动态手势识别的关键技术研究及实现

动态手势识别是人机交互领域中的重要研究课题,具有重要的理论研究意义以及广泛的应用前景。本文在基于Kinect传感器的动态手势识别整体框架下,重点对手势分割、手势跟踪以及动态手势轨迹识别三个部分进行了研究。在手势分割中,只处理Kinect传感器采集的彩色图像时易受到光照、类肤色物体等因素的干扰,同时只处理Kinect传感器采集的深度图像时易将手势之外的其他区域误分割为手势。针对以上问题,本文提出了一种基于深度信息和局部肤色模型检测的手势分割方法,并针对进行肤色分割时通过遍历整幅图来检测肤色点耗时长的问题,采用了局部肤色检测法,提高了系统的实时性。实验结果表明,该方法能够实时准确地完成目标手势的分割。在手势跟踪研究中,针对TLD(Tracking-Learning-Detecting,跟踪-学习-检测)算法在目标手势被干扰物遮挡后易出现跟踪漂移的问题,提出了一种改进的TLD动态手势跟踪算法。当手势目标被干扰物严重遮挡甚至完全遮挡时,在TLD跟踪器和检测器中分别加入kalman滤波器及马尔可夫方向预测模型,对当前帧中目标手势可能存在的区域进行预测估计,并增强对相似手势轨迹的判别能力。实验结果证明,改进后的TLD跟踪算法能够有效地处理目标手势被遮挡的问题。在利用局部手势特征提取方法完成手势轨迹特征提取后,在识别阶段,针对HMM(Hidden Markov Model,隐马尔可夫模型)训练模型参数B时训练过程复杂且计算准确率不高的问题,提出了一种基于SVM(Support Vector Machine,支持向量机)预测B参数的改进HMM动态手势识别算法。最后通过对数字0～9的手势轨迹序列特征的识别实验,验证了本文提出的动态手势识别算法的有效性。最后,本文设计了基于智能轮椅的动态手势识别系统,定义了5种控制智能轮椅运动的基本指令,并在室内环境下进行多次实验。实验结果证明,本系统可以准确地控制智能轮椅的运动,而且具有很强的实时性及稳定性。