[发明专利]基于深度图像的利用MeanShift算法进行手部区域分割的方法

说明书

本发明公开的基于深度图像的利用MeanShift算法进行手部区域分割的方法，包括以下步骤：1、读取深度图像；2、对深度图像进行预处理并初步提取包含冗余轮廓的手部区域；3、在初步提取得到的手部区域中选取初始迭代点并计算迭代半径；4、利用MeanShift算法对初始迭代点和迭代半径进行迭代运算，获取最接近手掌区域的圆形区域；5、根据最接近手掌区域的圆形区域将初步提取到的手部区域上的冗余轮廓剔除，更新得到精确的手部区域轮廓。本发明利用MeanShift算法进行手部区域分割的方法可以有效去除手臂等其他冗余轮廓信息，为后续的特征提取、分类学习等步骤的提供更为准确的输入数据源，提高最终手势识别和交互系统的稳定性和准确性。

技术领域

本发明涉及计算机模式识别和计算机视觉技术领域，尤其涉及一种基于深度图像的利用MeanShift算法进行手部区域分割的方法。

背景技术

手势交互是新型人机交互研究中一种重要的交互方式，这种交互是非接触性的、自然的交互，更符合人们的自然行为，因此基于手势的交互方式将是未来人机交互发展的趋势。手势识别技术涉及人工智能、模式识别、机器学习、计算机图像学等众多学科。另外，手势的研究设计到数学、计算机图形学、机器人运动学、医学等诸多学科。因此，手势识别的研究具有非常重要的研究价值与研究意义。当前基于手势交互的研究主要集中在基于RGB光学图像的处理上，包括人手检测、目标跟踪、手势识别三部分。

手势检测用于检测获取控制权的手势，主要分为静态手势和动态手势两种方式，静态手势的检测应用的是基于区域特征的目标检测方法，比如Haar特征、HOG特征、肤色特征、形状特征等，动态手势的检测主要基于运动的检测算法，根据运动区域的特征检测某种预定义的手势。目前手势检测研究较为成熟，但受光照、背景等的影响。

例如，专利申请号为201510282688.1的中国专利申请公开的一种基于深度图的手部特征点检测方法，包括以下步骤：(1)手部分割：利用Kinect采集到人体运动视频序列来提取手部，通过深度图利用OPENNI得到人体手部位置信息，通过设定搜索区域及深度阈值方法，初步获得手心点；利用OPENCV的find_contours函数得到手部轮廓；通过找到手轮廓内最大内接圆圆心，精确确定手部手心点，通过计算所有手部内部点到轮廓点之间的最短距离m，在最短距离中找到最大值M，M所代表的手部内部点为手心点，内接圆半径R＝M；(2)特征点提取：通过不断对手部轮廓进行高斯平滑，并结合曲率阈值从而得到CSS曲率图，根据图中CSS轮廓分析极限值得出手部指尖点及指谷点坐标，同时需要补全根据CSS曲率图无法得到的手部指谷点；(3)补全缺失手指：利用角度阈值和深度跳变结合的方式来补全缺失手指，从而找到弯曲手指的指尖点。

然而，这种基于设定搜索区域及深度阈值方法得到的手部轮廓会附带手臂或其他障碍物的轮廓信息，这些冗余轮廓信息会对后续的特征提取、分类学习等步骤产生干扰，造成最终手势识别和交互系统的不稳定。为此，申请人进行了有益的探索和尝试，找到了解决上述问题的办法，下面将要介绍的技术方案便是在这种背景下产生的。

发明内容

本发明所要解决的技术问题：针对现有技术的不足而提供一种基于深度图像的利用MeanShift算法进行手部区域分割的方法，该方法保证最终处理得到的手部区域由手腕处起始，去除手臂和其他障碍物造成的冗余轮廓信息，确保手势识别和交互系统的稳定性。

本发明所解决的技术问题可以采用以下技术方案来实现：

基于深度图像的利用MeanShift算法进行手部区域分割的方法，包括以下步骤：

步骤S10，读取深度图像；

步骤S20，对深度图像进行预处理并初步提取包含冗余轮廓的手部区域；

步骤S30，在初步提取得到的手部区域中选取初始迭代点并计算迭代半径；