基于Kinect深度信息的靜態(tài)手勢識(shí)別方法研究.pdf

1、隨著智能計(jì)算、智能感知等技術(shù)的發(fā)展，人機(jī)交互技術(shù)與大家的日常生活結(jié)合的越來越緊密。手勢識(shí)別作為人機(jī)交互技術(shù)的一個(gè)重要研究領(lǐng)域，近年來已經(jīng)成為一個(gè)研究熱點(diǎn)。傳統(tǒng)的手勢識(shí)別技術(shù)主要基于鼠標(biāo)器和筆、視覺及數(shù)據(jù)手套等方法，手勢識(shí)別方法主要有模板匹配、神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)分析等，這些技術(shù)和方法在實(shí)際應(yīng)用中都存在一定的局限性，例如基于視覺的手勢識(shí)別方法容易受到光照和復(fù)雜背景等干擾，導(dǎo)致識(shí)別率較低;基于數(shù)據(jù)手套的識(shí)別方法，用戶需要佩戴特殊的傳感設(shè)備，非常不

2、方便。2010年，微軟公司發(fā)明的Kinect體感設(shè)備問世，該設(shè)備可以提取手勢的深度數(shù)據(jù)，很好地克服了光照和復(fù)雜背景等的干擾，使手勢識(shí)別技術(shù)邁上一個(gè)新的臺(tái)階。
　　本論文通過分析手勢識(shí)別技術(shù)的國內(nèi)外研究現(xiàn)狀，發(fā)現(xiàn)基于視覺的手勢識(shí)別方法中手勢分割的效果較差，而且部分算法不具備旋轉(zhuǎn)、縮放和平移不變性。為了克服上述缺點(diǎn)，本論文利用Kinect可以獲取深度數(shù)據(jù)和SURF(Speeded Up RobustFeature)算法具有旋轉(zhuǎn)、縮放和

3、平移不變性的優(yōu)點(diǎn)，提出了一種基于Kinect深度信息的靜態(tài)手勢識(shí)別方法，主要完成了以下幾個(gè)方面的工作:
　　1、基于深度信息的手勢分割方法。首先，從Kinect獲取的深度數(shù)據(jù)中提取用戶和背景的索引值，根據(jù)用戶和背景索引值不同的原理，將人體與背景進(jìn)行分割，然后根據(jù)手勢與人體深度值的不同，通過設(shè)置閾值的方法，分割出完整手勢。
　　2、基于改進(jìn)的SURF算法的特征提取方法。SURF算法主要包括關(guān)鍵點(diǎn)檢測、主方向計(jì)算和特征描述三個(gè)部

4、分，本論文根據(jù)二值圖像的特點(diǎn)，對(duì)關(guān)鍵點(diǎn)檢測和主方向計(jì)算兩個(gè)方面進(jìn)行改進(jìn)，提出一種新的特征提取算法。
　　3、基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的分類方法。一般的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法容易產(chǎn)生過擬合現(xiàn)象，為克服這一缺點(diǎn)，本論文采用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)作為手勢分類的方法，并與其他方法進(jìn)行比較，實(shí)驗(yàn)表明，該方法的泛化能力比較理想。
　　4、本論文通過分析手指間的夾角特征提出一種基于多分類器決策級(jí)融合的手勢分類方法。該方法將手指間的最大

5、夾角作為特征提取和分類的依據(jù)，建立一個(gè)新的分類器，將貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)方法的分類結(jié)果與該方法的分類結(jié)果進(jìn)行融合處理，得到最終的識(shí)別結(jié)果。
　　最后，本論文針對(duì)數(shù)字手勢1-8，對(duì)提出的手勢識(shí)別方法進(jìn)行驗(yàn)證，分析誤差和識(shí)別率等性能指標(biāo)，初步驗(yàn)證了該方法的可行性。通過實(shí)驗(yàn)分析，該方法能夠克服光照和復(fù)雜背景等干擾，因此基于Kinect深度信息的手勢識(shí)別方法克服了基于視覺方法的缺點(diǎn)，為手勢識(shí)別技術(shù)提供了新的研究方向。該方法可以擴(kuò)展到多