坐标系中三个基本特征(位置、方向、速度)的重要性。此外,对隐马尔可夫模型观测序列或在单独特征下正常量化或在组合特征下采用k-均值聚类算法量化。从表1,孤立的手势识别率在采用特征下获得了最佳效果98.33%。识别率是正确识别手势数目与测试手势的数量(公式8)。表1图5根据图5(a)和5(b)中单独特征,方向特征比位置特征或速度特征(V)的识别率要好。这导致方向特征是三个基本特征中最有效的一个。此外,速度特征展示比方向特征更低的识别力(57.22%)。同时,位置特征有最低的识别率32.78%。此外,包括速度信息的特征和比使用速度特征有更高的识别率(图5(c))。简而言之,图5说明了实验的结果表明最好的特征码号(对特征来说,最好的特征码号是33)。相应的,图5(d)和图5(e)展示了手势字母‘R’和数字‘7’的系统输出,同时用3D深度图解决了手和脸的重叠问题。5.结论在本论文中,我们提出了一个通过使用隐马尔可夫模型(HMM模型)能够实时从彩色图像的序列中识别字母字符(A-Z)和数字(0-9)的系统。这个系统使用笛卡尔坐标系统中的位置、方向和速度的组合特征。我们已经表明,这些特性的有效性可以产生合理的识别率。数据库包含孤立手势的720帧训练样本和360帧测试样本。当应用于几个包括诸如部分遮挡和重叠的复杂情形视频样本时,这个系统能表现出良好的性能。结果表明,本系统是适合实时应用,并且具有98.33%的手势识别率。未来研究将采用指尖与多摄像机系统结合来识别手势点和句子而不是手势重心点。鸣谢这项工作由Bernstein-GroupBMBF(FKZ:01GQ0702),文理学院助学金(C4-NIMITEK2,FKZ:UC4-3704M),Forschungspraemie(BMBF-Frderung,FKZ:03FPB00213)panion-TechnologySFB/TRR62”支持。
全文预览
