一种基于特征融合的支持向量机的数字手势识别方法
【专利摘要】本发明涉及一种基于特征融合的支持向量机的数字手势识别方法，USB摄像头采集数字手势图片，用于分类器的训练与手势识别；对采集到的数字手势图片进行预处理；对处理后的数字手势图片提取特征；对提取到的特征向量矩阵进行降维处理；将进行降维处理后的特征向量输入到多分类的分类器中进行训练和识别，观察测试结果，并对结果做出分析。此方法基于Hu矩全局特征与HOG局部特征相融合进而得到一种更易训练识别的特征向量，而后对提取到的向量进行了LDA降维处理，易于操作，简便，并且更有效的提高了数字手势识别的识别率。
【专利说明】
一种基于特征融合的支持向量机的数字手势识别方法
【技术领域】
[0001]本发明涉及一种手势识别技术，特别涉及一种基于特征融合的支持向量机的数字手势识别方法。
【背景技术】
[0002]人机交互技术已经从以计算机为中心转移到以人为中心，手势识别交互作为一种自然、人性化的人机交互方式被越来越多的采用。然而，人手的自由度和弹性、背景、光照以及噪声等因等给手势识别带来了极大的困难，如何克服这些困难以获得更加自然、和谐、完善的手势识别系统使人们当今研究的目标。
[0003]基于计算机视觉的手势识别主要由手势分割、手势特征提取、手势识别等阶段组成。手势识别主要有两大问题需要解决:首先是手势特征的选取，比较常用的特征有Hu矩、Zernike矩,HOG特征,傅里叶描述子等,其中,Zernike对于噪声不太敏感,一般应用于图像的恢复方面；傅里叶描述子虽然具有较好的轮廓描述能力，但是对于细节太敏感，容易导致误识；而Hu矩具有平移、旋转和比例不变性，而HOG特征对图像几何的和光学的形变都能保持良好的不变性；其次是分类器的选择，基于计算机视觉的手势识别算法研究一般有模板匹配法，神经网络法，支持向量机法等。支持向量机是基于结构风险最小化的一种新的模式方法，在解决小本、非线性及高维模式识别问题中具有许多特有的优势。
【发明内容】
[0004]本发明是针对手势识别因为背景环境的多变性识别困难的问题，提出了一种基于特征融合的支持向量机的数字手势识别方法，提高手势识别系统的实用性，同时提高数字手势识别的识别率。本发明在对手势全局(即手势轮廓)进行Hu矩特征提取以及提取手势的HOG特征的基础上，并对特征进行LDA降维以后，设计了 SVM分类器，用以提高数字手势识别的识别率。
[0005]本发明的技术方案为:一种基于特征融合的支持向量机的数字手势识别方法，具体包括如下步骤:
DUSB摄像头采集数字手势图片，用于分类器的训练与手势识别；
2)对采集到的数字手势图片进行预处理；
将采集到的数字手势图片转换到灰度空间以获取对应的灰度图像；利用中值滤波对图像进行降噪处理；对图像进行锐化处理，突出图像的边缘轮廓与细节特征；
3)对处理后的数字手势图片提取特征；
对步骤2)处理后的数字手势图片中图片手势全局进行Hu矩特征提取，然后对步骤2)处理后的数字手势图片中提取基于HOG的局部特征，最后将提取的Hu矩特征与提取的HOG特征相融合；
4)对提取到的特征向量矩阵进行降维处理:
5)将步骤4)进行降维处理后的特征向量输入到多分类的分类器中进行训练和识别，观察测试结果，并对结果做出分析。
[0006]所述步骤3)中手势全局进行Hu矩特征提取，通过各种不同级别的几何矩的数学组合，可以得到七个特征量，当图像移动，旋转和比例大小变化时，特征量保持其数值不变的特性。
[0007]所述步骤5)中分类器为SVM分类器，选择径向基核函数的支持向量机，将降维后的用于训练的特征向量矩阵输入到SVM分类器中，对SVM分类器进行训练，训练完成后，将用于测试的特征向量矩阵输入到SVM分类器中，观察测试结果，并对结果做出分析。
[0008]本发明的有益效果在于:本发明基于特征融合的支持向量机的数字手势识别方法，基于Hu矩全局特征与HOG局部特征相融合进而得到一种更易训练识别的特征向量，而后对提取到的向量进行了 LDA降维处理，易于操作，简便，并且更有效的提高了数字手势识别的识别率。
【专利附图】
【附图说明】
[0009]图1为本发明总体流程图；
图2为本发明数字手势识别程序流程图。
【具体实施方式】
[0010]本发明的具体实施方法如图1所示，包括如下具体步骤:
UUSB摄像头采集数字手势图片，用于分类器的训练与手势识别；
此处运用的USB摄像头属于VFW视频采集设备，运用此摄像头对数字手势进行一定数量的图像采集。
[0011]2、对采集到的数字手势图片进行预处理；
将采集到的数字手势图片转换到灰度空间以获取对应的灰度图像；利用中值滤波对图像进行降噪处理；对图像进行锐化处理，突出手势图像的边缘轮廓与细节特征。
[0012]3、对处理后的数字手势图片提取特征；
首先，对处理后的数字手势图片提取特征主要提取的是基于Hu矩的手势全局特征，根据Hu氏理论，通过各种不同级别的几何矩的数学组合，可以得到七个特征量，当图像移动，旋转和比例大小变化时，他们具有保持其数值不变的特性；
对于是在图像f (i, j)，其(p+cf)阶中心距为
Mpq = Σ Σ ( ? — C — Λ V Ο，f)，
(JJeR)
其中/7指对应于i维度上矩的阶数，q对应于J.维度上矩的阶数，R为实数；
归一化的中心矩为7]Pq= μ+ΜΙμ?1，其中r = (p + q)j2 + l，P OO理论对应于图像的O阶中心距，实际意义为对应于轮廓边界上点的数目，
【权利要求】
1.一种基于特征融合的支持向量机的数字手势识别方法，其特征在于，具体包括如下步骤: 1)USB摄像头采集数字手势图片，用于分类器的训练与手势识别； 2)对采集到的数字手势图片进行预处理； 将采集到的数字手势图片转换到灰度空间以获取对应的灰度图像；利用中值滤波对图像进行降噪处理；对图像进行锐化处理，突出图像的边缘轮廓与细节特征； 3)对处理后的数字手势图片提取特征； 对步骤2)处理后的数字手势图片中手势全局进行Hu矩特征提取，然后对步骤2)处理后的数字手势图片中提取基于HOG的局部特征，最后将提取的Hu矩特征与提取的HOG特征相融合； 4)对提取到的特征向量矩阵进行降维处理: 5)将步骤4)进行降维处理后的特征向量输入到多分类的分类器中进行训练和识别，观察测试结果，并对结果做出分析。
2.根据权利要求1所述基于特征融合的支持向量机的数字手势识别方法，其特征在于，所述步骤3)中手势全局进行Hu矩特征提取，通过各种不同级别的几何矩的数学组合，可以得到七个特征量，当图像移动，旋转和比例大小变化时，特征量保持其数值不变的特性。
3.根据权利要求1所述基于特征融合的支持向量机的数字手势识别方法，其特征在于，所述步骤5)中分类器为SVM分类器，选择径向基核函数的支持向量机，将降维后的用于训练的特征向量矩阵输入到SVM分类器中，对SVM分类器进行训练，训练完成后，将用于测试的特征向量矩阵输入到SVM分类器中，观察测试结果，并对结果做出分析。
【文档编号】G06K9/00GK104134061SQ201410401025
【公开日】2014年11月5日 申请日期:2014年8月15日 优先权日:2014年8月15日
【发明者】吴健健, 闵琪, 陈玮 申请人:上海理工大学