论文部分内容阅读
人机交互（Human Computer Interaction, HCI）技术在各个领域内，都占据了重要的地位。手势作为人机交互最直观、形象和生动的手段，理所当然地成为研究人机交互课题中的热点之一。本文利用单目摄像头，对单手的运动进行识别研究。所以，本文以连续动态手势识别的研究为题，主要解决手势分割时，光照、人脸、手臂及类肤色对手掌分割的干扰，以及连续手势识别时，如何将预定义的孤立手势与非意义的动作区分开，如何确定一个手势的起点和终点等这些问题。为了完成本课题以及解决前面所提到的问题，本文对相应的算法进行了研究，提出了一定的解决方案，并进行了大量的实验，实验证明：本文提出的解决相应问题的方案是可行的，并取得了很好的结果。手势识别过程中，主要包括手势分割、特征提取和手势识别三个关键环节，因此，本文的研究工作如下：1)采用融合肤色检测和运动检测的手掌分割方法，能够有效解决光照、人脸、手臂及类肤色对手掌分割的干扰。本文首先进行图像预处理，使光照均衡，并进行去噪；然后采用YCbCr肤色检测和单高斯背景差分法相结合的方法，能够将相对静止的人脸及类肤色去除掉，得到粗糙的手部区域；接着采用形态学中的开闭操作和标记连通区域的图像后处理方法，能够去除多余的小区域，填充孔洞，得到完整的手部区域。2)将方向链码编码的方法作为手势运动轨迹的特征，该特征提取方法比较简单，大大减少了计算量。手掌分割后，得到一系列手掌区域的质心点，连接这些质心点，得到手势运动的轨迹。根据两相邻质心点的坐标，求得质心点的夹角。本文采用12方向链码，即用1~12来编码这些夹角，最终得到一维特征向量。3)研究了基于隐马尔科夫模型(Hidden Markov Model, HMM)的门限模型方法，并应用于连续动态手势的识别，能够将预定义的手势和非意义的动作区分开，以及确定一个手势的起点和终点。本文首先采用HMM对预定义的孤立动态手势进行识别，得到每个预定义孤立动态手势的HMM；然后将每个预定义孤立动态手势的HMM合并成一个基于HMM的门限模型；最后用门限模型和每个预定义孤立动态手势的HMM，来识别连续动态手势。