[发明专利]一种手势识别方法

摘要

本发明提供了一种手势识别方法，属于体感互动领域。该手势识别方法包括S1，基于Kinect的手势分割通过kinect获得深度图像和RGB彩色图像，从图像中分割出人手，得到手势模型；S2，提取手势模型的特征参数使用基于二值图像的密度分布特征的方法和手指个数检测的方法来提取手势模型的特征参数；S3，与事先建立好的模板库中的手势进行匹配，最终选择出最接近的手势即为识别出的手势。本发明方法提高了手势识别效率。

主权项

一种手势识别方法，其特征在于：所述手势识别方法包括：S1，基于Kinect的手势分割：通过kinect获得深度图像和RGB彩色图像，从图像中分割出人手，得到手势模型；S2，提取手势模型的特征参数：使用基于二值图像的密度分布特征的方法和手指个数检测的方法来提取手势模型的特征参数；S3，与事先建立好的模板库中的手势进行匹配，最终选择出最接近的手势即为识别出的手势；所述S1是这样实现的：使用Kinect获取人手的三维空间坐标以及深度信息，对人手进行跟踪，利用深度信息在人手坐标领域的三维人手空间内分割出人手；结合RGB颜色空间作为肤色模型对人手进行肤色建模；运用八邻域去噪方法进行去噪，运用形态学中的腐蚀和膨胀对提取的人手进行滤波处理，得到手势模型；所述结合RGB颜色空间作为肤色模型对人手进行肤色建模是这样实现的：将人手肤色点置为红色，非肤色点置为白色；所述S2包括：S21，将手势模型中的手势的形心到最远点的最大距离为半径画一个外接圆，再将此半径等分成20分，以所述形心为圆心，由内而外画20个区域的同心圆；S22，对图像进行圆环扫描得到手的手指与圆环的交点，将圆环与手势图的交点都分别记录下来；S23，利用圆环与手势图的交点获得手指的个数以及手势模型的特征参数；所述S22是这样实现的：用两个0.5ps宽的圆环对提取的手势模型进行扫描，将圆环与手势图的交点都分别记录下来：g(x,y)=1(x,y)∈intersection0(x,y)∉intersection]]>这样得到圆环与手指交点的n个点集；所述S23是这样实现的：把两个圆环与手指的交点分别存到两幅图中，再求得两幅图中连通域的个数n1、n2，通过连通域个数去掉手腕处的交点点集，推断出手指的个数N：N＝(n1+n2)/2‑1提取的手势模型的特征参数DDF′如下：DDF'＝(r1,...r10,ar11,...ar15,br16,...br20；dr1,...dr10,cdr11,...cdr20；kN)   (3.5)ri表示第i个子区域中目标像素点的相对密度，dri为对应相对密度ri+1与ri的一阶数值差分，N为手指个数；所述S3是这样实现的：所述模板库中存放的是每个手势的特征参数；进行手势初态识别和末态识别；所述进行手势初态识别和末态识别包括：Step 1：计算目标图像f(x,y)的形心Step 2:在图像f(x,y)中，计算形心到目标像素点最大距离Dmax以及最小距离Dmin；Step 3:对于图像f(x,y)，以形心为圆心，计算以Dmax为半径的目标区域最大外接圆和以Dmin为半径的目标区域最小外接圆；在最大外接圆和最小外接圆组成的区域内，使用等距离区域划分法将最大外接圆和最小外接圆之间图像区域划分为M个子区域，M>0；step 4:对各子图像区域分别进行统计，计算每个子图像区域内目标像素的总数Si(i＝1,…,M),并找出Si的最大值：Step 5:计算静态组合图的密度分布特征D：ri＝Si/Smax(i＝1,…,M)(3.7)dri=|r1-r2|i=1|2ri-ri-1-ri+1|1<i<M|rM-rM-1|i=M---(3.8)]]>N＝(n1+n2)/2‑1   (3.9)DDF'＝(r1,...r10,ar11,...ar15,br16,...br20；dr1,...dr10,cdr11,...cdr20；kN)   (3.10)Step 6:将得到的特征向量D同模板库中的特征向量集合{Hi},i＝1,2,3相比较，分别计算特征向量与各个手势模型的欧式距离，找到欧式距离最小的手势集合，即为最终识别出的手势。