基于視覺的動態(tài)手勢跟蹤與軌跡識別研究.pdf

1、隨著計算機技術的迅速發(fā)展,符合人際交流習慣的手勢識別成為人機交互中的一項關鍵技術,基于視覺的手勢識別是當前涉及圖象處理、模式識別、計算機視覺等領域的一個比較活躍的課題.由于手勢本身具有的多樣性、多義性以及時間和空間上的差異性等特點,使此方向研究成為一個極富挑戰(zhàn)性的多學科交叉研究課題.該文主要研究復雜背景下的手勢跟蹤以及軌跡識別,手勢跟蹤就是從圖像中識別出手及其運動,軌跡識別則是按照某種規(guī)則識別出手勢表達的含義.該文提出了一種基于顏色概率

2、模型并融合運動信息進行手勢跟蹤的新方法,即改進的CAMSHIFT算法,其基本思想是:將圖像序列通過一個膚色概率查找表轉(zhuǎn)換為膚色概率分布圖,結(jié)合運動信息和膚色概率分布,初始化一個搜索窗的大小和位置,然后對膚色概率分布圖進行迭代運算,定位出手勢的位置和大小,根據(jù)計算膚色概率分布圖中手勢區(qū)域的2階矩,最終確定感興趣區(qū)域的長度和寬度.實驗表明,該文提出的算法提高了抗噪性能,避免了錯誤跟蹤,并且跟蹤準確精細.該文還給出了實時手勢跟蹤系統(tǒng)的實現(xiàn),并

3、對其做了性能測試.動態(tài)軌跡識別主要有兩個難點:第一是手勢分割的模糊性,即如何在人手運動軌跡中選取手勢的起始點與結(jié)束點;第二是手勢的時空易變性,即手勢軌跡不但空間上不同而且持續(xù)時間也不相同,即使是同一種手勢.該文使用從左到右(left-to-right)的離散隱馬爾可夫模型(DHMM)對手勢軌跡進行建模、訓練及識別.為了有效區(qū)分未定義手勢與已定義手勢,該文在文獻[8]基礎上提出了一種改進的閾值模型方法,較好的解決了這個問題,并給出了一種從