论文部分内容阅读
伴随着计算机技术的发展,与之密切相关的人机交互技术向着愈来愈人性化和简单化的方向前进。手势是一种包含了最多信息量的人体语言,有着自然、友好、有效等天然优势,凭借着这些优势,手势这一种重要的人机交互方式也愈加凸显其重要地位。手势识别方式多种多样,其中只有基于计算机视觉的手势识别方式不需要用户佩戴外设,这一优点给予了用户更多的自由性。不过基于计算机视觉的手势识别也有着易受到光照条件和复杂背景环境的影响的缺点。使用Kinect传感器对图像深度信息进行采集的方式排除了复杂背景和光照条件对识别过程造成的影响,这对解决基于视觉的手势识别技术的缺点提供了新的研究方向。因此,为了提高人机交互效果,推进人机交互技术在不同行业中的应用,研究基于深度信息的手势识别技术具备重要意义。本文选用Kinect传感器搭建实验平台对基于深度信息的手势识别技术进行了深入研究,具体的研究工作和研究成果如下:1.分析了手势识别研究的背景及意义,并给出了基于不同硬件设备的手势识别方法的分类,同时对他们的优缺点进行了比较。然后分析了不同种类的手势识别方法的研究现状。2.搭建了包括Kinect传感器、计算机等实验设备的实验平台。并对图像采集的主要设备Kinect深度传感器核心理论、应用技术、驱动Open NI等进行了介绍。3.根据Kinect传感器传出的深度图像对人体骨骼进行跟踪进而跟踪手部,再通过阈值分割法将背景和前景从图像中分离,经过图像处理后提取手部轮廓。4.采用阈值法将手势分为静态手势和动态手势两个类别。并分别针对两种手势采用不同算法进行识别。对于静态手势,对其轮廓提取了Hu矩作为识别特征,然后设计了BP神经网络作为其学习识别手段,之后又使用GA改进后的BP神经网络对静态手势进行识别,取得了较为理想的识别效果,且此识别结果不受光照条件的影响。5.对于动态手势,使用骨骼关节运动轨迹的欧氏距离作为运动轨迹描述子,并采用DTW算法进行识别,以实现识别翻页、放大、缩小等动作的功能。该识别方法稳定,不受背景,光照等条件的影响,能满足多种条件下的动态手势识别需要。