[发明专利]一种基于手掌轮廓特征与模版匹配法相结合的空间手势识别方法

说明书

本发明提出了一种基于手掌轮廓特征与模版匹配法相结合的空间手势识别方法，该方法包括模版数据的读取、背景去除、量化梯度、与模版进行相似度匹配、提取手势轮廓特征和手势识别步骤。本发明方法与模版匹配技术相结合，对手势首先使用模版匹配技术进行识别，利用模版匹配的初步识别结果，分析该结果中的手势应存在手掌轮廓特征，对识别结果进一步识别验证，提升了识别准确率，在动态识别手势时识别结果准确率得到了较为明显地提高。同时该方法的算法复杂度较低，在较短的时间内获得较为理想的结果，因此，同时解决了由于算法复杂度过高手势无法达到实时识别的问题。

技术领域

本发明属于手势识别技术领域，特别是涉及一种基于手掌轮廓特征与模版匹配法相结合的空间手势识别方法。

背景技术

目前基于单目视觉的静态手势识别技术主要有三大类：

第一类为模板匹配技术，这是一种最简单的识别技术。它将待识别手势的特征参数与预先存储的模板特征参数进行匹配，通过测量两者之间的相似度来完成识别任务。《Hausdorff距离在手势识别中的运用》中利用Hausdorff距离模板匹配思想来实现手势的识别。将待识别手势和模板手势的边缘图像变换到欧式距离空间，求出它们的Hausdorff距离或修正Hausdorff距离。用该距离值代表待识别手势和模板手势的相似度。识别结果取与最小距离值对应的模板手势。

第二类为统计分析技术，这是一种通过统计样本特征向量来确定分类器的基于概率统计理论的分类方法。这种技术要求人们从原始数据中提取特定的特征向量，对这些特征向量进行分类，而不是直接对原始数据进行识别。在《基于计算机视觉的手势识别研究》中虽然也采用了Hausdorff距离算法，但并未提出模板手势，而是对于每幅图像提取出指尖和重心特征，然后计算出距离和夹角，对于不同手势分别进行距离和夹角的统计，得到其分布的数字特征，根据基于最小错误率的贝叶斯决策得到用于分割不同手势的距离和夹角的值。得到分类器以后，对于采集的手势图像进行分类识别。文中的多尺度模型和矩描绘子相结合的算法也是运用了统计分析技术。

第三类为神经网络技术，这种技术具有自组织和自学习能力，具有分布性特点，能有效的抗噪声和处理不完整模式以及具有模式推广能力。采用这种技术，在识别前都需要一对神经网络的训练(学习)阶段。

单独使用模版匹配法无法解决手势的时间可变性问题，同时，由于模版本身的限制，对于同一手势，不同人操作时，由于个体变化差异，动作的快慢程度不能够保证一致，因此视频中的每幅图像不能与模版达到相互对应关系，从而不能够达到理想的识别精度。统计分析技术由于用户的行为非常复杂，因而要想准确地匹配一个用户的历史行为非常困难，易造成系统误报、错报和漏报；定义入侵阈值比较困难，阈值高则误检率增高，阈值低则漏检率增高。神经网络技术计算量大，费时，同时由于其处理时间序列的能力不强，对于动态手势识别效果远不如静态的。

发明内容

本发明目的是为了解决现有技术中的问题，提供了一种基于手掌轮廓特征与模版匹配法相结合的空间手势识别方法。

本发明是通过以下技术方案实现的，本发明提出一种基于手掌轮廓特征与模版匹配法相结合的空间手势识别方法，

步骤一、读取模版数据：所述模版数据的读取包括对手势模版图片的收集、特征点的提取以及全部特征点的最大位置和最小位置的获取；

步骤二、背景去除：对实时视频进行图像捕捉，利用视频序列中连续的n帧图像的差来进行目标检测和提取，其中n>＝2；

步骤三、量化梯度：对视频捕捉到的图像计算梯度，将梯度量化到8个方向，对每个像素的8*8大小范围内的梯度方向使用同一个梯度方向，利用方向相似度对照表方式，对每个像素点的方向计算统计其每个方向的相似度；其中每个点都有与8个方向的相似度，同一个位置由8个数组表示其与不同方向的相似程度；