一种基于帧融合技术的动态手势识别方法
【专利摘要】本发明公开了一种基于帧融合技术的动态手势识别方法，其特征在于，包括如下步骤：将既定的一组动态手势根据密度分布特征划分为一组手势集合，对每个手势集合求其各个手势帧融合图像的密度分布特征参数，然后在各个集合内分别求其密度分布特征参数的平均值，将平均值作为该手势集合的模板特征向量H；对待识别的动态手势图像获取映射的静态组合图Q；计算静态组合图Q的密度分布特征，根据密度分布特征识别出动态手势所在的手势集合；根据密度分布特征的范围确定手势集合内的手势进一步选择采用Hausdorff距离方法或者指尖特征点方法。
【专利说明】一种基于帧融合技术的动态手势识别方法
【技术领域】
[0001]本发明涉及动态手势识别领域，具体地讲，涉及一种基于帧融合技术的动态手势识别方法。
【背景技术】
[0002]随着计算机技术的迅速发展，人机交互技术逐渐成为当前最热门研究课题之一。而人手的重要性决定了其在人机交互领域的重大研究价值。人手作为一种最自然、直观而又易于学习的人机交互手段，被人们广泛研究应用，而基于视觉的手势识别则成为人们广泛研究的内容之一。
[0003]根据手势的运动特点，可将手势分为静态手势和动态手势。静态手势依靠手的形状和轮廓传递信息，动态手势则随着时间的变化，手的位置和形状也发生变化，从而可以传递更多准确详细的信息。目前的手势识别方法有模板匹配法(Model/Template Matching)、隐马尔可夫模型(HMM，Hidden Markov Model)、动态时间规划(DTW)等。
[0004]模板匹配的方法多用于静态手势识别中。2002年，张良国、吴江琴等人提出的基于hausdorff距离的手势识别，利用hausdorff距离模板匹配的思想，实现了鲁棒性较强的手势识别。黄国范和李英提出一个字母手势识别方法，首先对所有的字母手势图像预处理，然后利用模板匹配的方法进行识别。
[0005]2003年，Ahmed Elgammal提出了一种非参数化的HMM模型，该方法将动态手势用一系列既学的姿态来表示，根据概率体系结构进行手势识别。严焰等使用HMM手势指令模型，采用k_means得到手势序列的矢量量化。从而提高了手势识别的性能。
[0006]DTW方法是一种具有非线性时间归一化效果的模式匹配算法。Trevor J.等人在1996年提出一种DTW方法，
[0007]DTff方法简单有效，在测试模性和参考模型之间允许充分的弹性，从而实现正确的分类。经磊、马文军等人使用动态时间规划的方法有效地改善了基于加速度的动态手势识别效率。
【发明内容】
[0008]本发明要解决的技术问题是提供一种基于帧融合技术的动态手势识别方法，增加了动态手势识别的准确性。
[0009]本发明采用如下技术方案实现发明目的:
[0010]一种基于帧融合技术的动态手势识别方法，其特征在于，包括如下步骤:
[0011](I)将既定的一组动态手势根据密度分布特征划分为一组手势集合，对每个手势集合求其各个手势帧融合图像的密度分布特征参数，然后在各个集合内分别求其密度分布特征参数的平均值，将平均值作为该手势集合的模板特征向量H ；
[0012](2)对待识别的动态手势图像获取映射的静态组合图Q ；
[0013](3)计算静态组合图Q的密度分布特征，根据密度分布特征识别出动态手势所在的手势集合；
[0014](4)根据密度分布特征的范围确定手势集合内的手势进一步选择采用Haus dorff距离方法或者指尖特征点方法。
[0015]作为对本技术方案的进一步限定，所述步骤(2)包括如下步骤:
[0016](2.1)获取N帧连续动态手势序列图像仍}，1=0，1，2，...，化
[0017](2.2)静态组合图Q中的像素同{PJ中的像素的映射关系如下
【权利要求】
1.一种基于帧融合技术的动态手势识别方法，其特征在于，包括如下步骤: (1)将既定的一组动态手势根据密度分布特征划分为一组手势集合，对每个手势集合求其各个手势帧融合图像的密度分布特征参数，然后在各个集合内分别求其密度分布特征参数的平均值，将平均值作为该手势集合的模板特征向量H ; (2)对待识别的动态手势图像获取映射的静态组合图Q； (3)计算静态组合图Q的密度分布特征，根据密度分布特征识别出动态手势所在的手势集合； (4)根据密度分布特征的范围确定手势集合内的手势进一步选择采用Hausdorff距离方法或者指尖特征点方法。
2.根据权利要求1所述的基于帧融合技术的动态手势识别方法，其特征在于，所述步骤(2)包括如下步骤: (2.1)获取N帧连续动态手势序列图像妒丄1=0，1，2，...，化 (2.2)静态组合图Q中的像素同{PJ中的像素的映射关系如下
3.根据权利要求1所述的基于帧融合技术的动态手势识别方法，其特征在于，所述步骤(3)包括: (3.1)静态组合图Q形成的平面图像为f (x，y)，计算图像f (x，y)的形心，即重心O(IJ); (3.2)计算图像f (X，y)中，目标像素点到形心的最大距离Dmax，最小距离Dmin ； (3.3)分别计算图像f (X，y)中，以形心为圆心，以Dmax为半径的目标区域最大外接圆和以Dmin为半径的目标区域最小外接圆，在最大外接圆和最小外接圆组成的区域内，使用等距离区域划分法将图像划分为M个子图像区域(M>0); (3.4)对各子图像区域分别进行统计，计算每个子图像区域内目标像素的总数Si (i =1，…，Μ)，并找出Si的最大值。
4.根据权利要求1所述的基于帧融合技术的动态手势识别方法，其特征在于，所述步骤(4)包括如下步骤: (4.1)对于密度分布特征的第35个参数向量在范围5至6之间的手势集合内手势采用HausdorfT距离对动态手势的最后一帧进行进一步的识别，从而达到准确的手势识别效果; (4.2)对于密度分布特征的第35个参数向量在范围3至4之间的手势集合内手势采用指尖特征点的方法对动态手势的最后一帧进行进一步的识别，从而达到准确的手势识别效果O
5.根据权利要求4所述的基于帧融合技术的动态手势识别方法，其特征在于，所述步骤(4.1)的HausdorfT距离方法对动态手势的最后一帧进行进一步的识别包括如下步骤: (4.1.1)首先训练手势集合内手势的边界点集合L ； (4.1.2)然后对待识别手势的最后一帧求其边界点的集合e ； (4.1.3)分别计算e同边界点集合L的hausdorff距离； (4.1.4)输出hausdorff距离最小的模板手势序列i，此序列即为所识别的正确手势序列。
6.根据权利要求4所述的基于帧融合技术的动态手势识别方法，其特征在于，所述步骤(4.2)的指尖特征点的方法包括如下步骤: (4.2.1)首先训练手势集合，检测出手势集合中各种手势的指尖点信息，将各指尖点同手势重心形成的向量$、OB的特征信息记入向量模板G ； (4.2.2)然后检测待识别手势的指尖向量同向量模板G中的指尖向量相比较，输出相似度最大的模板手势序列i，此序列即为所识别的正确手势序列。
【文档编号】G06K9/00GK103455794SQ201310374176
【公开日】2013年12月18日 申请日期:2013年8月23日 优先权日:2013年8月23日
【发明者】冯志全, 张廷芳 申请人:济南大学