[发明专利]一种基于视觉的静态手势识别方法

说明书

本发明涉及一种基于视觉的静态手势识别方法，包括训练阶段和测试阶段：训练阶段中对训练图像进行预处理，然后提取训练图像的LBP特征和CSS角点特征，融合提取到的特征，对基于压缩感知理论设计的分类器进行训练。测试阶段，对拍摄到的手势图像进行预处理，再提取出测试图像的LBP特征和CSS角点特征，融合这两种特征，利用已经训练好的分类器进行分类识别。本发明通过融合两种特征，并且采用压缩感知理论设计分类器，能够弥补单特征的不足，提高手势的识别率。

技术领域

本发明涉及一种基于视觉的静态手势识别方法，属于人机交互技术领域。

背景技术

随着计算机技术的迅速发展，人机交互技术已经成为了各国研究者研究的热点。传统的人机交互方式主要是基于键盘、鼠标等设备，这种方式非常不方便，越来越不能满足人们的需求。由于手势具有生动、形象、直观等特点，使得它在人机交互领域有着至关重要的作用。手势识别一般分为基于数据手套的手势识别和基于视觉的手势识别。基于数据手套的手势识别一般是在人的手上佩戴一些传感设备，对人手运动的速度，加速度等物理量进行信号分析，从而获得手势的信息。这种方式比较有利于获得手势的运动信息，识别率比较高，实时性也比较好，但是，由于需要穿戴传感设备，使得这种交互方式变得不方便也不自由，而且这些传感设备也比较昂贵。相比较而言，基于视觉的手势识别不需要价格昂贵的传感设备，只是利用摄像头拍摄到手势的图像数据，然后对图像数据进行处理分析。这种方式自然，方便，不需要佩戴专用设备，为人机交互提供了一种直观的交流方式，但是它的识别率还比较低，实时性也不好，比较容易受到光照，背景等的干扰。因此对于这种方式还有待于研究者的进一步研究。

目前，基于视觉的手势识别的过程一般是：采集手势图像，对图像进行预处理，特征提取，识别分类。其中，对识别结果影响比较大的是特征提取和分类器的设计。比较常用的特征有SIFT(Scale-Invariant Feature Transform,尺度不变特征转换)、HOG(Histogram of Gradient,梯度方向直方图)，LBP(Local Binary Pattern，局部二值模式)，角点特征等。但是单一的特征往往不能很好地描述图像，从而分类的结果也不尽如人意。

2013年3月，张汗灵、李红英、周敏在湖南大学学报(自然科学版)上发表的文章《融合多特征和压缩感知的手势识别》，该文章提出了一种融合手势的Zernike矩和HOG特征，利用CS(Compressive Sensing,压缩感知)算法进行分类的手势识别方法，但是，这两种特征都不能很好地描述出手势的局部纹理特征，并且在融合这两种特征的时候赋予了它们相同的权值，从而没有体现出哪种特征对识别的结果影响较大。

2014年6月，杨磊发表了硕士学位论文《融合多特征和压缩感知的手势识别》，在该论文中首先利用基于YCbCr颜色空间的阈值自适应方法和Hu矩手型比较算法进行分割得到手势区域，然后提取手势的SURF(Speed-Up Robust Features,加速鲁棒特征)和Hu矩特征，融合这两种特征利用CS算法进行分类。但是，Hu矩只用到低阶矩，不能很好地描述图像的细节。

中国专利文献CN104299004A公开了一种基于多特征融合和指尖检测的手势识别方法。包括训练过程和识别过程：训练过程中，针对复杂的手势，选择合理的手势特征，并利用多特征融合的特征提取算法，对手势进行支持向量机训练，形成训练模型。识别过程中，针对输入的视频图像序列，首先进行手势检测，再进行多特征提取和融合并输入到支持向量机中得到识别结果；同时，对手势进行基于缺陷的指尖检测，通过缺陷筛选器，定位到手指各指尖的位置，然后，将两次识别和检测结果进行综合，得到最终的手势识别结果。但是，该专利中存在以下缺陷：其融合的多特征包括Hu矩特征，缺陷特征和六个比例特征本质上都属于一种特征就是手势的形状特征，提取形状特征对预处理时手势的分割要求比较高；该专利中利用支持向量机进行训练和识别，支持向量机的计算复杂度比较高。

发明内容

针对现有技术的不足，本发明提供了一种基于视觉的静态手势识别方法；