手勢(shì)識(shí)別及其在機(jī)器人控制中的應(yīng)用.pdf

1、機(jī)器人技術(shù)的發(fā)展日新月異，在我們的日常生活中，機(jī)器人隨處可見。但是，若想讓機(jī)器人真正的融入到人類的社會(huì)中，則機(jī)器人必須具有能夠理解并學(xué)會(huì)與人之間的交流方式。而在眾多的新型人機(jī)交互技術(shù)中，手勢(shì)識(shí)別以其簡(jiǎn)單自然的交互特點(diǎn)和豐富的表達(dá)能力深受研究人員的青睞，有著廣闊的應(yīng)用前景。
　　針對(duì)靜態(tài)手勢(shì)識(shí)別，首先通過 Kinect傳感器獲取手勢(shì)的深度信息和彩色圖像，選擇合適的深度閾值從彩色圖像中將手勢(shì)區(qū)域從復(fù)雜的背景中提取出來；然后在 HSV顏

2、色空間下對(duì)手勢(shì)圖像進(jìn)行膚色分割，并對(duì)獲得的手勢(shì)二值圖像進(jìn)行中值濾波處理，去除圖像中的噪聲；再對(duì)手勢(shì)圖像進(jìn)行特征提取，從圖像中計(jì)算得到七個(gè)HU矩不變量和兩個(gè)緊密度特征；最后使用HU矩的前三個(gè)不變量和兩個(gè)緊密度特征作為特征信息，對(duì) SVM進(jìn)行訓(xùn)練，并使用訓(xùn)練得到的分類器進(jìn)行手勢(shì)的分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)背景干擾、光照變化、平移、旋轉(zhuǎn)和縮放等影響具有很好的魯棒性，且準(zhǔn)確率高。
　　針對(duì)動(dòng)態(tài)手勢(shì)識(shí)別，首先利用 Kinect傳感器對(duì)

3、手勢(shì)進(jìn)行跟蹤，通過確定手勢(shì)骨骼運(yùn)動(dòng)信息的起點(diǎn)和終點(diǎn)來獲取手勢(shì)的運(yùn)動(dòng)軌跡序列；然后使用分類決策樹，根據(jù)手勢(shì)中點(diǎn)與起點(diǎn)、終點(diǎn)形成的向量角的大小，對(duì)手勢(shì)進(jìn)行初次的分類，縮小手勢(shì)的識(shí)別范圍；最后對(duì) DTW算法進(jìn)行了優(yōu)化，將搜索路徑限制在一定的斜率范圍內(nèi)，以減小計(jì)算量，縮短路徑搜索所需的時(shí)間，并對(duì)累計(jì)距離設(shè)置合適的閾值，當(dāng)矩陣中某一行的累計(jì)距離都超過閾值時(shí)，提前停止搜索。實(shí)驗(yàn)結(jié)果表明該方法在保證識(shí)別率的前提下，提高了算法的識(shí)別速度。
　　最