基于Hu矩和支持向量机的静态手势识别及应用

近年来,越来越多的系统以手势识别作为人机交互(Human-Computer Interaction)的接口。其中手势识别按输入设备不同可以分为基于数据手套的手势识别和基于视觉的手势识别。其中,基于视觉的手势识别以人手直接作为计算机交互系统的输入设备,交互自然,更能体现机器模拟人类视觉的功能,所以目前是手势识别研究的重点。 本文基于视觉的方法对静态手势识别算法进行研究:提出基于Hu矩和SVM(Support Vector Machine)的静态手势识别技术;实现了数字手势0、1、……9的算法验证,同时把算法应用到机动车驾驶员考试体检系统手完整性检测模块。论文首先讨论了图像预处理的常用方法,然后对几何矩理论和SVM基础理论进行了相关介绍。由于手势图像具有旋转、尺度等不确定性,给特征提取带来一定困难,而几何矩是一种基于统计分析的算法,本文将其用于提取不同手势的特征,被提取的特征可以做到不随图像的旋转、平移、尺度的变化而变化而表现出良好的适应性、稳定性。支持向量机(SVM)是在统计学习理论基础上发展起来的新的学习方法,具有完备的理论基础和出色的学习性能。它基于结构风险化和VC原理,兼顾训练误差和泛化能力,在解决小样本,非线性及高维模式识别中具有许多优势。 论文的后半部分主要是算法的验证和应用,将几何矩和SVM应用在数字手势识别和机动车驾驶员体检系统手完整性检测中。实验结果说明两者结合对静态手势识别有很好的识别率,其中在自定义的数字手势0～9的10个静态手势识别中,对测试样本的识别率达到98.7%;同时机动车驾驶员体检系统手完整性检测软件的应用也收到很好的应用效果。 本文的创新之处一是结合两者的特点提出基于Hu矩和SVM相结合的手势识别算法,二是尝试把提出的手势识别算法运用到实际中来。对数字手势的仿真试验结果和手完整性检测软件的应用表明,基于几何矩和SVM的识别算法在静态手势识别中有独特的优势,是值得进一步研究的算法。