[发明专利]一种基于HOG+SVM框架的手势内平面旋转检测模型生成方法

说明书

技术领域

本发明涉及一种基于HOG+SVM框架的手势内平面旋转检测模型生成方法，属于图像处理以及模式识别技术领域。

背景技术

随着计算机普及和迅速的发展，人们的生活已离不开对计算机的使用。众所周知，以往的人和计算机交互方式是通过特定的输入输出设备，如有键盘、鼠标、手写笔、扫描仪等。然而，近几年随着多媒体技术的发展、计算机性能的不断提升，个人计算机(PC)已经具备基本的语音处理、图形图像处理等多种通信媒体的功能。为提高计算机的易用性和人机交互的自然性，新型输入技术已日趋成为一个备受关注的研究热点领域。人工智能的飞跃发展和新式输入输出设备如雨后春笋般的不断涌现，使得计算机变得越来越智能化，人机交互也变得更加的自然。人机交互技术的研究历经以计算机为中心的传统交互，现在已逐步转移到以人为中心的多种通道、多种媒体的新型交互技术上来。体势识别、人脸识别、表情识别、头部跟踪、眼球跟踪以及手势识别等都是为符合人的习惯而出现的新型人机交互技术。生活中，我们常用手势来表达某种特定的意图，例如表示OK，为路人指示方向，表示数字等等。这些现象均说明了手势操作的频繁性和直观自然性，同时也使得人们希望将手势可以用来与自己的计算机进行交互中。例如，用户可以定义适当的手势来对设备进行控制等。

手势识别作为多模式人机接口技术重要部分，涉及了多个学科的研究领域，例如计算机视觉、人工智能、模式识别等。基于视觉的手势检测是手势识别方法重要的组成模块。传统的基于视觉的手势检测的方法存在如下缺点：要求背景和人手区域在颜色空间上具有很好的区分性，光照环境等环境因素不能对图像帧的造成太大干扰；手臂区域，头部区域和人手因光滑而形成的阴影等影响因素也要考虑在列。

为了实现行人检测，Dalal等人首次提出了HOG+SVM的检测框架。方向梯度直方图(Histogram of Oriented Gradient，简称HOG)是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。支持向量机(Support Vector Machine，简称SVM)是一种可用作特征空间分类的机器学习方法。随着研究的深入，很多研究学者对HOG特征提出了许多优秀的改进方法，然而所有的方法均是针对于HOG特征的提取速度如何进行提升，以及提升后如何确保精度，例如，Wang等人提出将积分图的概念和三线性插值的方法应用到HOG特征的提取方法中。经过研究发现，既定的手势也是可以通过基于HOG+SVM框架进行检测定位的。但目前对于平面内手势旋转的SVM模型转换的问题并没有相关研究，仅仅对既定手势的模型训练需要大量的数据采集工作。

发明内容

本发明的目的是为了解决基于HOG+SVM检测框架的平面内多旋转方向的手势检测问题，首先是通过对HOG特征进行改进；其次是利用特定几个方向范围的规定手势SVM模型转换成其他各个方向范围的既定手势SVM模型；最后，利用提出的基于HOG特征的多SVM模型检测程序进行对摄像头前的既定手势进行检测定位。

本发明提供的基于HOG+SVM框架的手势内平面旋转检测模型生成方法，具体包括以下几个步骤：

步骤1：采集特定方向范围的手势数据集；

手势数据集包含两个部分：(1)含既定手势的正样本数据集；(2)不含既定手势的负样本数据集。将平面内任意90度范围内分为2～3个子范围，然后按照划分的范围采集手势数据集。

步骤2：提取特定方向各子范围内样本数据集的HOG特征，并利用SVM方法训练对应的SVM模型；

利用改进的HOG特征方法对正负样本数据集进行特征提取，生成正负样本HOG特征文件；利用线性SVM对HOG特征文件训练，生成对应该对应样本数据集的SVM模型；

步骤3：生成平面空间内其他各个方向范围的SVM模型；

利用SVM模型转换算法对步骤2中生成90度内各子方向范围的SVM进行处理，进而生成其他三个90度方向范围的SVM模型；

步骤4：调节SVM模型参数，并用于多模型检测程序；

根据实际情况对线性SVM模型常数项的值进行调节设定，将生成SVM模型集用到基于HOG特征的多SVM模型检测应用程序中。

相对于现有技术，本发明的优点和积极效果在于：

(1)解决了基于HOG+SVM检测框架的平面内手势旋转的SVM模型转换问题；

(2)有效减少了基于HOG特征的SVM模型训练过程，很大幅度上降低了手势数据集采集所带来的大量工作；