学位论文 > 优秀研究生学位论文题录展示
复杂背景下基于视觉的动态手势识别研究
作 者: 贺顾一
导 师: 张际平
学 校: 华东师范大学
专 业: 通信与信息系统
关键词: 手势识别 手势分割 特征提取 基于边缘抽样统计的描述子 隐马尔可夫模型
分类号: TP391.41
类 型: 硕士论文
年 份: 2008年
下 载: 764次
引 用: 15次
阅 读: 论文下载
内容摘要
人们很早就通过手势进行信息的交互,手势是人们信息交互的重要方式之一。随着计算机技术的发展,人机交互的中心开始从计算机向人的方向转移。基于计算机视觉的手势识别方法能够提供更加友好的人机交互方式,是手势识别技术发展的趋势和目标。但是因为手势具有时间和空间上的多样性和不确定性,而且人手本身也是复杂的可变形体,所以目前这种人机交互方式还处于实验阶段,理论不是很成熟,能够识别的范围比较小,这是一个极富挑战性的多学科交叉的研究课题。基于视觉的动态手势识别的过程大致可分为手势分割、手势特征提取以及特征识别三个阶段。本文在已有的动态手势识别框架的基础上,主要做了如下三部分的工作:在手势分割阶段,本文改进了原有的分割流程,提出了基于卡尔曼滤波的手势位置预判与基于HSV颜色空间肤色聚类相结合的手势分割方法。此外,本文还采用基于人手肤色先验经验的自动白平衡以及基于R分量的动态差分分析等技术在复杂背景下进行手势的分割,与传统的基于RGB肤色模型的手势分割相比,取得了较好的分割效果。在手势特征的提取阶段,本文在分析了基于简易拓扑学以及归一化的傅立叶描述子的特征提取的方法的基础上,根据动态手势中不同的角度的手形具有不同意义的特点,在放宽手势特征值的标准,即不要求旋转不变。在此前提下,提出了边缘抽样统计的特征提取算法,并给出了这种特征值的二维图像意义。实验表明,在这种放宽的标准下,通过训练好的神经网络,这种算法具有速度快,识别率良好的特点。在特征的识别阶段,本文主要进行了轨迹识别以及包含手指位置信息的轨迹识别研究。在轨迹识别方面,本文借鉴成功应用在语音识别中的隐马尔可夫模型的方法,取得了较满意的结果。在包含手指位置信息的轨迹识别方面,本文提出了一种关键帧序列识别和轨迹识别相结合的方法,对三种手势进行识别,取得了90.3%的平均识别率。实验结果表明,这种方法具有一定的实用价值。
|
全文目录
论文摘要 6-7 ABSTRACT 7-15 第1章 绪论 15-23 1.1 概述 15 1.2 研究问题的提出 15-16 1.3 手势的定义和分类 16 1.4 手势识别的分类 16-17 1.4.1 基于数据手套的手势识别 16-17 1.4.2 基于视觉的手势识别 17 1.5 基于视觉的手势识别的现状 17-22 1.5.1 手势识别系统的构成 17-18 1.5.2 手势图像的分割 18 1.5.3 手势的建模 18-20 1.5.4 手势特征提取 20-21 1.5.5 手势特征识别 21-22 1.6 手势识别的难点 22 1.7 论文的主要内容 22-23 第2章 手势图像的分割研究 23-47 2.1 概述 23 2.2 手势分割的基本流程 23-24 2.3 图像的预处理 24-27 2.3.1 图像的平滑 24-26 2.3.2 图像的二值化及开闭运算 26-27 2.4 基于HSV颜色空间的人手区域检测 27-30 2.4.1 HSV颜色空间概述 28-29 2.4.2 基于H值的肤色分割 29-30 2.5 基于差分运动分析的人手区域检测 30-33 2.6 边缘检测 33-34 2.7 对手势分割基本流程的改进 34-45 2.7.1 基于人手先验知识的自动白平衡 34-36 2.7.2 基于RGB颜色空间R分量的差分运动分析 36-37 2.7.3 基于卡尔曼滤波的人手位置预判 37-42 2.7.4 人脸区域的去除 42-43 2.7.5 改进后的手势分割流程 43-45 2.8 实验结果与分析 45-47 第3章 手势特征的提取研究 47-62 3.1 概述 47 3.2 基于拓扑的特征提取 47-48 3.3 基于傅立叶描述子的特征提取 48-49 3.4 基于边缘抽样统计的特征提取 49-55 3.4.1 两个基本的假定 50-51 3.4.2 基于边缘抽样统计的特征提取方法 51-55 3.5 前馈人工神经网络 55-58 3.5.1 人工神经网络概述 55-56 3.5.2 误差反向传播算法 56-58 3.6 基于前馈神经网络的特征相量的识别 58-59 3.7 实验结果与分析 59-62 3.7.1 识别的最终结果 59-60 3.7.2 抽样线条数量对识别率的影响 60 3.7.3 隐藏层单元数量对识别率的影响 60-62 第4章 动态手势识别研究 62-73 4.1 概述 62 4.2 手势轨迹特征值的提取 62-63 4.3 基于隐马尔可夫模型的手势轨迹识别 63-69 4.3.1 隐马尔可夫模型的原理及算法 63-68 4.3.2 手势轨迹识别的结果 68-69 4.4 包含手形的动态手势的识别 69-73 4.4.1 识别的主要流程 69-70 4.4.2 关键帧的提取 70-71 4.4.3 轨迹和手形的识别顺序 71 4.4.4 实验结果与分析 71-73 第5章 结束语 73-74 附录A:攻读硕士期间发表和完成的论文 74-75 参考文献 75-79 后记 79
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 网络语音传输丢包的恢复技术,TN912.3
- 领域实体属性及事件抽取技术研究,TP391.1
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 水下目标特征的压缩与融合技术研究,TN911.7
- 手势追踪研究与手势识别应用平台实现,TP391.4
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 基于特征描述的图像匹配方法研究,TP391.41
- 隐马尔可夫模型在视频场景分析中的应用研究,TP391.41
- 语音识别在访问控制的应用,TN912.34
- 基于模糊理论的汽车牌照自动识别系统的设计与实现,TP391.41
- 基于图像特征提取的算法设计与应用,TP391.41
- 增强现实系统的人机交互技术研究与应用,TP391.41
- 基于规则的Web文本信息抽取技术的研究,TP391.1
- 基于隐马尔科夫模型的操作员功能状态分类,TP273
- 裸眼三维增强现实关键技术研究,TP391.41
- 基于HMM的社交网络连接关系研究,F49
- 基于特征加权连续隐马尔可夫模型的故障诊断方法研究,TH165.3
- 关于树上马尔可夫链场的若干强大数定律,O211.4
- 人机交互中的手指定位研究与应用,TP11
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|