動態(tài)手勢跟蹤識別與人機交互技術研究.pdf

1、當今時代，隨著計算機和人工智能技術的不斷向前發(fā)展，計算機早已滲透到人類生活的各個方面，成為了我們生活中不可缺少的部分。尤其是隨著人臉識別、手勢識別和體態(tài)控制等領域研究的不斷深入，各種人機交互技術的成果層出不窮。其中，手勢識別技術具有的易操作性和純自然性，使得該技術被廣泛應用于各個領域，例如體感游戲、機器人控制、增強現(xiàn)實、智能家居、手勢識別等。手勢識別技術正在逐漸的改變著人們的日常生活方式。
　　本文就動態(tài)手勢跟蹤識別與人機交互技術

2、的相關算法具體介紹如下：
　　1.分別研究了基于普通攝像頭平臺和基于 Kinect平臺的手勢分割算法。在基于普通攝像頭平臺上，首先，使用鼠標選擇出膚色目標，并根據(jù)此區(qū)域建立膚色模型。然后，把圖像中的膚色信息和通過跟蹤算法得到的運動信息進行融合。最后，利用分割算法將手勢從復雜背景中分割出來。在基于 Kinect平臺上，將彩色圖中的膚色分割算法和深度圖中的深度直方圖算法融合起來，對手勢進行分割，在深度圖和彩色圖中，實現(xiàn)了手勢的自適應分

3、割。
　　2.在特征提取與靜態(tài)手勢識別階段，研究了基于模板匹配和基于多特征融合的兩種靜態(tài)手勢識別算法。在基于模板匹配的算法中，首先，提取手勢區(qū)域窗口、手勢的方向、手勢輪廓的周長和面積等特征。然后，基于以上特征進行模板匹配，完成靜態(tài)手勢識別。在基于多特征融合的單、雙手識別中，首先，結合深度信息，有效的提取出感興趣手勢區(qū)域的RGB圖和深度圖。然后，將深度圖的加權Hu（Hu invariant moments）矩特征與RGB圖的HOG（

4、Histogram of Oriented Gradients）特征進行融合，建立支持向量機模型（support vector machine mode SVM）對靜態(tài)手勢進行識別。實驗結果表明，該算法對9種手勢的識別率都高達95％以上。
　　3.在動態(tài)手勢識別階段，結合隱馬爾可夫模型（Hidden Markov Model HMM），對有效的軌跡樣本進行訓練，并對輸入手勢的質心軌跡進行識別。實驗結果表明，該算法能夠準確的識別出6

5、種預定義的手勢運動軌跡。
　　4.在人機交互階段，通過TCP協(xié)議，將手勢與飛行器的視景仿真系統(tǒng)進行整合，在此虛擬系統(tǒng)中，實現(xiàn)了對無人機飛行軌跡的手勢控制，完成了人機交互功能。
　　本文在多特征融合基礎上，結合支持向量機模型（support vector machine mode SVM），實現(xiàn)了復雜背景下的單、雙手的手勢識別。在人機交互中，通過局域網(wǎng)，將手勢識別結果與三維視景仿真系統(tǒng)中的無人機聯(lián)系起來，通過手勢的變換，完成對