[发明专利]一种应用于助老助残移动服务机器人控制的手势识别方法

摘要

本发明提供一种应用于助老助残移动服务机器人控制的手势识别方法，将静态手势识别与动态手势识别相结合，能排除手势分割时由于复杂背景、大面积肤色或遮挡造成的干扰，具有自然友好的人机交互方式，运用到基于手势识别的移动服务机器人交互系统中可以快速准确识别出手势指令并安全地控制轮椅，增大用户的活动范围，有效地改善其生活质量。

主权项

1.一种应用于助老助残移动服务机器人控制的手势识别方法，其特征在于，包括以下步骤：S1：获取Kinect静态手势的深度图像并使用骨骼追踪方法获取手掌心坐标S0，同时以掌心坐标S0为中心截出一块包含手掌图像的正方形区域；S2：采取自适应邻近值法对所述正方形区域所在的深度图像进行分割，以取得精确的手掌轮廓，然后对手掌轮廓进行图像形态学处理以降低手掌轮廓的细节；S3：对形态学处理过后的手掌轮廓进行椭圆拟合，以椭圆圆心为手掌轮廓的几何中心S1，建立圆周序列曲线，求出圆周序列曲线上的所有极大值和极小值，并使用一个极大值和左右各一个极小值构成极值点对；S4：求极值点对内的所有轮廓点，通过计算每个轮廓点的梯度排除掉不合适的轮廓点，剩下的部分便是手指轮廓或是手腕轮廓；再比较各轮廓的宽度，取其中宽度最大且比任何其他的轮廓宽度均大两倍以上的为手腕轮廓；S5：通过手指轮廓确定手指的个数，从而得出静态手势的识别结果来调节移动服务机器人，即调节智能轮椅的速度大小；S6：在步骤S5确定移动服务机器人的速度之后，做动态手势由Kinect获取其不同时刻的手心位置，计算得到手势轨迹角度，再根据所得角度采用12方向链码进行离散化将手势轨迹不同时刻的切线角度变化作为手势特征向量；S7：根据经过训练的HMM模型对手势特征向量进行预测分类，其中HMM模型为根据对样本手势区域通过使用Baum‑Welch算法进行训练得到的分类模型；S8：以步骤S6中得到的手势特征向量中的局部特征和全局特征作为输入，运用HMM模型进行动态手势的识别，选用Viterbi算法计算似然度识别出当前帧中的动态手势类别，其结果用来确定移动服务机器人的运动方向，从而完成全部的识别工作；所述步骤S5中，通过手指轮廓确定手指的个数，从而得出静态手势的识别结果来调节移动服务机器人即智能轮椅的速度大小，手指数从一到五分别代表其运行速度从小到大的五个档位，而握拳即识别手指数为零则代表停止。