基于單目視覺的手勢檢測與跟蹤算法研究.pdf

1、廈門大學學位論文原創(chuàng)性聲明本人呈交的學位論文是本人在導師指導下，獨立完成的研究成果。本人在論文寫作中參考其他個人或集體己經(jīng)發(fā)表的研究成果，均在文中以適當方式明確標明，并符合法律規(guī)范和《廈門大學研究生學術活動規(guī)范(試行)》。另外，該學位論文為()課題(組)的研究成果，獲得()課題(組)經(jīng)費或?qū)嶒炇业馁Y助，在()實驗室完成。(請在以上括號內(nèi)填寫課題或課題組負責人或?qū)嶒炇颐Q，未有此項聲明內(nèi)容的，可以不作特別聲明。)聲明人(簽名)：于帕硼f3

2、年皇月2Et摘要摘要隨著時代的變遷和技術的進步，人類己不滿足于用鍵盤和鼠標對計算機進行操作，因此人機交互技術就成為了當下的研究熱門，而手勢交互就是其中最受關注的一個方向。手是人體最為靈活的部位，其所能夠表現(xiàn)出來的手勢是復雜多變的，這對手勢交互技術提出了很高的要求。手勢檢測和跟蹤作為手勢交互的前提和基礎，需要克服復雜環(huán)境中的種種干擾，準確的定位出目標手勢所在位置并獲得一系列連續(xù)的跟蹤軌跡，這是一個十分具有挑戰(zhàn)性的課題，值得不斷的深入研究。

3、針對當前手勢交互技術的發(fā)展情況，本文擬研究復雜環(huán)境下的手勢檢測與跟蹤問題。這里的手勢檢測指的是手勢的第一幀自檢測。為了能夠在復雜環(huán)境下具有較高的魯棒性和準確率，本文采用基于Haar1ike特征的AdaBoost分類器進行手勢檢測，檢測目標為握拳手勢，檢測到的若干個待定目標進一步結合時間和空間上的限制條件進行輔助判斷，最后得到一個滿足用戶交互意愿的跟蹤手勢。實驗結果表明該方法能夠在背景中存在手勢干擾的情況下準確的鎖定目標手勢。手勢跟蹤部分

4、的跟蹤對象同樣是固定手勢，采用TLD框架進行跟蹤。TLD算法其跟蹤魯棒性高，又有PN在線學習方法進一步提高跟蹤準確率，但是運算量過大導致實時性不好。針對這一點，本文設計了一種實時性更高的算法BPTLD，通過對TLD中數(shù)據(jù)量最大的檢測模塊添加反向投影算法，提高了約20％的跟蹤速度。此外還可以根據(jù)手勢跟蹤的應用場景按需優(yōu)化TLD的內(nèi)部參數(shù)。從BPTLD與其他手勢跟蹤算法HandVu和MSEPF的對比實驗中可以看出，在復雜環(huán)境和高速手勢的情況