[发明专利]一种人手检测与识别的方法与装置

说明书

技术领域

本发明涉及人机交互技术领域，尤其涉及一种人手检测与识别的方法与装置。

背景技术

目前在对移动机器人特别是替身机器人的控制中，对人手的检测定位和对人手的识别在人机交互过程中起着至关重要的作用。

现有技术公开了一种基于视频流的人手定位方法，该方法包括如下步骤：(1)摄像头采集一段图像序列，并在采集的图像中获取人脸的位置与大小信息；(2)根据人脸的位置与大小信息，确定挥手检测区域，并计算出人手大小；(3)计算所述挥手检测区域内是否产生挥手，若检测到挥手，并获得变化像素区域的位置中心点；(4)以变化像素区域的位置中心点作为参考点，并根据步骤(2)计算出人手的大小，确定人手搜索区域，再定位人手的精确位置。这种方法对环境要求高、鲁棒性不高，此外并没有能够在单帧图像中实现对人手的识别功能。

发明内容

本发明提供了一种人手检测与识别的方法与装置，提高了鲁棒性。

本发明提供了一种人手检测与识别的方法，包括：

搜集检测正负例样本；

得到每个检测正例样本和每个检测负例样本的多通道特征信息，并得到它们对应的标记；

根据所述每个检测正例样本和所述每个检测负例样本的多通道特征信息及它们对应的标记，通过级联分类器训练算法得到至少两个强分类器，所述至少两个强分类器级联后得到检测级联分类器；

通过摄像头获取用户原始图像，提取所述用户原始图像的多通道特征信息；

将所述用户原始图像的多通道特征信息通过所述检测级联分类器，得到人手检测区域信息；

根据所述人手检测区域信息识别得到最终识别结果。

较优的，所述将所述用户原始图像的多通道特征信息通过所述检测级联分类器，得到人手检测区域信息，具体为：

将所述用户原始图像的多通道特征信息通过所述检测级联分类器，得到输出检测区域信息，将所述输出检测区域信息进行NMS处理，得到人手检测区域信息。

较优的，所述根据所述人手检测区域信息识别得到最终识别结果，具体为：

搜集识别正负例样本；

提取每个识别正负例样本的LBPH特征信息与HOG特征信息，并得到它们对应的正负例标签；

利用线性降维算法对所述每个识别正负例样本的LBPH特征信息与HOG特征信息进行线性降维，得到降维变换矩阵和降维后的识别正负例样本的LBPH特征信息与HOG特征信息；

根据所述降维后的识别正负例样本的LBPH特征信息与HOG特征信息以及它们对应的正负例标签，经过RBFSVM算法得到RBFSVM分类器；

提取人手检测区域信息中的LBPH特征信息和HOG特征信息；

将所述人手检测区域信息中的LBPH特征信息和HOG特征信息经过所述降维变换矩阵得到降维后的准确特征信息；

将所述降维后的准确特征信息通过所述RBFSVM分类器得到最终识别结果。

较优的，在所述将所述用户原始图像的多通道特征信息通过所述检测级联分类器，得到人手检测区域信息之后，还包括：

对所述用户原始图像进行人脸检测，将得到的人脸检测区域信息与人手检测区域信息进行交叠区域面积计算，当所述交叠区域面积大于预设的阈值时，将所述交叠区域面积从所述人手检测区域信息中剔除，则得到人脸检测后的人手检测区域信息。

较优的，还包括：

将所述人脸检测后的人手检测区域信息进行颜色空间变化，提取肤色区域，将误检区域剔除，得到准确的人手检测区域信息。

本发明还提供了一种人手检测与识别的装置，包括：

检测训练模块，与检测模块相连，用于搜集检测正负例样本，得到每个检测正例样本和每个检测负例样本的多通道特征信息，并得到它们对应的标记，根据所述每个检测正例样本和所述每个检测负例样本的多通道特征信息及它们对应的标记，通过级联分类器训练算法得到至少两个强分类器，所述至少两个强分类器级联后得到检测级联分类器；

获取图像模块，与第一特征提取模块相连，用于通过摄像头获取用户原始图像；

第一特征提取模块，还与所述检测模块相连，用于提取所述用户原始图像的多通道特征信息，并将所述用户原始图像的多通道特征信息发送给所述检测模块；

检测模块，用于将所述用户原始图像的多通道特征信息通过所述检测级联分类器，得到人手检测区域信息；

识别模块，与所述检测模块相连，用于根据所述人手检测区域信息识别得到最终识别结果。

较优的，还包括：