手势识别技术是新一代人机交互的重要内容，使用计算机通过摄像头理解人们的手势并做出相应的反应，使人们摆脱了传统的键盘鼠标，将改变人们的生产生活方式。本文概论了基于视觉的手势识别的基本理论和研究状况，构建了一个基于手部约束的模型" />

学位论文 > 优秀研究生学位论文题录展示

基于计算机视觉的手势识别系统研究

作　者: 周航
导　师: 阮秋琦
学　校: 北京交通大学
专　业: 信号与信息处理
关键词: 手势识别跟踪 SBB HCI 手定位点脊模型 SVM
分类号: TP391.41
类　型: 博士论文
年　份: 2008年
下　载: 1704次
引　用: 14次
阅　读: 论文下载

内容摘要

基于视觉的手势识别的学位论文">手势识别技术是新一代人机交互的重要内容，使用计算机通过摄像头理解人们的手势并做出相应的反应，使人们摆脱了传统的键盘鼠标，将改变人们的生产生活方式。本文概论了基于视觉的手势识别的基本理论和研究状况，构建了一个基于手部约束的模型，然后对手进行分割。提出SVM的改进分类算法后，讨论了手部的运动跟踪和估计，最后介绍了一个实时的手势识别系统。通过研究证明基于视觉的手势识别具有很高的研究价值和发展前景。论文的创新点如下：●提出了基于骨骼约束关系的模糊点脊模型，通过点脊模型，忽略弯曲的部分因素，实现对手部区域的定位。算法优势在于能够剔除非关键信息，减少了图像特征的数目，节省了运行时间。●提出了用于分割期间手势分类的SBB算法，对比Adaboost等算法，适合数目较多的字母手势的分类。保持了原有Boosting算法良好的泛化特性，能够克服一定的遮挡和弯曲。●提出了一种肤色关联光流估计算法。较好解决了跟踪过程中动态手势遮挡的问题，能克服一定的运动模糊带来的困难，对于光照不敏感。●提出了一个基于肤色的相干映射手势跟踪算法。利用一般关联映射建立起点周围的矩形区域和环绕区域的映射，通过空间变换弱化了手势图像的模糊现象对识别的干扰，保证了映射过程中特征点的抗畸变性能。●提出了一个一对多的多层次SVM学习的判决规则。使用一对多分类器，避免了一对一分类器巨大的计算量。多层次的SVM，保证了分类过程中的较低开销。

全文目录

致谢  5-6
中文摘要  6-7
ABSTRACT  7-12
1 综述  12-30
  1.1 引言  12
  1.2 目前人机交互系统存在的不足  12-13
  1.3 基于视觉的手势识别的学位论文">手势识别系统的基本框架  13-15
  1.4 VBGR技术的主要应用领域  15-16
  1.5 VBGR的分类  16-20
    1.5.1 按研究方式的宏微观的划分  16-19
      1.5.1.1 基于轮廓的方法  16-17
      1.5.1.2 基于模型的方法  17-19
    1.5.2 按学习方法的划分  19
    1.5.3 按采集方式的划分  19-20
    1.5.4 按时空关系的划分  20
    1.5.5 按目的划分  20
    1.5.6 其他划分  20
  1.6 VBGR的基本要求及性能指标  20-21
  1.7 VBGR目前遇到的难题  21-22
  1.8 VBGR涉及到的技术  22-23
  1.9 确定VBGR进行研究的思路  23-25
    1.9.1 与其它识别方法的比较  23-24
    1.9.2 本文研究的对象  24
    1.9.3 本文的选题意义  24-25
  1.10 VBGR的国内外研究动态  25-27
    1.10.1 国际的研究情况  25-27
    1.10.2 国内的研究情况  27
  1.11 本文的内容安排  27-29
  1.12 小结  29-30
2 基于视觉的手势识别相关技术基础  30-50
  2.1 相关的分割算法  30-37
    2.1.1 阈值分割算法  30-31
    2.1.2 主动轮廓模型算法  31-33
    2.1.3 基于边界的分割算法  33-34
    2.1.4 区域增长分割算法  34-37
      2.1.4.1 肤色区域生长算法  34-35
      2.1.4.2 ROI区域生长算法  35-37
  2.2 用于分类的相关算法介绍  37-40
    2.2.1 主元分析法和其衍生算法  37-38
    2.2.2 线性指尖模型  38-39
    2.2.3 运动因果因素分析  39-40
  2.3 学习算法  40-46
    2.3.1 单一学习算法  40-45
      2.3.1.1 基于实例的方法  40-42
      2.3.1.2 基于隐马尔科夫模型(HMM)  42-43
      2.3.1.3 基于神经网络  43-44
      2.3.1.4 支撑向量机  44-45
    2.3.2 复合学习算法  45-46
  2.4 相关的颜色空间分析  46-49
    2.4.1 对肤色分布区域的特定色彩变换  46-47
    2.4.2 由RGB空间到CIELab空间的转换  47-48
    2.4.3 HSV空间坐标转换  48-49
  2.5 小结  49-50
3 基于约束的手部关节模型的研究  50-71
  3.1 手势模型的分类及特点  50-52
    3.1.1 基于三维的手势模型  51
    3.1.2 基于表观的手势模型  51-52
  3.2 手部骨骼模型的构建  52-54
    3.2.1 手的骨骼结构  52-53
    3.2.2 关节运动分析  53-54
  3.3 基于约束的手部模型设计  54-67
    3.3.1 建模的依据  55-56
    3.3.2 手部的一般运动约束  56-59
    3.3.3 手指模型的特殊约束  59-60
    3.3.4 模糊点脊模型(BR Model)  60-67
      3.3.4.1 图像特征分析  61-62
      3.3.4.2 尺度空间  62-63
      3.3.4.3 特征间关系  63
      3.3.4.4 手特征和点脊模型  63-65
      3.3.4.5 点脊模型的手部尺度估计  65-67
  3.4 试验结果和讨论  67-69
    3.4.1 改进的DOF骨骼手部特征定位结果  67
    3.4.2 点脊模型的手部特征定位结果  67-68
    3.4.3 基于DOF约束的人手模型矩形体仿真(无输入)  68
    3.4.4 基于约束的人手模型椭圆体仿真(有输入)  68-69
    3.4.5 实验对比和讨论  69
  3.5 小结  69-71
4 手部区域分割与特征提取算法研究  71-91
  4.1 基于视觉的手势分割和特征提取研究简介  71-72
  4.2 手势分割分类和特点  72
  4.3 结合肤色的手势分割算法  72-79
    4.3.1 手势分割的预处理技术  72-74
      4.3.1.1 改进的差分分割算法  72-73
      4.3.1.2 手指定位的几何学分析  73-74
      4.3.1.3 手势图像的配准  74
    4.3.2 肤色空间的处理  74-77
      4.3.2.1 CIELab空间的手势平均转移分割  74-75
      4.3.2.2 HSV空间的手势分析  75-77
    4.3.3 基于HSV色度的直方图匹配算法  77-79
    4.3.4 提取手部区域  79
  4.4 特征提取的SBB算法  79-86
    4.4.1 Boosting算法简述  79-80
    4.4.2 NNMF算法  80-81
    4.4.3 SBB弱假设基本原理  81-83
    4.4.4 分类算法分析  83-86
    4.4.5 算法基本步骤  86
  4.5 实验结果  86-89
    4.5.1 基于肤色的差分分割提取实验  86-88
    4.5.2 对指尖的定位搜索实验  88
    4.5.3 HSV色度的直方图匹配实验  88
    4.5.4 基于SBB算法的手势识别结果  88-89
  4.6 小结  89-91
5 基于多分类器的多层次支持向量机手势识别算法研究  91-107
  5.1 引言  91-92
  5.2 最佳分配平面(OSH)的获取  92-102
    5.2.1 优化问题的提出  92-93
    5.2.2 分类器和和函数设定  93-95
    5.2.3 支撑向量的更新  95-96
    5.2.4 多分类识别--一对多策略  96
    5.2.5 SVM优化判决器  96-101
    5.2.6 误检测的惩罚  101-102
  5.3 实验结果和讨论  102-104
  5.4 小结和讨论  104-107
6 基于视觉的手部运动跟踪和分析算法研究  107-135
  6.1 基于视觉的运动跟踪分类与概况  107-111
    6.1.1 基于视觉的运动跟踪分类  107-108
    6.1.2 基于视觉的手势跟踪原理基础  108-110
    6.1.3 目前的研究状况  110-111
      6.1.3.1 研究进展  110-111
    6.1.4 问题的提出  111
  6.2 基于视觉的运动跟踪算法  111-114
    6.2.1 假设模型  111-112
    6.2.2 手部窗口搜索  112-113
    6.2.3 手部特征点采样  113-114
  6.3 肤色关联光流估计跟踪算法  114-122
    6.3.1 传统光流法的问题  115
    6.3.2 肤色模型、运动检测和置信度的设置  115-118
      6.3.2.1 混合肤色模型  115-116
      6.3.2.2 运动检测  116
      6.3.2.3 流估计的置信度评价问题  116-117
      6.3.2.4 搜索模式  117
      6.3.2.5 光流分割  117-118
    6.3.3 关联光流法的计算  118-122
      6.3.3.1 光流参数序列  118
      6.3.3.2 光流网格点的数目，网格点间隔下的约束  118-119
      6.3.3.3 光流搜索窗口，像素锐化率和图像取样率  119-120
      6.3.3.4 关联区域块的尺寸  120-122
  6.4 基于肤色的相干映射手势跟踪算法  122-132
    6.4.1 研究现状  122-123
    6.4.2 手部骨骼模型约束和转移矩阵  123-125
    6.4.3 手势识别的取样算法  125-128
      6.4.3.1 重点取样  125-126
      6.4.3.2 重点因子选择  126-127
      6.4.3.3 轮廓生成  127-128
    6.4.4 相干映射手部运动轨迹的提取  128
    6.4.5 手部跟踪的估计算法  128-130
    6.4.6 预测的建立  130-132
      6.4.6.1 测算法  130-131
      6.4.6.2 状态估计  131-132
  6.5 实验和讨论  132-133
    6.5.1 实验1:使用光流法进行手势跟踪  132
    6.5.2 实验2:使用向量相干映射进行手部跟踪和特征提取  132-133
  6.6 小结和讨论  133-135
7 基于视觉的英文字母手势识别系统实现  135-146
  7.1 系统概述  135-136
  7.2 系统的设计  136-140
    7.2.1 设计诸元  136-139
      7.2.1.1 界面对话设计要求  136-137
      7.2.1.2 手势模型设计  137-138
      7.2.1.3 数据输入界面设计思想  138-139
      7.2.1.4 系统的应用标准  139
    7.2.2 识别反应要求  139-140
  7.3 系统运行过程  140-145
    7.3.1 手指定位  141-142
    7.3.2 关节和角度的定位  142-143
    7.3.3 识别输出  143
    7.3.4 系统运行  143-145
  7.4 小结  145-146
8 结论与展望  146-150
参考文献  150-158
作者简历  158-161
学位论文数据集  161

基于计算机视觉的手势识别系统研究

内容摘要

全文目录

相似论文