景中准确的分割出手势,能把肤色信息、运动信息、几何信息等多种信息有效的融合在一起是关键。本文主要讨论了基于普通摄像头和 kinect 传感器两种平台下从复杂背景中高效、实时的分割出用户手势的算法。Р2、特征提取。根据手势图像直接产生的一组基本特征称为原始特征,原始特征的数量可能很大。手势特征提取的工作就是从原始特征中挑选出一定数目的能最有效的表达不同手势的特征。对于应用于人机交互的手势识别系统而言,提取的手势特征不但要能够区分不同的手势,而且还需要能适应手势的平移、旋转、缩放等变化。Р对于静态手势识别系统化,常提取的特征有以下几类:Р(1)基于形状的特征,主要有统计矩特征和轮廓线特征两种。统计矩特征如 Hu 矩、Zernike 矩等,这类特征可以用来描述手的形状,具有缩放、平移和旋转不变性。轮廓线的特征,例如提取轮廓边缘的傅里叶描述子,经过归一化的傅里叶描述子也具有缩放、平移、旋转不变性。这些形状特征都要求能比较好的分割出手势,这在实际应用中往往难以做到。Р(2)基于手掌手指结构的特征。Lindeberg 等[19]提出一种 scale-space 的特征概念,依此来检测图像中的几何结构。Lars 等[20]利用该特征并结合多尺度模型来检测手势中的点脊,最终得到手掌及手指结构。通过事先约定的特定识别规则(如手指个数、手指夹角等)得出手势识别的结果。但在实际应用中,因为用户做手势的不规范性以及光照、遮挡等原因难以精确检测出手指。Р(3)对原图像做诸如 DCT 变换、小波变换、Gabor 变换等数学变换,将变换后的系数作为手势特征。但是大多数的变换系数都对复杂的背景、手势姿态的变化非常敏感,提取的特征容易受噪声影响,因而不能有效的表征手势。Р(4)还有一类是基于统计的特征,例如统计图像的灰度直方图、梯度分布、方向直方图等。其中,部分学者把用于表情识别和人脸识别的局部二值模式特征
全文预览
