

步驟s24，利用歷史運(yùn)動信息進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域。

運(yùn)動分割的目的是將當(dāng)前運(yùn)動的區(qū)域與非運(yùn)動區(qū)域區(qū)分并且標(biāo)記出來，精確的分割是減少手勢檢測運(yùn)算量的重要前提，而快速的分割是提高系統(tǒng)運(yùn)行速度的重要前提。為了減少運(yùn)算量，本發(fā)明使用了基于幀差的運(yùn)動分割方式，所需信息僅為三個圖像幀之間像素差的信息，對于輸入的每一幀圖像，進(jìn)行基于幀差的運(yùn)動分割，得到運(yùn)動區(qū)域。

上述的步驟s21具體實(shí)現(xiàn)如下：首先計(jì)算第n-1幀與第n-2幀之間的幀差作為第一幀差d1，d1＝fn-1-fn-2，其中，fn-1為第n-1幀的像素灰度，fn-2 為第n-2幀的像素灰度；然后取得第一幀差大于0的第一像素點(diǎn)集合m1；獲取第n幀與第n-2幀之間的幀差作為第二幀差d2，d2＝fn-fn-2，其中，fn為第n幀的像素灰度，fn-2為第n-2幀的像素灰度；n＝2、3、4、…；取得第二幀差d2中的第一像素點(diǎn)集合m1部分作為第二像素點(diǎn)集合m2；即：m2＝d2&m1；獲取第二像素點(diǎn)集合m2中像素大于第一設(shè)定閾值t的第三像素點(diǎn)集合m3；一種優(yōu)選的實(shí)施例，第一設(shè)定閾值t的取值為10。移動平臺計(jì)算能力的限制以及實(shí)時性的要求，因此需要快速且運(yùn)算復(fù)雜度不高的方法?；趲畹倪\(yùn)動分割運(yùn)算復(fù)雜度低，經(jīng)過篩選后得到的運(yùn)動區(qū)域相比原圖減少了手勢檢測中大量的運(yùn)算量，因此能夠滿足移動平臺的要求。

對于得到的幀差圖像，即第三像素點(diǎn)集合m3，存在許多散落的點(diǎn)，這些點(diǎn)可能是噪聲產(chǎn)生的，也可能是運(yùn)動區(qū)域閾值化引起的。在這里需要進(jìn)行膨脹腐蝕等圖像處理，即執(zhí)行步驟s22，去除由于噪聲產(chǎn)生的較為分散的點(diǎn)，連接由于閾值化引起的較為密集的小塊。具體地，首先對圖像進(jìn)行腐蝕處理，去除孤立點(diǎn)，腐蝕的模版大小可以為g1×g1；對圖像進(jìn)行膨脹處理，連接運(yùn)動區(qū)域中較為分散的小區(qū)塊；膨脹的模版大小可以為g2×g2。在這里，可以使用較小的腐蝕模版和較大的膨脹模版進(jìn)行圖像操作，如g1＝2，g2＝16，即分別為，腐蝕的模版大小為2×2，膨脹的模版大小為16×16，得到當(dāng)前運(yùn)動圖m4。接著，將當(dāng)前運(yùn)動圖m4更新至歷史運(yùn)動信息中，并且引入時間信息。這是一種表達(dá)運(yùn)動的簡單方法，將運(yùn)動理解成為連續(xù)的與時間關(guān)聯(lián)的輪廓層次，即帶時間加權(quán)的運(yùn)動歷史圖像(motionhistoryimage,mhi)，它表達(dá)了當(dāng)前的物體的位置，并且利用物體的運(yùn)動信息來分割運(yùn)動。這些被分割的區(qū)域 不是“運(yùn)動塊”，而是自然的連接到物體的運(yùn)動部分。更新時，去除歷史運(yùn)動圖中時間超過閾值的部分，將運(yùn)動區(qū)域部分置為當(dāng)前時間，加入歷史運(yùn)動圖。進(jìn)一步地，執(zhí)行步驟s24以對歷史運(yùn)動圖計(jì)算梯度方向，得到運(yùn)動輪廓。分割時，掃描圖像找到當(dāng)前運(yùn)動輪廓，沿著輪廓的邊緣尋找未被標(biāo)記的運(yùn)動的區(qū)域，并且標(biāo)記，直到所有的輪廓循環(huán)完成，獲取當(dāng)前的運(yùn)動區(qū)域。進(jìn)行運(yùn)動分割得到運(yùn)動矩形框時，去除面積過小的矩形框，得到最終運(yùn)動分割結(jié)果。

上述的手勢識別方法，在獲得當(dāng)前的運(yùn)動區(qū)域后，進(jìn)行手勢檢測步驟，以檢測局部區(qū)域中的手勢，并且為檢測到的手勢區(qū)域建立搜索域，標(biāo)記為感興趣區(qū)域；參照圖3、圖4，步驟s3的具體步驟可以如下：

步驟s31a，將當(dāng)前圖像中的搜索窗口劃分成復(fù)數(shù)個子區(qū)域；

步驟s32a，對每個所述子區(qū)域中的每個像素計(jì)算出局部二值特征值，依據(jù)所述局部二值特征值獲得每個子區(qū)域的直方圖后進(jìn)行歸一化；

步驟s33a，將歸一化后的復(fù)數(shù)個所述子區(qū)域的直方圖連接成為特征向量；

步驟s34a，根據(jù)已訓(xùn)練好的分類器特征庫，運(yùn)用級聯(lián)的方法在當(dāng)前圖像中搜索手勢區(qū)域。

上述方法中，可以通過基于局部二值特征(localbinarypatterns，lbp)的檢測算法，如adaboost檢測算法判斷圖像中是否有特定手勢存在。

上述的步驟s34a之后，在運(yùn)動區(qū)域中進(jìn)行手勢檢測，對檢測到的手勢矩形框進(jìn)行隊(duì)列的分配；具體為：

步驟s35a，在運(yùn)動區(qū)域中進(jìn)行手勢檢測，計(jì)算檢測到的手勢矩形框與各個手勢隊(duì)列的檢測框的重疊率；

步驟s36a，判斷重疊率是否大于一第二設(shè)定閾值；如果是，執(zhí)行步驟s37a，如果否，執(zhí)行步驟s38a；

步驟s37a，將手勢矩形框分配到重疊率大于第二設(shè)定閾值的手勢隊(duì)列；

步驟s38a，將手勢矩形框分配入一新的手勢隊(duì)列。

步驟s37b或步驟s38a之后，包括步驟s39a，判斷當(dāng)前的手勢隊(duì)列中存在的手勢數(shù)量是否到達(dá)第三閾值數(shù)量，若達(dá)到，則執(zhí)行步驟s40a判斷識別到靜態(tài)手勢，否則，繼續(xù)檢測。

上述的步驟s34a中分類器特征庫的訓(xùn)練步驟可以包括：

步驟s341a，對訓(xùn)練圖像的標(biāo)記區(qū)域計(jì)算出局部二值特征；

步驟s342a，自局部二值特征中篩選有效的特征，構(gòu)成第一分類器；

步驟s343a，通過組合多個第一分類器，構(gòu)成第二分類器；

步驟s343a，級聯(lián)多個第二分類器，形成特定手勢檢測的分類器特征庫。

分類器特征庫的訓(xùn)練步驟中，根據(jù)adaboost算法，第一分類器構(gòu)成弱分類器；通過組合多個弱分類器，構(gòu)成第二分類器，即強(qiáng)分類器；級聯(lián)多個強(qiáng)分類器，形成特定手勢檢測的分類器特征庫。

作為本發(fā)明的一種具體實(shí)施例，步驟s4包括進(jìn)行手勢跟蹤的步驟，在跟蹤得到的區(qū)域搜索域范圍內(nèi)，進(jìn)行手勢檢測，對跟蹤結(jié)果進(jìn)行校正及更新跟蹤點(diǎn)記錄；具體如下：

步驟s41，獲得前一圖像幀的跟蹤區(qū)域?qū)?yīng)的聯(lián)通域，以聯(lián)通域在前一圖像幀的跟蹤區(qū)域部分作為第一區(qū)域部及聯(lián)通域在搜索域中的部分作為第二區(qū)域部；

步驟s42，獲得當(dāng)前跟蹤物體的聯(lián)通域；

步驟s43，依據(jù)當(dāng)前跟蹤物體的聯(lián)通域與第一區(qū)域部和第二區(qū)域部的相交區(qū)域求出相交區(qū)域的質(zhì)心；

步驟s44，以質(zhì)心作為新的跟蹤結(jié)果。

上述的手勢識別方法，步驟s4中還包括在運(yùn)動區(qū)域中進(jìn)行滑動手勢判斷，更新每一圖像幀的跟蹤結(jié)果的中心到手勢隊(duì)列時，按以下公式更新滑動方向值：

其中，x0、x1、…、xn-1、xn為每一圖像幀的跟蹤結(jié)果的中心的橫向坐標(biāo)，y0、y1、…、yn-1、yn為每一圖像幀的跟蹤結(jié)果的中心的縱向坐標(biāo)；

sxn為新的跟蹤結(jié)果中心相對于起始點(diǎn)的橫向滑動值，sxn大于0則滑動方向?yàn)橄蛴?，sxn小于0則滑動方向?yàn)橄蜃螅?/p>

syn為新的跟蹤結(jié)果中心相對于起始點(diǎn)的縱向滑動值，syn大于0則滑動方向?yàn)橄蛳拢瑂yn小于0則滑動方向?yàn)橄蛏稀?/p>

本發(fā)明還可進(jìn)行手勢變化判斷步驟，具體包括：

在跟蹤結(jié)果的區(qū)域附近建立搜索域，在搜索域中進(jìn)行手勢的檢測及分配手勢隊(duì)列；

判斷所述手勢隊(duì)列中存在大于第四閾值數(shù)量的目標(biāo)手勢數(shù)量時，則產(chǎn)生了一次起始手勢到目標(biāo)手勢的變化。

與靜態(tài)手勢識別相似，若隊(duì)列中存在大于閾值數(shù)量的目標(biāo)手勢數(shù)量，則認(rèn)為產(chǎn)生了一次起始手勢到目標(biāo)手勢的變化。

參照圖6的手勢狀態(tài)切換示意圖，基本手勢類型分為拳頭、手掌、贊和 不贊四種，對應(yīng)有上滑、下滑、左滑、右滑以及互相之間的變化。本發(fā)明可用于智能機(jī)器人，以通過相應(yīng)的手勢來開啟機(jī)器人的不同功能，實(shí)現(xiàn)與機(jī)器人的更為自然直接的交互。

圖7提供了本發(fā)明的一種具體實(shí)施例的流程示意圖：具體步驟為：

步驟1，圖像采集，通過圖像采集設(shè)備采集圖像數(shù)據(jù)，送入下一步進(jìn)行處理；

步驟2，運(yùn)動分割以獲得運(yùn)動區(qū)域；

步驟3，是否檢測到靜態(tài)手勢，如果檢測到靜態(tài)手勢，執(zhí)行步驟4，否則，重復(fù)步驟3；靜態(tài)手勢識別包括手勢的檢測及靜態(tài)手勢判斷，以檢測到靜態(tài)手勢作為后續(xù)動態(tài)手勢的入口；

步驟4，手勢跟蹤以獲得跟蹤結(jié)果；

步驟5，滑動手勢判斷，如果檢測到手勢滑動，執(zhí)行步驟7，否則，執(zhí)行步驟6；

步驟6，手勢變化檢測；如果檢測到手勢變化，執(zhí)行步驟8，否則，執(zhí)行步驟9；

步驟7，識別到滑動，進(jìn)行針對滑動的后續(xù)操作；

步驟8，識別到變化，進(jìn)行針對手勢變化的后續(xù)操作；

步驟9，未識別到變化，重新執(zhí)行步驟1。

其中，步驟3的一種具體實(shí)施例為：

步驟31，是否檢測到靜態(tài)手勢一；如果是，執(zhí)行步驟4，如果否，執(zhí)行步驟32；

步驟32，是否檢測到靜態(tài)手勢二；如果是，執(zhí)行步驟4，如果否，執(zhí)行 步驟33；

步驟33，是否檢測到靜態(tài)手勢三；如果是，執(zhí)行步驟4，如果否，執(zhí)行步驟34；

步驟34，是否檢測到靜態(tài)手勢四；如果是，執(zhí)行步驟4，如果否，執(zhí)行步驟31。

以上示例性地輸出了四種靜態(tài)手勢的檢測流程，本發(fā)明的靜態(tài)手勢檢測流程可以根據(jù)檢測需要設(shè)置為多種，在此不作贅述。

還提供，一種手勢識別系統(tǒng)，參照圖8，包括，

圖像采集單元3，用于采集圖像并獲取圖像序列；

運(yùn)動分割單元4，與圖像采集單元3連接，用于計(jì)算圖像序列中的預(yù)定圖像幀之間的幀差，依據(jù)幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

靜態(tài)手勢識別單元5，與運(yùn)動分割單元4連接，用于在運(yùn)動區(qū)域中識別靜態(tài)手勢；

滑動手勢識別單元7，與靜態(tài)手勢識別單元5連接，用于識別靜態(tài)手勢的滑動方向；

手勢變化識別單元6，與滑動手勢識別單元7連接，用于識別是否由一起始手勢轉(zhuǎn)變?yōu)橐荒繕?biāo)手勢。

本發(fā)明綜合了運(yùn)動檢測、物體檢測和運(yùn)動跟蹤技術(shù)，可以同時支持多種靜態(tài)、動態(tài)手勢，包括滑動、手勢變化的識別等，提高精度，改善了運(yùn)算量的復(fù)雜度，提高運(yùn)行效率，使得其可以快速運(yùn)行在移動端中，實(shí)時判斷當(dāng)前手勢。提供了一種自然的交互方式，用戶不需攜帶任何輔助設(shè)備裝置，只需要通過自然的手勢變化即可實(shí)現(xiàn)控制。

以上僅為本發(fā)明較佳的實(shí)施例，并非因此限制本發(fā)明的實(shí)施方式及保護(hù)范圍，對于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識到凡運(yùn)用本發(fā)明說明書及圖示內(nèi)容所作出的等同替換和顯而易見的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護(hù)范圍內(nèi)。