[发明专利]基于语义概率网络的手势识别方法

说明书

本申请公开了一种基于语义概率网络的手势识别方法，用于在使用语义概率网络的视频序列中进行均匀识别，该方法涉及使用预定义的领域本体，将事件和场景描述为简单概念和变量的层次结构分解他们之间的关系，然后，本体用于自动贝叶斯网络生成，这使我们能推断观察场景中的事件和场景，输入变量的转换图用于预测事件和方案，快速且稳健，提高收拾识别的效率及准确性。

技术领域

本申请涉及视觉识别技术领域，特别是涉及一种基于语义概率网络的手势识别方法。

背景技术

现实生活中，计算机视觉是指使用普通的摄像头采集动态手势图像或者视频，然后采用计算机针对动态手势的识别算法来识别动态手势信息，并转化成相对应机器的指令。这种方法的特点是输入设备便宜，并且对人手不做其余的附加限制，这样就会使计算机设备与人的交互更加的趋于自然化。

基于计算机视觉的手势识别系统除了采用普通的摄像机外，也会采用一些专业的辅助设备，例如使用红外摄像头来解决光照不足的问题，采用专用的摄像机StruceturedLight或则TOF(Time of Flight)来解决深度感知识别的问题。这种深度摄像机可以对拍摄到的图像产生自己的输入描述方式，并且可以复现采集到的图像的原貌三维图像，其功能强大可以应用在生产生活的各个方面，极大的促进了相关应用领域的发展，同时该种摄像机的一个应用就是在手势识别领域，手势检测分割所需要的理论技术,首先是肤色分割技术，即从一幅图片中分割提取出肤色区域作为后续的处理区域。肤色分割的原理是：根据皮肤的颜色特性，设定一个阈值，满足该阈值的肤色区域即可判别为肤色区域。阈值法的关键点是需要选择一个合适的颜色空间表示形式，合适的聚类范围加上合适的阈值才能更好的分割目标区域。目前常用的颜色空间模型主要有RGB 颜色空间、HSV颜色空间、YCb Cr颜色空间。把一幅图像定义成一个函数f(x,y)，其中以f(x,y)唯一确定的一个点的f(x,y)值，称为该点的灰度或则强度。当x,y 与幅值f(x,y)为有限的离散数值时，称该图像为数字图像。

但是做存在的问题在于，动态手势跟踪方面算法跟踪运动目标时循环次数过多，非动态手势肤色干扰大，算法计算量复杂无法满足实时性的需求。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于语义概率网络的手势识别方法，包括：

将预设阶段中视频识别出的一组图像手势作为识别事件，再对所述识别事件采用一组分层的本体概念来构建领域本体，计算出各领域本体中的变量和状态；

基于所述领域本体，以各个领域本体及其变量和状态进行聚合作为组成节点构建贝叶斯网络，贝叶斯网络的连通矩阵定义各组成节点之间的条件依赖关系，构成预设的手势识别模型；

将视频抓取到的手势图像输入所述手势识别模型，由所述手势识别模型对所输入的图像进行识别分类，并确定输出最终的手势识别结果。

优选地，对所述识别事件采用一组分层的本体概念来构建领域本体，计算出各领域本体中的变量和状态，包括：

领域本体中的每个识别事件通过聚合与其他识别事件分组，构成对应于各识别事件的变量数据集、状态数据集，其中，变量数据集中的变量为从观察到的识别事件计算出的可视描述符派生的属性，状态数据集中的状态为所述识别事件的聚合变量。

优选地，对所述识别事件采用一组分层的本体概念来构建领域本体时，还对若干识别事件进行聚合分组构成事件数据集，事件数据集中的事件数据为一组图像手势，

优选地，对所述识别事件采用一组分层的本体概念来构建领域本体时，还对若干识别事件进行聚合分组构成场景数据集，场景数据集中的场景为与识别事件同时并行发生的多组识别事件。

优选地，贝叶斯网络的连通矩阵定义各组成节点之间的条件依赖关系，构成预设的手势识别模型，包括：