嵌入式系統(tǒng)實(shí)時(shí)交互的手勢(shì)識(shí)別方法 - 全文

　　手勢(shì)交互是人機(jī)交互領(lǐng)域近年來(lái)的研究熱點(diǎn)，特別是利用攝像頭來(lái)實(shí)現(xiàn)對(duì)手勢(shì)信息的非接觸性捕獲，并由計(jì)算機(jī)進(jìn)行分析理解，然后完成交互任務(wù)，由于其自然和符合人自身行為習(xí)慣的交互方式而備受青睞。手勢(shì)的形態(tài)在交互過(guò)程中的變化以及周圍環(huán)境的干擾都會(huì)影響到手勢(shì)的識(shí)別和理解，因此手勢(shì)識(shí)別是計(jì)算機(jī)視覺(jué)和人機(jī)交互領(lǐng)域中的重要問(wèn)題，如何將這種交互方式更好地在嵌入式系統(tǒng)中應(yīng)用更是一個(gè)富有挑戰(zhàn)性的工作。

　　基于視覺(jué)的手勢(shì)識(shí)別過(guò)程通常分為四個(gè)步驟，即分割、表示、識(shí)別和應(yīng)用。手勢(shì)識(shí)別算法的關(guān)鍵和難點(diǎn)是分割和識(shí)別兩個(gè)步驟，現(xiàn)有算法在這兩個(gè)步驟通常都有計(jì)算量大、時(shí)間復(fù)雜度高的特點(diǎn)，而嵌入式設(shè)備又受到資源和計(jì)算能力的限制，要能夠做到基于嵌入式系統(tǒng)的實(shí)時(shí)手勢(shì)交互，就有必要對(duì)傳統(tǒng)的手勢(shì)識(shí)別算法進(jìn)行改進(jìn)。

　　本文在單攝像頭條件下，在手勢(shì)跟蹤的相關(guān)工作基礎(chǔ)上，提出了一種基于手勢(shì)結(jié)構(gòu)特征的手勢(shì)識(shí)別方法，使之滿足嵌入式系統(tǒng)中的人機(jī)交互對(duì)實(shí)時(shí)性、準(zhǔn)確性及連續(xù)性的要求。本文使用了計(jì)算量小且性能高的Camshift 算法作為跟蹤算法，并將其跟蹤結(jié)果作為手勢(shì)識(shí)別的參考因子，這樣可以大大減少手勢(shì)識(shí)別的工作量; 手勢(shì)的識(shí)別則采用了手勢(shì)跟蹤結(jié)果與手勢(shì)形態(tài)結(jié)構(gòu)特征相結(jié)合的處理方法。將手勢(shì)跟蹤的結(jié)果作為參考因子，可以除去圖像中與手勢(shì)無(wú)關(guān)的背景圖像，利用手勢(shì)形態(tài)結(jié)構(gòu)特征使得手勢(shì)識(shí)別工作不是對(duì)手勢(shì)邊緣的每個(gè)點(diǎn)進(jìn)行處理，轉(zhuǎn)而對(duì)手勢(shì)的外接多邊形進(jìn)行處理。這兩種方法相結(jié)合不僅使識(shí)別工作的計(jì)算量大大降低，對(duì)手勢(shì)識(shí)別的精確度也有所提高，而且不需要對(duì)各種手勢(shì)進(jìn)行訓(xùn)練就可以完成識(shí)別工作，使得識(shí)別更加方便和簡(jiǎn)潔。

　　1 相關(guān)工作

　　關(guān)于手勢(shì)識(shí)別的算法，國(guó)內(nèi)外的研究人員已經(jīng)提出了很多不同的解決方案。目前比較常用的有基于統(tǒng)計(jì)的HMM 模型、基于遺傳算法以及基于人工神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別等?；诮y(tǒng)計(jì)的HMM 方法，其優(yōu)點(diǎn)是利用先驗(yàn)知識(shí)建立視覺(jué)特征之間的因果關(guān)系來(lái)處理視頻處理中固有的不確定性問(wèn)題，不但能夠在每個(gè)時(shí)刻上對(duì)多個(gè)隨機(jī)變量所對(duì)應(yīng)的不同特征之間的依存關(guān)系進(jìn)行概率建模，而且考慮了各個(gè)時(shí)刻間的轉(zhuǎn)移概率，能夠很好地反映特征之間的時(shí)序關(guān)系。但是它需要維護(hù)一個(gè)具有一定規(guī)模的樣本庫(kù)，而且在使用HMM 進(jìn)行手勢(shì)識(shí)別時(shí)計(jì)算量大。當(dāng)然，樣本庫(kù)的規(guī)模越大其分布越接近實(shí)際情況，手勢(shì)識(shí)別的準(zhǔn)確率就越高，而且還需要使用數(shù)據(jù)平滑的技術(shù)來(lái)擴(kuò)大小概率的值。遺傳算法對(duì)圖像進(jìn)行離散化處理，對(duì)圖像離散點(diǎn)進(jìn)行控制，把圖像識(shí)別問(wèn)題轉(zhuǎn)換為一系列離散點(diǎn)的組合優(yōu)化問(wèn)題; 但它不能夠及時(shí)利用網(wǎng)絡(luò)的反饋信息，搜索速度比較慢，所需訓(xùn)練樣本大、訓(xùn)練時(shí)間長(zhǎng)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)把大量的簡(jiǎn)單處理單元( 神經(jīng)元) 廣泛地連接起來(lái)構(gòu)成一種復(fù)雜的信息處理網(wǎng)絡(luò)，它在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理、存儲(chǔ)和檢索功能，需要的樣本少、效率高; 但是需要人的參與訓(xùn)練，識(shí)別的正確率受主觀因素的影響。

　　總體來(lái)說(shuō)，在人機(jī)交互系統(tǒng)中，手勢(shì)的跟蹤與識(shí)別應(yīng)該滿足以下幾個(gè)要求：

　　a) 實(shí)時(shí)性好，避免對(duì)高維度特征矢量的計(jì)算，數(shù)據(jù)量大的數(shù)組處理以及復(fù)雜的搜索過(guò)程。

　　b) 足夠的魯棒性。不受識(shí)別對(duì)象旋轉(zhuǎn)、平移和比例改變以及攝像頭視角改變的影響。

　　c) 手勢(shì)跟蹤的連續(xù)性和自動(dòng)初始化，能夠在跟蹤失敗后自動(dòng)恢復(fù)跟蹤，盡量減少人的干預(yù)。

　　本文提出手勢(shì)識(shí)別和跟蹤方法不再追隨傳統(tǒng)的將識(shí)別的四個(gè)步驟孤立起來(lái)，而是將手勢(shì)跟蹤的結(jié)果與手勢(shì)的識(shí)別這兩個(gè)獨(dú)立的步驟聯(lián)系起來(lái)，將跟蹤得到的手勢(shì)預(yù)測(cè)的區(qū)域設(shè)為下一幀圖像識(shí)別的感興趣區(qū)域( region of interesting,ROI) ; 基于Camshift 算法，根據(jù)前一幀手勢(shì)在圖像中的位置和顏色信息，對(duì)手勢(shì)在下一幀圖片所處的位置進(jìn)行預(yù)測(cè)，主要是基于顏色的統(tǒng)計(jì)信息。它運(yùn)算量小，不僅能很好地滿足嵌入式系統(tǒng)的需求，而且跟蹤和預(yù)測(cè)的效果也非常好。通過(guò)對(duì)ROI 區(qū)域進(jìn)行手勢(shì)的分割和識(shí)別，可以排除背景圖像對(duì)手勢(shì)的部分干擾，識(shí)別過(guò)程的計(jì)算量也減小很多。由于每種手勢(shì)的邊線都有不同特征，這些不同的特征能很好地反映在手勢(shì)的外接多邊形上，因此，可以對(duì)不同手勢(shì)和外接多邊形建立一個(gè)一一映射的關(guān)系; 通過(guò)建立不同手勢(shì)的外接多邊形特征庫(kù)，對(duì)分割出來(lái)的手勢(shì)作多邊形擬合，只要將提取出來(lái)的多邊形與特征庫(kù)中的外接多邊形進(jìn)行匹配就能判斷出手勢(shì)的類型。

　　本文提出的手勢(shì)識(shí)別方法主要包括三個(gè)部分：

　　a) 手勢(shì)分割。將手部區(qū)域從場(chǎng)景中分割出來(lái)，并對(duì)手部的區(qū)域和輪廓進(jìn)行提取。這里的手部區(qū)域主要根據(jù)c) 跟蹤的結(jié)果提供。

　　b) 手勢(shì)圖像的外接多邊形擬合以及匹配部分。對(duì)a) 提取出來(lái)的手勢(shì)輪廓作多邊形擬合，分析多邊形的形狀特點(diǎn)，并在特征庫(kù)中查找與擬合的多邊形特征相符合的對(duì)象，再映射到具體的手勢(shì)。

　　c) 手勢(shì)跟蹤部分。根據(jù)顏色信息對(duì)手的區(qū)域進(jìn)行定位，并對(duì)圖像進(jìn)行空間轉(zhuǎn)換，利用統(tǒng)計(jì)原理對(duì)下一幀手可能出現(xiàn)的區(qū)域進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)的結(jié)果反饋給a) 的手勢(shì)分割部分。

　　手勢(shì)識(shí)別流程如圖1 所示。

?

　　2 手勢(shì)識(shí)別框架

　　手勢(shì)識(shí)別主要由靜態(tài)手勢(shì)的識(shí)別和手勢(shì)跟蹤兩部分的工作組成，手勢(shì)識(shí)別框架結(jié)構(gòu)如圖2 所示。在本文提出的方法中，采用了將這兩部分的工作進(jìn)行并行處理的方式，手勢(shì)識(shí)別的結(jié)果傳遞給跟蹤部分，作為跟蹤的對(duì)象，并且手勢(shì)跟蹤的預(yù)測(cè)結(jié)果反饋給識(shí)別部分，將為靜態(tài)手勢(shì)識(shí)別提供ROI 圖像區(qū)域。這樣不僅能有效地提高跟蹤的高效性，還能提高識(shí)別的準(zhǔn)確性，將這兩個(gè)部分有效地統(tǒng)一起來(lái)。

?

　　2. 1 靜態(tài)手勢(shì)識(shí)別

　　通過(guò)靜態(tài)手勢(shì)的識(shí)別，使系統(tǒng)能夠?qū)Ρ桓檶?duì)象有一個(gè)基本的理解，為實(shí)現(xiàn)自動(dòng)跟蹤初始化與跟蹤的自動(dòng)恢復(fù)奠定了基礎(chǔ)。首先，手部區(qū)域需要從場(chǎng)景中分割出來(lái)。本文采用一種基于模糊集和模糊運(yùn)算的方法進(jìn)行手的區(qū)域和輪廓提取，通過(guò)對(duì)視頻流中空域和時(shí)域上的背景、運(yùn)動(dòng)、膚色等信息執(zhí)行模糊運(yùn)算，分割出精確的人手。

　　靜態(tài)手勢(shì)的識(shí)別是基于輪廓特征的識(shí)別，對(duì)分割出來(lái)的人手作邊緣檢測(cè)，得到手勢(shì)完整的輪廓邊緣。通過(guò)前面的模糊集合運(yùn)算，能得到圖像的手勢(shì)分割的二值圖。兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在邊緣。邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可利用求導(dǎo)方便地檢測(cè)出來(lái)。

　　這樣就能得到完整的輪廓邊緣。如圖3 所示，左邊為手部區(qū)域，右邊為手勢(shì)的輪廓。

?

　　接下來(lái)是對(duì)提取的手勢(shì)輪廓作外接多邊形擬合。KenjiOka 和Yoichi Sato 的指尖搜索方法是首先在一個(gè)較大的搜索窗口內(nèi)掃描確定20 個(gè)候選指尖位置，然后再對(duì)匹配度最大的候選位置周圍的候選進(jìn)行抑制，同時(shí)按一定規(guī)則去除位于指尖中間的部分候選。該方法由于需要對(duì)搜索區(qū)域進(jìn)行多次逐像素的掃描，造成計(jì)算量較大，而且除去手勢(shì)中部候選位置的方法的魯棒性較差。文獻(xiàn)[5]給出了通過(guò)遍歷手勢(shì)輪廓的曲率來(lái)進(jìn)行之間位置搜索的方法，通過(guò)對(duì)手勢(shì)按輪廓順序進(jìn)行定長(zhǎng)掃描的方法，可以找出指尖并做出輪廓線的外接多邊形。但是這種查找方式需要遍歷輪廓線的每個(gè)點(diǎn)，而且對(duì)每個(gè)點(diǎn)還需要作除法運(yùn)算，這使得算法的計(jì)算量太大，而且在搜索指尖時(shí)，當(dāng)受到光線變化使得輪廓線出現(xiàn)很多突起的邊緣時(shí)，使得識(shí)別工作出現(xiàn)困難。本文提出了一種查找外接邊的搜索方法，通過(guò)對(duì)手勢(shì)輪廓按輪廓點(diǎn)順序進(jìn)行定長(zhǎng)掃描，將手勢(shì)輪廓線的外接多邊形擬合出來(lái)，同時(shí)將滿足定義1 的手勢(shì)輪廓外接凸邊形缺陷結(jié)構(gòu)設(shè)為手勢(shì)識(shí)別的判斷特征。

　　2. 1. 1 手勢(shì)缺陷圖

　　定義1 手勢(shì)缺陷圖是指由手勢(shì)輪廓線外接多邊形以及多邊形各條邊所對(duì)應(yīng)的谷底( depth point) 所組成的特征描述方程。谷底是指外接多邊形的邊與該邊所對(duì)應(yīng)的輪廓線上距離邊最遠(yuǎn)的輪廓點(diǎn)。定義手勢(shì)缺陷圖的數(shù)據(jù)結(jié)構(gòu)如下：

　　Typedef struct CvConvexityDefect{

　　CvPoint* start; / /缺陷開始的輪廓點(diǎn)

　　CvPoint* end; / /缺陷結(jié)束的輪廓點(diǎn)

　　CvPoint* de pth_point; / /缺陷中距離凸性最遠(yuǎn)的輪廓點(diǎn)

　　Float depth; / /谷底距離凸性的深度

　　} CvConvexityDefect;

　　如圖4 所示，手勢(shì)輪廓缺陷圖能很好地描述各種手勢(shì)，通過(guò)對(duì)手勢(shì)輪廓線外接多邊形的邊數(shù)以及邊所對(duì)應(yīng)的谷底深度，可以將手勢(shì)缺陷圖映射到不同的手勢(shì)。其中A、B、C、D、E、F、G為手勢(shì)輪廓線的外接多邊形的各條邊，Da、Db、Dc、Dd、De、Df、Dg為手勢(shì)缺陷圖中的谷底到對(duì)應(yīng)邊的深度。

　　為了得到手勢(shì)輪廓缺陷圖，首先必須對(duì)手勢(shì)輪廓進(jìn)行多邊形擬合，得出它的外接多邊形。本文提出了一種根據(jù)手勢(shì)輪廓上相鄰兩點(diǎn)間的凹凸性來(lái)進(jìn)行擬合，通過(guò)一次遍歷輪廓上的點(diǎn)，對(duì)以下方程進(jìn)行判定，將適當(dāng)?shù)狞c(diǎn)剔除，剩下的點(diǎn)即為外接多邊形的候選定點(diǎn)：

　　by = next y - cur y ( 1)

　　ay × bx - ax × by ( 2)

　　ax = pcur. x - pprev. x,ay = pcur. y - pprev. y

　　bx = pnext. x - pcur. x,by = pnext. y - pcur. y

　　其中： pcur 為當(dāng)前遍歷的輪廓線上的點(diǎn); pprev、pnext 分別表示當(dāng)前點(diǎn)的前一個(gè)點(diǎn)和后一個(gè)點(diǎn); ax、ay 分別為當(dāng)前點(diǎn)和前一點(diǎn)的x 和y 坐標(biāo)值差; bx、by 分別為當(dāng)前點(diǎn)和后一點(diǎn)指尖的x 和y坐標(biāo)值差。

　　基于輪廓線凹凸形的擬合算法流程如下：

　　a) 將所有的輪廓線上的點(diǎn)按x 坐標(biāo)值大小排序，并找出所有的點(diǎn)中y 坐標(biāo)的最大最小值maxY 和minY.

　　b) 將排序后的輪廓點(diǎn)劃分為四部分： 首先按照y 坐標(biāo)將輪廓線分為上下兩個(gè)部分，將上半部分以maxY 所在的x 坐標(biāo)( 記為Xmaxy) 劃分為兩個(gè)部分，分別記為topLeft〈左上〉和topRight〈右上〉; 將下半部分以minY 所在的x 坐標(biāo)( 記為Xminy) 劃分為兩個(gè)部分，分別記為bottomLeft〈左下〉和bottom-Right〈右下〉。

　　c) 分別對(duì)前一步劃分的四個(gè)部分( topLeft, topRight,bottomLeft,bottomRight) 進(jìn)行遍歷： 對(duì)區(qū)域topLeft 將滿足式( 1) <0,式( 2) > 0 的點(diǎn)剔除; 對(duì)區(qū)域TopRight 將滿足( 1) < 0,式( 2)< 0 的點(diǎn)剔除; 對(duì)區(qū)域bottomLeft 將滿足式式( 1) > 0,式( 2) >0 的點(diǎn)剔除; 對(duì)區(qū)域bottomRight 將滿足式( 1) > 0,式( 2) > 0 的點(diǎn)剔除。剔除后剩下的點(diǎn)即為手勢(shì)輪廓線外接多邊形的頂點(diǎn)。

　　手勢(shì)缺陷圖的谷底以及谷底深度的求解是建立在擬合外接多邊形基礎(chǔ)上，還需要對(duì)外接多邊形的每條邊所對(duì)應(yīng)的輪廓線再進(jìn)行一次遍歷，并將滿足以下方程的最大值求出即是該邊所對(duì)應(yīng)的谷底：

?

?

　　其中： scale 為單位化量值; hull_cur 和hull_next 分別為外接多邊形當(dāng)前遍歷的邊和下一條邊; dx0、dy0分別為外接多邊形當(dāng)前邊的x 和y 坐標(biāo)的差值; dx、dy 分別為當(dāng)前遍歷的輪廓線上的點(diǎn)與hull_cur 點(diǎn)之間x 和y 坐標(biāo)的差值; depth 為遍歷點(diǎn)與對(duì)應(yīng)邊之間的距離，它的最大值即為該邊對(duì)應(yīng)的谷底深度，相應(yīng)的點(diǎn)為谷底。

　　通過(guò)以上搜索可以將手勢(shì)輪廓缺陷圖的特征值找出來(lái)，接下來(lái)便可以將缺陷圖的特征值( 多邊形與谷底的關(guān)系) 與已建立的庫(kù)中的特征值相比較，對(duì)手勢(shì)進(jìn)行匹配，將手勢(shì)輪廓缺陷圖映射到不同的手勢(shì)上去。

　　2. 1. 2 手勢(shì)匹配

　　手勢(shì)的匹配主要是基于手勢(shì)缺陷圖的匹配，手勢(shì)缺陷圖的特征值由外接多邊形以及谷底的位置和深度組成，如圖5所示。

?

　　根據(jù)多邊形的邊數(shù)以及各條邊的程度可以確定手指的數(shù)量，而谷底的深度和位置可以確定手指的關(guān)系和位置。由于這是根據(jù)手勢(shì)的整體圖像來(lái)進(jìn)行分析，所以具有一定的魯棒性，當(dāng)光線變化而導(dǎo)致手勢(shì)圖出現(xiàn)差別時(shí)，并不會(huì)導(dǎo)致手勢(shì)缺陷圖的變化。

　　2. 2 手勢(shì)跟蹤

　　對(duì)于手部跟蹤，主要是基于Camshift 算法實(shí)現(xiàn)的，它綜合利用了手勢(shì)圖像的顏色、區(qū)域和輪廓特征。Camshift 是Mean.Shift 算法的推廣，是一種有效的統(tǒng)計(jì)迭代算法，它使目標(biāo)點(diǎn)能夠漂移到密度函數(shù)的局部最大值點(diǎn)。Camshift 跟蹤算法是基于顏色概率模型的跟蹤方法，在建立被跟蹤目標(biāo)的顏色直方圖模型后，可以將視頻圖像轉(zhuǎn)換為顏色概率分布圖，每一幀圖像中搜索窗口的位置和尺寸將會(huì)被更新，使其能夠定位跟蹤目標(biāo)的中心和大小。本文中，Camshift 算法被用于位置的粗定位，即確定當(dāng)前手勢(shì)區(qū)域的外包矩形Rect,如圖6 所示。

?

　　Rect 將被用于前一步靜態(tài)手勢(shì)識(shí)別的輸入圖像，以便減少對(duì)圖像的分割以及模糊運(yùn)算的工作量。

　　3 手勢(shì)交互演示系統(tǒng)

　　本文在Linux 系統(tǒng)下實(shí)現(xiàn)了本文提出的基于手勢(shì)輪廓缺陷圖進(jìn)行手勢(shì)識(shí)別的方法，并在"嵌入式之星"開發(fā)板上實(shí)現(xiàn)了手勢(shì)識(shí)別的人機(jī)交互演示系統(tǒng)。系統(tǒng)處理器800 MHz,存儲(chǔ)器RAM256 MB,實(shí)時(shí)采集640 × 480 的真彩色圖像。該系統(tǒng)分析攝像頭實(shí)時(shí)捕獲到的每一幀圖像，對(duì)圖片中的手勢(shì)進(jìn)行實(shí)時(shí)識(shí)別。系統(tǒng)的應(yīng)用程序是一個(gè)基于手勢(shì)識(shí)別的拼圖游戲，通過(guò)變換手勢(shì)來(lái)完成拼圖?？勺R(shí)別的靜態(tài)手勢(shì)狀態(tài)被分為五類： A為握拳、B 為食指伸長(zhǎng)、C 為V 型手勢(shì)、D 為中間三指伸開、E為五指張開。A、E 手型分別對(duì)應(yīng)抓取與松開。手勢(shì)為握拳狀態(tài)時(shí)，手對(duì)應(yīng)的圖片塊被選中( 類似鼠標(biāo)左鍵按下) ,此時(shí)可以拖動(dòng)圖片，選定位置后可以換成手勢(shì)E,圖片將被松開( 類似鼠標(biāo)左鍵松開) ,B、C、D 手勢(shì)分別表示將圖片放大、縮小和旋轉(zhuǎn)。

　　演示系統(tǒng)效果如圖7 所示。

?

　　圖7 演示系統(tǒng)效果

　　4 實(shí)驗(yàn)結(jié)果及分析

　　為了檢驗(yàn)本文算法的準(zhǔn)確性和實(shí)時(shí)性，本文在實(shí)驗(yàn)室光照條件下，采集不帶任何特殊標(biāo)記的手勢(shì)單目視頻圖像。實(shí)驗(yàn)中參數(shù)設(shè)置如下： Camshift 算法的最大迭代次數(shù)為10; 手勢(shì)分割使用的HSV 顏色空間如表1 所示。

　　表1 HSV 顏色空間設(shè)置

?

　　對(duì)手勢(shì)二值圖像所做的數(shù)學(xué)形態(tài)學(xué)操作使用3 × 3 的模板做開運(yùn)算，使用5 × 5 的模板做閉運(yùn)算; 噪聲手勢(shì)的域值設(shè)為0. 01.手勢(shì)的跟蹤過(guò)程無(wú)人工干預(yù)。

　　表2 給出了五種手勢(shì)的識(shí)別率與匹配成功率。匹配成功率是指在正確識(shí)別出手勢(shì)類型的情況下，按照2. 2 節(jié)給出的匹配方法將手勢(shì)輪廓缺陷圖的特征與手勢(shì)類型進(jìn)行匹配的成功比率。

　　表2 手勢(shì)識(shí)別匹配率

?

　　表3 給出本文方法與其他方法的比較結(jié)果。與其他手勢(shì)識(shí)別方法比較，本文提出的方法有相當(dāng)?shù)淖R(shí)別率，還實(shí)現(xiàn)了手勢(shì)跟蹤的結(jié)果對(duì)識(shí)別的反饋，并在實(shí)時(shí)性方面滿足嵌入式系統(tǒng)的需求( 20 ~ 25 fps) ,明顯好于文獻(xiàn)[7]( 一種面向?qū)崟r(shí)交互的變形手勢(shì)跟蹤方法， 18 fps) 和目前流行的Hand Vu 的識(shí)別效率。

　　表3 手勢(shì)識(shí)別算法比較

?

　　魯棒性方面，由于本文采用了模糊運(yùn)算，圖像模糊分割的準(zhǔn)確率達(dá)到96. 4%,對(duì)環(huán)境的變化具有很好的抗干擾性。即使背景有人的走動(dòng)造成環(huán)境和光線的劇烈變化，也不會(huì)對(duì)手勢(shì)輪廓缺陷圖造成太大的影響。

　　5 結(jié)束語(yǔ)

　　與傳統(tǒng)的手勢(shì)識(shí)別系統(tǒng)不同，它在注重識(shí)別效果的同時(shí)還要注重算法的計(jì)算復(fù)雜度。通過(guò)使用手勢(shì)輪廓缺陷圖作為手勢(shì)識(shí)別的特征結(jié)構(gòu)，不僅大大減少了計(jì)算量，由于缺陷圖是從整體結(jié)構(gòu)刻畫手勢(shì)的結(jié)構(gòu)，所以它還增強(qiáng)了手勢(shì)識(shí)別的魯棒性。實(shí)驗(yàn)表明本文提出的方法可以滿足交互的實(shí)時(shí)性要求，能很好地用于手勢(shì)交互的應(yīng)用系統(tǒng)。