[发明专利]一种基于极限学习机的手势识别方法

权利要求书

1.一种基于极限学习机的手势识别方法，其特征在于，包括如下步骤：

用普通摄像头采集RGB图像，用红外摄像头采集红外图像；

采用阈值分割的方法确定红外图像中属于人体的像素点区域，然后结合RGB图像得到人体RGB图像，根据人体RGB图像，通过肤色模型得到图像中的肤色区域，所述肤色模型是在YCrCb空间建立,然后利用阈值法判别肤色区域的形状复杂度，得到手势二值图像，具体为：

进行线性灰度变换，并将灰度变换后的人体RGB图像转换到YCrCb空间，然后采用阈值法分割出肤色区域；

利用阈值法判别肤色区域的形状复杂度，得到手势二值图像，复杂度小于0.3连通域标为手势区域，其值置为1；反之标为非手势区域，其值置为0，复杂度计算公式如下：

其中C为连通域的复杂度；P为连通域的边长；A为连通域的面积；

提取手势区域的HOG特征和Hu矩作为特征向量；

所述提取手势区域的HOG特征和Hu矩作为特征向量，具体为：

根据手势二值图像提取手势的Hu矩特征，结合手势二值图像和RGB图像，提取手势的HOG特征，并结合Hu矩特征组成手势的特征向量，具体为；

将RGB图像转化为灰度图，进行灰度压缩后分别与[-1,0,1]和[-1,0,1]^T两个梯度算子卷积，得到图像G_X和G_y；

计算梯度大小和梯度方向；

根据手势二值图像得到图像中的手势区域；

计算HOG特征时，将手势区域分成16个子区域；

将每个子区域像素的梯度方向分成10个区间进行加权的直方图统计，将16个直方图分别进行归一化操作并串联起来，作为手势的HOG特征；

最后将极限学习机运用于手势特征向量的分类中，完成手势识别任务。

2.根据权利要求1所述的手势识别方法，其特征在于，所述肤色模型采用如下公式进行线性灰度变换：

f″(x，y)＝0.8×f′(x，y)

其中f′(x，y)为人体RGB图像中位于坐标(x，y)的RGB像素值；f″(x，y)为灰度变换后的人体RGB图像中位于坐标(x，y)的RGB像素值。

3.根据权利要求1所述的手势识别方法，其特征在于，所述将极限学习机运用于手势特征向量的分类中，完成手势识别任务，具体为：

利用样本的手势特征向量训练极限学习机，训练阶段包括随机初始化参数、计算隐含层数据和计算输出权重；

用已训练的极限学习机对手势特征向量分类，分类阶段包括计算隐含层输出和输出分类结果。

4.根据权利要求3所述的手势识别方法，其特征在于，所述极限学习机的隐含层激活函数为sigmoid函数，隐含层节点数为200。