空间的维数高;其二,通过视觉技术获取这些模型的参数困难重重并且非常复杂。2.1.2基于表观的手势模型第一类基于表观的手势模型使用2D灰度图像本身建立手势模型。例如,文献[19]把人手的完整图像序列作为手势模板。在手指跟踪应用里,仅仅手指的图像也可以用作模板。文献[20]提出用运动历史图像作为手势模型。运动历史图像是指在某个时间区间上累加图像序列里各单个像素点的运动位置而形成的2D图像。第二类基于表观的手势模型建立在手(臂)的可变形2D模板的基础上。可变形2D模板是物体轮廓上某些点的集合,一般把它用作插值节点去近似物体轮廓。模板由平均点集合、点可变性参数,以及所谓的外部变形构成。平均点集合描述了某一组形状的“平均”形状,点可变性参数描述了允许的形变。通常称这两组参数为内部参数。外部变形或者外部参数描述了一个可变形模板的全局运动,例如旋转、平移等。基于可变形模板的人手模型通常被用于人手跟踪[21]。第三类基于表观的手势模型建立在图像属性的基础上。我们把从图像属性抽取的参数统称为图像属性参数,它们包括:轮廓、边界、图像矩、图像特征向量以及区域直方图特征等等。例如,文献[21]使用了基于边界的轮廓特征。由于图像矩计算简单,因此常被用作图像属性参数。其它常被使用的属性参数还包括Zernike矩、方向直方图、颜色直方图等等。第四类基于表观的手势模型通过计算图像运动参数,抽取手势模型参数。这类表观模型主要用在动态手势识别里。例如,文献[22]通过运动界点以及方差约束计算光流,然后通过向量聚类以及运动平滑性约束抽取手势的运动轨迹,并根据轨迹坐标建立手势模型。文献[23]通过区域相关性计算光流,然后进行光流聚,把图像中的运动区域分割成“运动块”,这些运动块分别对应于手、臂或身体其它部分等。a)有纹理的3D模型b)3D网格模型c)3D骨架模型d)二值影像e)轮廓图2.3表示同一手势的不同手模型
全文预览
