[发明专利]一种基于极限学习机的手势识别方法

说明书

本发明公开了一种基于极限学习机的手势识别方法，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，然后利用阀值法判别肤色区域的形状复杂度，得到手势二值图像；提取手势区域的HOG特征和Hu矩作为特征向量；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。本发明通过结合HOG特征和Hu矩特征，提高手势识别准确率。同时运用极限学习机有效提手势识别的训练速度识别速度，使手势识别系统具有快速、准确率高、泛化性高等优点。

技术领域

本发明涉及图像识别领域，具体涉及一种基于极限学习机的手势识别方法。

背景技术

如今，人机交互的主要方式仍然还是鼠标和键盘。但是这些需要操作一定设备的交互方式，对交互而言并不方便流畅，同时也制约着交互的速度。而随着科学技术的日益进步和发展，计算机的性能在不断提高，其对人们生活的影响也在逐渐扩发和加深。高性能的计算机急需更自然顺畅的人机交互方式，同时也为实现这些人家交互方式提供了必要的条件。计算机的发展推动着人机交互技术的不断革新。而手势识别作为其中一个重要领域，更是吸引着众多学者的研究。

目前的手势识别方式一般分为两类：基于数据手套和基于计算机视觉两类。现在基于数据手套的手势识别方式虽然已经能够做到较高的识别率，但是其复杂的操作、昂贵的设备使其无法在实际应用普及。此外需要佩戴的设备这一点也使得基于数据手套的手势识别方法没有基于计算机视觉的手势识别方法方便。

虽然目前不少学者提出了基于计算机视觉的手势识别方法，但目前方法的研究仍存在诸多问题，如现有的基于计算机视觉的手势识别方法大多只是利用了普通摄像头采集RGB图像，由于采集数据的种类单一，没有更多的有用信息提供给系统进行判别，因此算法难以将手势跟背景完全分离。此外，目前的基于计算机视觉的手势识别方法在手势特征提取方面通常只采用一种特征描述手势，导致系统存在一定的误判率。再者如今用于手势分类的智能算法一般需要花大量的时间进行算法的训练，才能较好的保证分类的准确率。而在算法执行的过程中一般还需要花费大量的计算机资源进行计算，不利于系统的实时工作。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于极限学习机的手势识别方法。

本发明采用如下技术方案：

一种基于极限学习机的手势识别方法，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，然后利用阀值法判别肤色区域的形状复杂度，得到手势二值图像；

提取手势区域的HOG特征和Hu矩作为特征向量；

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。

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)。

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。

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。

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：