基于RGBD深度圖像的實時手勢識別研究.pdf

1、手勢識別是機器視覺以及人機交互的研究熱點之一，在虛擬現(xiàn)實、機器人遙控、智能駕車、辦公輔助、游戲娛樂、手語識別等領域應用前景十分廣闊。隨著計算機軟硬件技術(shù)的不斷增強，由深度攝像機捕獲的深度圖像因為其三維信息可以為手勢識別提供更豐富的數(shù)據(jù)，而被廣泛應用于手勢識別研究當中。本文選取Kinect深度攝像機，利用其獲取的RGBD深度圖像，對手勢進行實時處理。本文主要對靜態(tài)手勢和動態(tài)手勢進行手勢分割和識別，并將手勢識別的研究應用到了原型系統(tǒng)的開發(fā)當

2、中，設計了一套基于實時手勢識別的汽車駕駛交互模擬平臺。
　　本研究主要內(nèi)容包括：⑴針對復雜背景當中手勢分割的問題，提出了基于MTS的手勢分割方法，利用手部運動信息進行運動區(qū)域定位，設定動態(tài)閾值對手部區(qū)域進行提取，然后利用膚色特征將圖像映射到HSV和YCbCr彩色空間當中進行膚色定位，可以實時地將手部準確提取出來。⑵針對靜態(tài)手勢識別過程中的特征提取問題，提出了多特征融合進行手勢提取，融合了手的輪廓特征、幾何參數(shù)特征與Hu矩特征，并制

3、作了靜態(tài)手勢數(shù)據(jù)集SHGD，通過 SVM分類器進行訓練分類，得到分類模型。經(jīng)實驗，算法對本文設計的8個靜態(tài)手勢都具有良好的識別準確率。⑶針對動態(tài)手勢識別中的有效匹配問題，基于DTW時間序列匹配算法，加入了kNN的分類策略，從而提出了k-DTW動態(tài)手勢識別算法。制作了動態(tài)手勢數(shù)據(jù)集DHGD，利用DTW距離計算作為kNN的核心測算部分。并通過距離加權(quán)對手勢類別相關性進行投票，從而進行有效匹配。實驗結(jié)果表明，利用k-DTW算法對本文設計的4個