[发明专利]一种动态手势指令识别方法

说明书

本发明公开了一种动态手势指令识别方法，包括以下步骤：制作5种基础样本类；进行HSV空间肤色分割，得到二值图，并调整大小；进行区域生长选出最大肤色区域；将HOG检测算法提取并保存图片像素梯度归一化后的特征信息作为样本进行训练；基于基础样本类，设计27种动态手势指令；结合CFDP的思想进行手势跟踪，对区域生长后的图像进行计算处理，得到手势质心和边缘；结合静态模型对每组手势指令进行相应的特征提取；每组指令得到一个61维的特征矩阵，经过对特征整合，再次利用SVM分类器进行分类，得出Model_2。本发明在实现了实时高效的手势指令识别的前提下，既结合了新的跟踪算法又避免了采用时间序列算法的繁琐。

技术领域

本发明属于图像处理技术领域，具体是涉及一种动态手势指令识别方法。

背景技术

现阶段的手势识别技术按照实现途径可以分为基于数据手套的手势识别和基于计算机视觉的手势识别两大类。对于前者，是利用数据手套和位置跟踪器测量手势在空间的运动的轨迹和时序信息，识别率较高，但是系统需要使用者穿戴复杂的数据手套和位置跟踪器，给使用者造成一定不方便，且现阶段设备比较昂贵，很难大量推广；相对的基于手势指令的识别具有非接触式的特点更加能满足用户的需求，从而成为当前研究的主要方向。

清华大学计算机科学与技术系的祝远新等人提出了一种新的基于表观的手势识别技术，并指出了一条如何将运动、形状、颜色和纹理等信息统一起来进行手势识别的途径；且实现了对12种手势进行在线识别的实验系统，识别率超过90％。而在动态手势的识别过程中，运用了光流法结合模板匹配的方法，但是该方法需要应用具有深度信息的相机才可以实现。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种在不使用深度相机的情况下即可得出识别结果、操作简便且对使用场景无要求的动态手势指令识别方法。

为解决上述技术问题，本发明的一种动态手势指令识别方法，包括以下步骤：

步骤一：制作5种基础样本类，包括五指张开，即Five类、翘起拇指，即Thumb类、倾斜食指与中指，即Two类、拳头，即Fist类、杂乱手型，即Else类；

步骤二：对样本图片进行HSV空间的肤色分割，并得到二值图:利用区域生长对原始图进行肤色分割后的二值图进行处理，采集图片时保证手部占据最大部分图像，进行区域生长选出最大肤色区域，选择最大肤色区域作为新的样本，然后调整样本尺寸进行特征提取；

步骤三：利用梯度方向直方图提取区域生长得到的二值图的特征，将图像均匀的分成相邻的小块，结合有重叠的矩形HOG以及最简单的[-1，0，1]算子提取特征；

步骤四：将HOG检测算法提取并保存图片像素梯度归一化后的特征信息作为样本进行训练：统一图片尺寸为(64，128)，每个图片可以得到105个Block，每个Block包含36维向量，归一化之后每幅图片可以得到3780维HOG特征，将5类训练数据的HOG特征传入到SVM训练器中，选择参数获取对待测样本犯错最少的预测支持向量机；

步骤五：利用上述除杂乱手型外的4种静态手势结合手势的运动方向，设计出27种动态手势指令，每组手势指令样本包含30帧静态手势；动态手势识别基于上述27种指令进行特征提取、模型构建、分类、测试，所述27组指令方案的每组指令采集100组数据，共计2700组数据，每个指令方案的100组数据包括10个不同人的手掌采集的数据，每个人采集10组数据，利用2700组数据进行训练测试；