[发明专利]一种基于视觉的静态手势识别方法

摘要

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。

主权项

1.一种基于视觉的静态手势识别方法，其特征在于，具体步骤包括：A、训练阶段(1)采集训练手势图像样本；(2)对步骤(1)采集到的训练手势图像进行预处理；(3)提取步骤(2)预处理后的训练手势灰度图像的LBP特征；(4)提取步骤(2)预处理后的训练手势轮廓图像的CSS角点特征；(5)融合步骤(3)得到的训练手势图像的LBP特征及步骤(4)得到的训练手势图像的CSS角点特征，训练基于压缩感知理论的分类器；B、测试阶段(6)采集测试手势图像样本；(7)对步骤(6)采集到的测试手势图像进行预处理；(8)提取步骤(7)预处理后的测试手势灰度图像的LBP特征；(9)提取步骤(7)预处理后的测试手势轮廓图像的CSS角点特征；(10)融合步骤(8)得到的测试手势图像的LBP特征及步骤(9)得到的测试手势图像的CSS角点特征，利用步骤(5)训练好的分类器进行分类；步骤(4)、步骤(9)提取手势图像的CSS角点特征，具体包括：g、找到步骤(2)、步骤(7)预处理后的手势图像的轮廓上的T形交叉点，标记为T形角点，设定手势图像的轮廓函数为Г(μ)＝(x(μ),y(μ))，将轮廓上的点用弧长参数μ表达，x(μ)是轮廓上点的横坐标，y(μ)是轮廓上点的纵坐标；将Г(μ)在不同尺度的高斯函数g(μ，σ)下滤波得到不同尺度下的轮廓函数Гσ(μ)＝(X(μ,σ),Y(μ,σ))，X(μ,σ)＝x(μ)*g(μ，σ)，Y(μ,σ)＝y(μ)*g(μ，σ)，σ是尺度参数，*为卷积运算符；计算在一个较低的尺度σ下的轮廓函数Гσ(μ)的曲率κ(μ，σ)，所述较低的尺度σ的取值范围为3.0‑4.0，如式(Ⅱ)所示：式(Ⅱ)中，h、将步骤g得到的局部曲率极大点作为候选角点，利用式(III)确定候选角点的局部自适应阈值T(μ1)，式(III)中，μ1是候选角点在曲线上的位置，表示候选角点的邻域区域内的平均曲率，L1和L2是邻域区域的大小，i表示邻域区域内的点，κ(i)表示邻域区域内的点的曲率，C为一个系数，C的取值范围为1<C<2，将局部自适应阈值与候选角点的曲率进行比较，如果该候选角点的曲率小于其局部自适应阈值，则将该候选角点剔除；i、利用自适应支持区域检测候选角点的角度，如果候选角点的角度取值范围为170°‑190°，则将其剔除。