基于視覺的靜態(tài)手勢識別中關鍵技術的研究.pdf

1、在信息技術高速發(fā)展的今天，計算機作為一項偉大的發(fā)明，正深刻地影響著人們生活的方方面面。以生物識別技術為基礎的自然人機交互技術作為計算機技術的一項重要應用，與人們的日常生活息息相關。基于計算機視覺的生物識別技術是指利用計算機技術對圖像或視頻進行處理，通過提取人體特有的生物特征，實現(xiàn)對生物體的識別，該技術正在成為人工智能領域的一大研究熱點。利用生物識別技術進行人機交互相比傳統(tǒng)的技術具有便利性、唯一性等優(yōu)點。常用的生物特征包括人臉、指紋、虹膜

2、和手勢等，其中手勢特征相比其他生物特征具有生動、自然和信息量豐富的特點。但是，由于人手具有不確定性和多重性，手勢識別技術還有許多問題有待解決，因此手勢識別正在成為人機交互領域研究的熱點及難點。手勢識別系統(tǒng)主要包括三個部分:圖像預處理、特征提取和分類識別。本文主要研究了基于視覺的靜態(tài)手勢識別的相關算法，重點研究了特征提取算法與分類識別算法。針對這兩部分內容，本論文主要做了以下工作:
　　第一，詳細研究了經(jīng)典的特征提取算法和分類識別算

3、法，并對它們的算法原理、算法步驟以及優(yōu)缺點進行了細致的歸納總結。
　　第二，針對基本的局部二值模式(Local Binary Patterns，LBP)算法識別率偏低，提取的特征維數(shù)偏大的缺點，本文提出了一種基于多鄰域加權融合的局部二值模式算法，該算法是對基本LBP算法的一種改進。分別利用不同的處理策略由每一個中心像素點外兩層的鄰域點計算得到兩幅LBP編碼圖像，并對它們進行統(tǒng)計得到兩幅256維的直方圖，然后將這兩幅256維的直方圖

4、均勻量化為32維，最后將這兩個32維的直方圖進行加權融合得到一個32維的直方圖作為最終的特征向量。通過在手勢數(shù)據(jù)庫上的實驗結果證明，我們所提出的改進算法能夠在提高手勢識別率的同時大幅度地降低特征維數(shù)，從而提高運算速度。
　　第三，深入研究了非負矩陣分解(Non-Negative Matrix Factorization，NMF)算法與壓縮感知(Compressive Sensing，CS)算法，并利用這兩種算法設計了一個手勢識別系