[发明专利]基于手指轮廓和决策树的静态手势识别方法

权利要求书

1.一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，包括以下步骤：

步骤1：使用Kinect for Windows SDK获取包含手掌深度图像的正方形区域以及掌心坐标S₀；

步骤2：采取自适应邻近值法对深度图像进行分割，然后对手掌轮廓进行图像形态学处理；

步骤3：对手掌轮廓进行椭圆拟合，以椭圆的圆心为轮廓的几何中心S₁，建立圆周序列曲线，求出圆周序列曲线上的所有极大值点和极小值点，并使用一个极大值点和左右各一个极小值点构成极值点对来表示手指轮廓和手腕轮廓；

步骤4：求极值点对内的所有轮廓点，通过计算每个轮廓点的梯度确定手指轮廓和手腕轮廓，然后根据轮廓的宽度差异识别出手腕轮廓，再减去手指轮廓和手腕轮廓后，使用剩余轮廓重新估算手掌中心S₂；

步骤5：求出各手指的宽度、长度、面积、夹角、指尖之间的欧几里德距离、指根之间的欧几里德距离、指中心之间的欧几里德距离以及指尖到手掌中心S₂的欧几里德距离作为特征向量建立特征集；

步骤6：针对相同手指个数的手势使用决策树对特征集进行训练，在识别的时候先比较手指个数，然后再使用相应的决策树进行分类。

2.根据权利要求1所述的一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，步骤1中，在Kinect上加载Kinect for Windows SDK的API。

3.根据权利要求2所述的一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，步骤3中，使用圆周序列曲线对手掌轮廓进行建模的方法是：

创建一个360×240的图像，其中X轴表示以手掌几何中心S₁为中心的360个角度，Y轴表示各个角度下的手掌轮廓点到S₁的欧几里德距离，如果同一角度下存在两个以上轮廓点，则Y值取欧几里德距离最大的一个。

4.根据权利要求2所述的一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，步骤3中，使用极值点对法对圆周序列曲线求极值点对的方法是：

求出圆周序列曲线上的所有极大值和极小值，其中极大值表示手指指尖，极小值表示手指指根，通过一个极大值和左右各一个极小值来表示手指的轮廓，去掉其它极值；

去掉其它极值包括以下步骤：

对于相连的几个极大值点，取出其中最大的一个；

两个极大值点之间有且只有两个极小值点，如果大于两个，则将中间的候选极小值点删掉，留下两边的，如果只有一个，则复制一个跟它一样的极小值点；

将一个极大值点和紧贴在它两边的两个极小值点组成一组极值点对，每组极值点对为一根候选手指或候选手腕，计算各组点对中极大值与极小值的平均差，对于平均差较小的点对，判定为干扰点对，从候选手指中删除。

5.根据权利要求4所述的一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，步骤5中，对手指轮廓进行梯度运算的方法是：

取出极值点对中所包含的所有轮廓点，以极大值点为中点分为左右两部分，对左边部分上的每一个轮廓点求它的梯度方向上的直线是否能与右边部分相交，如果不相交，则该轮廓点作为孤立点从手指轮廓或手腕轮廓中剔除；对右边部分上每一个轮廓点求它的梯度方向上的直线能否与左边部分相交，如果不相交，则该轮廓点作为孤立点从手指轮廓或手腕轮廓中剔除；在删除两头部分孤立点之后，取剩下的轮廓为手指轮廓或手腕轮廓。

6.根据权利要求4所述的一种基于手指轮廓和决策树的静态手势识别方法，其特征在于，步骤5中，建立特征集中包括的特征向量的计算方式如下：

各手指的宽度值，手指的宽度为使用椭圆对手指轮廓进行拟合所得到的短轴长；

各手指的长度值，手指的长度为指尖到两个指根中间的欧几里德距离；

各手指轮廓区域的面积，将各手指轮廓的极小值轮廓点相连得到的闭合区域面积作为手指的面积；

相连手指的夹角以及与手腕相连手指到手腕的夹角，该夹角指相连两根手指轮廓所拟合椭圆的长轴的夹角；

两两手指间的间距，所述间距指两两手指指尖之间、指根之间及指中心之间的欧几里德距离；

各手指距掌心距离，指各个手指的指尖距手掌心S₂的欧几里德距离。