[发明专利]复杂场景下基于多信息融合的手势分割方法

权利要求书

1.一种复杂场景下基于多信息融合的手势分割方法，其特征在于，包括以下步骤：

步骤1)：图像预处理：对视频图像序列的每一帧图像，进行平滑滤波的预处理，去除图像中存在的噪声；

步骤2)：预检测：通过事先训练一种分类器，用于检测图像中与手势颜色特征、大小特征、运动特征相似，会被误判定为手势的区域，通过该分类器定位到这些区域，并筛除；

步骤3)：肤色检测：采用多颜色空间分量的肤色检测方法，建立一个新的颜色空间HLS-CbCr颜色空间，通过事先提取的肤色样本建立肤色模型，根据在HLS-CbCr颜色空间上的肤色模型分布情况，检测出图像中的肤色区域；

步骤4)：前景检测：采用基于时空信息改进的混合高斯建模方法进行前景检测，通过混合高斯建模方法提取出前景区域，并根据肤色检测的结果设置检测区R(x,y)，为检测区和非检测区分配不同的学习率，并且记录每个像素被判定为背景次数，根据该次数分配不同的学习率，从而更快速地检测出图像中的前景区域；

步骤5)：融合多种检测结果进行手势分割：采用一种验证补充机制将多种检测结果融合，从而得到最终完整的手势分割结果。

2.根据权利要求1所述的一种复杂场景下基于多信息融合的手势分割方法，其特征在于：步骤2)中所述的预检测，其具体检测过程如下：

步骤2.1)：特征提取：

将样本分为两类,一类为与手势颜色特征、大小特征、运动特征相似的样本，一类为非相似样本，对所有样本进行特征提取；

步骤2.2)：分类器训练：

通过不断的调整每个样本的权重创建不同的训练集，初始时，每个样本的权重相同，并且在此类样本下训练出第一个弱分类器h₁，对h₁中分类错误的样本加大其权重，分类正确的样本减小其权重；通过这种方式，新的训练集中，分错的样本比重增加，并再次利用新的训练集对弱分类器进行训练，得到弱分类器h₂，以此类推，当循环一定次数之后，将所有弱分类器按权重组合在一起，得到最终的强分类器；

步骤2.3)：在线检测：

使用训练得到的强分类器对步骤1)得到的去噪图像进行预检测，当检测到类手势区域，将该区域内像素值设为0。

3.根据权利要求1所述的一种复杂场景下基于多信息融合的手势分割方法，其特征在于：步骤3)中所述的采用多颜色空间分量的肤色检测方法，其具体检测过程如下：

步骤3.1)：颜色空间转换：

将原始图像中的RGB颜色空间转换为HLS颜色空间以及CbCr颜色分量；

步骤3.2)：肤色模型建立：

事先提取一段时间内用户手势中不同位置的肤色值，并取每一块区域的中值作为肤色样本进行模型建立；

步骤3.3)：多颜色空间分量检测：

根据步骤3.2)建立的肤色模型进行肤色分割,并将各颜色空间分量上的结果进行结合，得到多颜色空间分量的检测结果；

步骤3.4)：形态学处理：

对多颜色空间分量检测的结果进行形态学处理，采用中值滤波方法去除图像中的多余噪声。