復(fù)雜背景下動態(tài)手勢跟蹤算法研究.pdf

1、隨著計算機技術(shù)的飛速發(fā)展，迫切要求改善人與計算機之間的交互方式，由于手勢在語義表達方面所具有的友好性與直觀性，使得手勢在人機交互中得到廣泛應(yīng)用和研究。
　　 為了提高人機交互中運動手勢的跟蹤精度問題，在分析了傳統(tǒng)Mean shift跟蹤方法原理及其自身存在的不足的基礎(chǔ)上，本文提出了一種實時跟蹤手勢目標中心的線性預(yù)測方法。該方法通過提取目標手勢在HSV顏色空間中的H分量建立Mean shift膚色目標模型，并通過單峰高斯模型對跟蹤

2、過程中的樣本點進行篩選，提高了運動手勢抗背景干擾的能力。此外，為了克服在跟蹤過程中由于手勢運動過快導(dǎo)致跟蹤精度不高的問題，采用了線性預(yù)測函數(shù)對手勢起始中心進行預(yù)測。通過實驗表明，該方法對于運動手勢跟蹤表現(xiàn)出較好的性能。
　　 為了更進一步提高手勢跟蹤的實時性與精確性，以在實際應(yīng)用中更加具有實用性，文中提出了一種基于區(qū)域生長的Mean shift動態(tài)變形手勢跟蹤方法。該方法針對手勢在顏色空間中所具有的高聚類特性，利用區(qū)域生長算法以

3、手勢的起始中心為種子點通過生長對手勢進行采樣，采樣完成后由Mean shift算法對樣本點集合的中心進行精確定位，從而實現(xiàn)視頻序列中對動態(tài)變形手勢的連續(xù)定位。該方法具有較低的時間復(fù)雜度和較高的跟蹤精度。
　　 在本文提出的基于區(qū)域生長的Mean shift動態(tài)變形手勢跟蹤方法的基礎(chǔ)上，提出了一種基于聯(lián)合空間的動態(tài)變形手勢跟蹤方法，該方法利用手勢像素在空間域的位置分布特征以及在顏色空間的特征，計算手勢樣本集合在聯(lián)合空間的核概率密度

4、，進而通過Mean shift算法對手勢目標在空間域中定位。該算法也可以看作是第二種算法的“改進版本”。
　　 文中采用若干組在室內(nèi)條件下拍攝的手勢運動視頻為實驗材料，利用matlab7.0數(shù)學(xué)軟件作為實驗平臺，對本文提出的三種算法的可行性進行了驗證。此外，將本文提出的三種算法與傳統(tǒng)mean shift跟蹤算法進行了比較，證實了本文算法的優(yōu)越性。
　　 本文所做的工作都是基于實驗環(huán)境下針對單手運動的情況所展開的研究，要使