论文部分内容阅读
随着科学技术的发展,用户对于人机交互的需求越来越强烈。用户自由、随意以及自主地与机器进行互动已经成为理想的人机交互模式,并已经成为了人机交互以后的发展方向。作为人机交互的一个重要实现方式,手势识别技术成为了学术界与工业界近年的研究热点。手势识别主要分为两大类:基于机器视觉和基于惯性传感器。基于机器视觉的手势识别因其直观、方便、不受约束以及人机交互友好等特点,成为了目前主流的研究方向。本文对手势分割、手势特征提取等关键的技术进行了深入的研究,并将研究得到的成果应用于一个人机交互系统中。该系统能根据检测到的“剪刀”、“石头”以及“布”三种手势进行实时识别,实现了一种“剪刀-石头-布”的游戏。本文采用肤色信息跟运动信息相结合的分割方法,准确地得到手势图像。其中肤色信息使用YCb Cr高斯肤色模型来实时提取,而运动区域使用背景减除法来提取。本文把肤色区域跟运动区域相结合得到肤色运动区域;利用形态学方法对运动肤色区域进行去噪;采用八邻域搜索算法提取手势轮廓以及通过连通区域分析去噪以获取最终的手势轮廓。本文采用方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vetor Machine,SVM)相结合的方法进行静态手势识别,通过实验验证HOG特征具有旋转可变性,从而建立了一个包含5种手势的样本库;然后提取训练样本的HOG特征,对SVM模型进行训练;根据训练好的模型对测试的样本进行识别。实验结果显示此方法能够对同一个手势的不同方向进行识别,且平均识别率达到了93.08%。考虑到HOG特征具有尺度可变性这个特征,本文采用体语义局部二值模式(Volume Semantic Local Binary Pattern,VSLBP)算法来进行特征提取,使用SVM来设计分类器用于实时手势识别:通过对“剪刀”、“石头”、“布”三个手势建立样本库,使用VSLBP来提取特征训练SVM模型;根据训练好的模型对测试的样本进行识别。实验结果表明该算法平均识别率达到了94.42%。最后,本文将此算法应用在一个人机交互系统当中,实现了“剪刀”、“石头”,“布”的检测。该系统能够根据检测到的手势做出响应,完成“剪刀-石头-布”的游戏。此系统验证了VSLBP+SVM算法能够实时地识别手势,具有实际应用价值。