论文部分内容阅读
随着计算机技术的飞速发展,迫切要求改善人与计算机之间的交互方式,由于手势在语义表达方面所具有的友好性与直观性,使得手势在人机交互中得到广泛应用和研究。为了提高人机交互中运动手势的跟踪精度问题,在分析了传统Mean shift跟踪方法原理及其自身存在的不足的基础上,本文提出了一种实时跟踪手势目标中心的线性预测方法。该方法通过提取目标手势在HSV颜色空间中的H分量建立Mean shift肤色目标模型,并通过单峰高斯模型对跟踪过程中的样本点进行筛选,提高了运动手势抗背景干扰的能力。此外,为了克服在跟踪过程中由于手势运动过快导致跟踪精度不高的问题,采用了线性预测函数对手势起始中心进行预测。通过实验表明,该方法对于运动手势跟踪表现出较好的性能。为了更进一步提高手势跟踪的实时性与精确性,以在实际应用中更加具有实用性,文中提出了一种基于区域生长的Mean shift动态变形手势跟踪方法。该方法针对手势在颜色空间中所具有的高聚类特性,利用区域生长算法以手势的起始中心为种子点通过生长对手势进行采样,采样完成后由Mean shift算法对样本点集合的中心进行精确定位,从而实现视频序列中对动态变形手势的连续定位。该方法具有较低的时间复杂度和较高的跟踪精度。在本文提出的基于区域生长的Mean shift动态变形手势跟踪方法的基础上,提出了一种基于联合空间的动态变形手势跟踪方法,该方法利用手势像素在空间域的位置分布特征以及在颜色空间的特征,计算手势样本集合在联合空间的核概率密度,进而通过Mean shift算法对手势目标在空间域中定位。该算法也可以看作是第二种算法的“改进版本”。文中采用若干组在室内条件下拍摄的手势运动视频为实验材料,利用matlab7.0数学软件作为实验平台,对本文提出的三种算法的可行性进行了验证。此外,将本文提出的三种算法与传统mean shift跟踪算法进行了比较,证实了本文算法的优越性。本文所做的工作都是基于实验环境下针对单手运动的情况所展开的研究,要使其在现实中具有普遍的实用性,仍然还有大量的工作去做。