[发明专利]一种基于显著特征点提取的手势识别方法及装置

说明书

本发明公开了一种基于显著特征点提取的手势识别方法及装置，包括：提取模块，用于获取待识别手势的形状，由所述待识别手势形状边缘提取出一个不闭合的轮廓，获取该轮廓上所有轮廓点的坐标；计算模块，用于计算每个轮廓点的面积参数，并根据面积参数对轮廓点进行筛选，提取出显著特征点，以显著特征点序列的面积参数以及归一化后的点序参数作为该轮廓的特征参数；匹配模块，用于利用显著特征点的特征参数，将所述待识别手势与预设模板库中的模板进行匹配，得到所述待识别手势的最佳匹配模板，并确定所述最佳匹配模板的类别为所述待识别手势的类别。本发明在对手势形状特征的有效提取和表示的同时，还具有平移不变性、旋转不变性、尺度不变性和铰接不变性等优良性能，能有效抑制噪声干扰。

技术领域

本发明涉及一种基于显著特征点提取的手势识别方法及装置，属于识别技术领域。

背景技术

手势识别是计算机视觉领域的一个重要研究课题，在人机交互领域具有广泛的应用，包括虚拟现实，手语识别，人机博弈等。

过去，手势识别的发展受制于采集设备的落后，获取的手势图像背景杂乱，受光照影响严重，手势提取困难。数据手套的出现解决了光照和背景的问题，但由于其限制了手势的自然表达且设备价格昂贵，仍无法被广泛应用。随着深度相机的发展，以Kinect传感器为主要采集设备的手势识别技术得以迅速发展，对识别精度和效率的提升提供了良好的硬件基础。

现有的手势识别方法主要分为两类。一类是基于统计分析的方法，通过统计样本特征向量来确定分类器。典型算法有PCA, HMMs, 粒子滤波等，但计算复杂，难以达到实时要求。第二类是基于模板匹配的方法，提取待识别手势的特征，与预设模版的特征相匹配，与匹配度最高的模版类别作为待识别手势类别。典型算法有SC, FEMD等，但识别精度不够。

因此，提出一种能同时保证识别精度和效率的手势识别方法，是目前相关技术领域的关键问题。

发明内容

本发明的发明目的是提供一种基于显著特征点提取的手势识别方法及装置。

为达到上述发明目的，本发明采用的技术方案是：一种基于显著特征点提取的手势识别方法，包括如下步骤：

S1、获取待识别手势的轮廓，获取所述轮廓上所有轮廓点的点序列自然编号及其坐标；

S2、计算所述所有轮廓点的面积参数；

S3、对轮廓点的面积参数的分布曲线进行平滑，判断各轮廓点是否为极值点：若当前轮廓点的面积参数值大于相邻前后两轮廓点的面积参数值，则认为该轮廓点为极大值点,若有多个相邻的轮廓点的面积参数值相等且为此处极大值，则取第一个为极大值点；若当前轮廓点的面积参数值小于相邻前后两轮廓点的面积参数值，则认为该轮廓点为极小值点,若有多个相邻的轮廓点的面积参数值相等且为此处极小值，则取第一个为极小值点；对所述所有轮廓点进行上述判断之后，得到待识别手势的极值点序列，保留轮廓点的点序列的起始点和最后一个点作为极值点，预设i=2；

S4、对极值点序列从第i个点开始逐点进行判断，若第i和第i+1个极值点对应的参数值的差异大于或等于预先设定的阈值，则执行S5；否则，执行S6；

S5、判断第i+2个点是否为极值点序列的最后一个点，若是，则执行步骤S9，否则，令i=i+1，执行步骤S4；

S6、判断第i+1和第i+2个极值点对应参数值的差异，若第i+1和第i+2个极值点的参数的差异大于第i和第i+1个极值点参数的差异，则将第i和第i+1个极值点从极值点序列中删去，得到一个新的极值点序列，并执行步骤S7；否则，执行步骤S8；

S7、判断第i+2个点是否为极值点序列的最后一个点，若是，则执行步骤S9，否则令i=2，执行步骤S4；