手勢建模算法研究及其應用.pdf

1、隨著計算機硬件及軟件技術(shù)的迅速發(fā)展,使符合人際交流習慣的手勢識別成為可能。由于基于視覺的手勢識別技術(shù)涉及計算機視覺、圖像處理、模式識別等領(lǐng)域,以及手勢本身具有的多樣性、多義性和時間空間上的差異性等特點,此方向的研究成為一個極富挑戰(zhàn)性的多學科交叉研究課題。本文主要研究手勢識別中的手勢建模過程,包括手勢分析和手勢識別兩個階段。
　　 傳統(tǒng)的基于隱馬爾可夫模型(簡稱HMM)的手勢識別算法的最終結(jié)果是由輸出概率最大的HMM模型來決定的。

2、然而由于手勢識別軌跡中打手勢人本身的動作幅度不大以及部分手勢本身的相似性,若干個HMM模型的輸出概率有可能非常接近。僅憑概率最大來做判斷,存在誤識別的可能。同時,基于支持向量機(簡稱SVM)的手勢識別是利用手勢軌跡的整體數(shù)值特征來進行識別,從而忽視了手勢軌跡中間的各種變化。HMM模型利用上下文關(guān)系進行模式識別,更多地表達了類別內(nèi)的相似性,而支持向量機擅長分類問題,更大程度上反映了類別間的差異,二者的融合恰好彌補了彼此的不足。
　　

3、 鑒于隱馬爾可夫模型(簡稱HMM)具有良好的時間序列建模能力和支持向量機(SVM)在有限樣本的分類方面具有的優(yōu)良性能,本文提出了一種基于軌跡分割的HMM_SVM融合手勢識別模型。其基本思想是:將手勢特征提取過程中得到的手勢軌跡分割成兩部分,分別放入已經(jīng)訓練好的16個HMM模型中計算最大似然概率。如果輸出概率滿足特定條件,則借助SVM再次分類。這樣能夠較準確的進行手勢識別,在一定程度上提高手勢識別準確率。本文還實現(xiàn)了實時手勢識別的原型系

4、統(tǒng)。該系統(tǒng)包含手勢圖像捕獲、手勢圖像預處理、手勢分割、手勢特征提取、手勢軌跡識別等過程。在手勢圖像預處理階段,本文提出一種基于改進ILAE算法的圖像局部自適應增強算法對捕獲的手勢圖像進行增強,為后續(xù)的手勢圖像分割及手勢特征提取奠定了很好的基礎(chǔ)。本文的手勢識別實驗結(jié)果表明,單獨運用HMM模型對8種有代表性的手勢軌跡的平均識別率為93.25％。而運用本文提出的一種基于軌跡分割的HMM_SVM融合手勢識別模型對該8種有代表性的手勢軌跡的平均識