[发明专利]一种基于多核学习异构特征融合的手势识别方法

说明书

技术领域

本发明属于图像处理与模式识别领域，具体涉及一种基于多核学习异构特征融合的手势识别方法。

背景技术

以和谐、自然为主题的人机交互方式已经成为未来人机交互技术的发展趋势。这样的技术已经成为当今世界的热点研究问题。手势识别是一种新型的人机交互技术，基于计算机视觉的静态手势识别系统具有自然、直观、易于学习等优点。静态手势识别主要有以下几方面应用①虚拟环境的交互②手语识别③机器人机械手的抓取。所以，设计简单、高效、易于实现的手势识别系统已经成为图像处理与模式识别领域研究者的研究热点。

支持向量机是一种成熟的模式识别算法，在手势识别问题中得到了很好的应用。该技术应用到手势识别的主要问题为：

(1)利用特征包特征和支持向量机进行手势识别，该算法的主要缺点是单一特征不能完整地描述手势图像特征。在形成图像特征的过程中，丢失了全局特征。最终造成识别率的不稳定性。

(2)采用Hu矩和支持向量机的手势识别。该方法同样因为特征单一而具有一定的局限性，对于相关参数的选择要求苛刻。这种方法的系统稳定性较差。

(3)采用多个摄像头采集图像不同角度的特征，建立多个支持向量机，然后用投票的方式识别手势。这种方法的主要缺点是随着识别种类增加，识别率会明显降低，不利于多类手势识别。而且系统比较繁琐，参数过多，不易实现。

此外，在选择支持向量机核函数时，没有一种统一的方法选择核函数，大都采用经验法。这就导致核函数以及核函数参数的选择对识别结果有很大影响。所以，基于单一核函数的支持向量机分类算法很难满足复杂分类问题的需要,尤其对于多源异构数据分类问题,单核算法更是显得力不从心。寻找一种算法，融合特征和核函数，从而提高支持向量机的泛化能力，已经成为支持向量静态手势识别的研究重点。

发明内容

为了克服上述现有技术存在的不足，本发明设计了一种基于图像特征融合与多核支持向量机的手势识别方法；解决了现有技术中手势识别的识别率低问题。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，在带有手势的图像中进行手势分割；

步骤2，对定位后的手势图像进行特征提取；

步骤3，利用提取的特征构建基础核并加权融合基础核；

步骤4，利用多核学习算法训练支持向量机，得到最优融合权值和支持向量机最优分类超平面；通过构建未知类别的手势图像的融合核和训练好的支持向量机判别手势所属类别，实现手势识别。

本发明具有以下有益效果及优点：

1.本发明通过提取图像的点特征，线特征和面特征，能够更加充分、准确、全面地描述手势图像特征，总体方法能够提高多类相似手势的识别率。

2.本发明通过建立基础核，将三种异构特征统一为相同的结构。利用核函数理论将三种特征加权融合为融合核。该融合核同时具备三种特征的优点。

3.本发明设计了一种多核学习算法解决融合核权值的求解问题。同时，得到了支持向量机的最优分类超平面，即支持向量机模型。提高了支持向量机的泛化能力。显著提高了手势识别的识别率。

附图说明

图1为本发明的算法流程图。

图2a为形状上下文提取手势图像特征示意图。

图2b为形状上下文提取手势图像特征描述子示意图。

图3a为多核学习算法训练示意图。

图3b为多核学习算法识别示意图。

具体实施方式

下面结合实例对本发明做进一步的详细说明。

本发明主要包括手势分割、手势图像特征提取、基础核的构造与融合、多核支持向量机的训练与识别四个部分。图1为本发明算法的系统流程图，具体步骤如下：

一.手势分割

1.通过摄像头拍摄手势图像，收集不同人的不同手势若干张图像训练图像集，预先设置训练集中各类手势的含义。

2.手势分割：对拍摄的所有手势图像进行分割处理。首先，对图像进行光照补偿处理。然后，采用设定HSV颜色空间阈值的方法分割手势区域。分割后的手势图像背景为黑色人手部分为彩色。最后，将图像的灰度化，以便后续特征提取。

二.手势图像特征提取

3.本发明提取图像的形状上下文特征、梯度方向直方图特征和特征包特征，这三种特征分别代表了图像的点特征、线特征和面特征。描述这三种特征的特征向量维数各不相同，是异构特征。

三.基础核的构造和融合