论文部分内容阅读
手势是人们生活当中一种自然而直观的人际交流模式，随着计算机技术的发展和人机交互逐渐向以人为中心转移，对手势识别的研究也逐渐成为人们研究的热点。然而，由于手势本身具有的多样性、多义性、以及时间和空间上的差异性等特点，加之人手是复杂变形体及视觉本身的不适定性，因此基于视觉的手势识别是一个极富挑战性的多学科交叉研究课题。手势分为动态手势和静态手势，动态手势定义为手运动的轨迹，而静态手势强调通过手型传递一定的意义。本文结合上海市自然科学基金资助课题“手势识别和合成算法”，对静态的手势识别算法进行研究。 手势识别的过程大致分为三个部分，手势图像预处理、手势图像特征提取和识别。在手势图像预处理部分，对已经被标准化的手势图像(大小为128*128像素的bmp格式的灰度图)，根据需要采用局部平均法对图像进行平滑，然后对图像采用拉普拉斯算子进行锐化，再对图像采用最大方差法进行二值化，最后用八方向邻域搜索法对二值化图像做轮廓提取。 在手势特征提取和识别部分，本文提出了两种基于手势图像几何特征的方法：HDC提取关键点的识别算法及应用几何矩和canny边缘检测结合的识别算法。在HDC提取关键点的识别算法中，提出一种提取手势轮廓曲线关键点对手势进行识别的算法。手势图像经过二值化后，提取其轮廓。将图像的轮廓看成一条曲线，应用层次离散相关原理，以一个内核对曲线进行多次平滑，得到曲线的尺度空间，再通过跟踪曲线在尺度空间中的运动找出手势轮廓的关键点。最后通过最小距离法进行识别。在应用几何矩和canny边缘检测结合的识别算法中，提出一种结合几何矩和边缘检测的手势识别算法。手势图像经过二值化处理后，提取手势图像的几何矩特征，取出几何矩特征七个特征分量中的四个分量，形成手势的几何矩特征向量。在灰度图基础上直接检测图像的边缘，利用直方图表示图像的边界方向特征。最后，通过设定两个特征的权重来计算图像间的距离，对30个字母手势进行识别。 最后，HDC提取关键点的识别算法在实验中对30个手势进行识别，识别率为83.3％。应用几何矩和canny边缘检测结合的识别算法结合了两种图像特征的优点，在实验中识别率为91.3％。