一种基于深度信息的指尖检测和手势识别方法与系统与流程

本发明属于图像识别技术领域，更具体地，涉及一种基于深度信息的指尖检测和手势识别方法与系统。

背景技术：

指尖检测和手势识别是人机交互的一种重要手段。近年来，伴随着移动互联网技术的兴起，基于视觉的指尖检测和手势识别技术以其兼具非接触和低成本的优点，在家庭娱乐、智能驾驶、智能穿戴等领域得到了越来越广泛的应用。

指尖检测和手势识别的关键在于对采集到的手势图像进行分割，得到手势的形状特征。传统的基于视觉的指尖检测和手势识别系统采用光学传感设备采集手势信息。但由于光学传感器的敏感特性，导致传感器采集到的图像易受光照、背景散射等因素的干扰，因此利用现有的方法很难做到准确分割。Kinect传感器的出现为图像分割带来了便利。在传统的光学传感器之上，Kinect传感器增加了两个深度传感器，用以检测图像的深度信息。结合深度信息，可以克服环境光照的不足，将手势从杂散的背景中准确地分割出来。然而，受到深度传感器分辨率和噪声的影响，分割出的手势形状轮廓含有大量的形变和噪声。这些给后续指尖检测和手势识别工作带来了挑战。

针对以上问题，学者们提出了不同的解决办法，大体可以总结为两类：

一类是针对一般形状的常规匹配方法。常规匹配方法首先提取形状特征，然后再用动态规划方法进行模板匹配。其中具有代表性的形状特征包括形状上下文和骨架路径。形状上下文利用对数极坐标空间刻画轮廓点的特征，其极角可以分为绝对极角和相对极角。绝对极角无法保证旋转不变。而相对极角则需要对极角进行轮廓切线对齐。由于手势形状含有大量的形变和轮廓噪声，难以准确计算轮廓切线，故导致特征描述不够准确，匹配精度不高。骨架的优势在于可以直观地刻画一般形状的拓扑结构。然而，对于手部形状而言，一方面，手部的形变极易导致冗余骨架的产生，增加后续匹配的难度；另一方面，有相当一部分形状类别具有极其类似的拓扑结构，进而导致提取的骨架极其相似，难以通过骨架图匹配方法进行区分。

另一类是针对手势形状的基于部分的匹配方法。基于部分的方法是指先将分割的手势形状分解成手掌和手指，然后再采用手指地球移动距离度量进行模板匹配。其中具有代表性的分解方法包括基于圆的方法，基于近似凸分解的方法和基于感知形状分解的方法。基于圆的方法实现简单、能满足实时性要求，但是分解出的手指不够准确，匹配精度不高。近似凸分解和感知形状分解分解手指准确度有了提高，有效提升了匹配的精度，但上述提升是以牺牲实时性为代价的。此外，由于基于部分的表达方式不含有指尖特征，故上述方法均不能有效检测指尖，制约了其在家庭娱乐、智能驾驶、智能穿戴等领域的应用。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度信息的指尖检测和手势识别方法与系统，其目的在于通过采集包含有手势信息的深度图像，获取手部区域所对应的手部轮廓曲线并简化成折线，在手部简化折线上检测指尖，，并根据检测到的指尖个数以及模板匹配方法对所述手势进行识别，由此解决现有技术中手势区域无法准确分割、手势曲线含有大量形变和噪声而影响识别准确率、指尖检测和手势识别难以同时进行的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度信息的指尖检测和手势识别方法，包括如下步骤：

(1)获得包含有手势信息的深度图像，并采用阈值法对手部进行粗略分割，得到带有部分前臂区域的手部形状；

(2)对所述带有部分前臂区域的手部形状，通过检测手腕特征标识实现手部区域的精确分割，并提取手部轮廓曲线；

(3)利用离散曲线演化方法简化所述手部轮廓曲线，得到包含指尖特征的手部简化折线；

(4)通过阈值法检测所述手部简化折线中的手指指尖；

(5)根据所述手部简化折线中包含的指尖个数以及设定的手势模型进行手势识别。

本发明的一个实施例中，所述步骤(3)具体包括如下子步骤：

(3.1)令步骤(2)中所获得的原始的手部轮廓曲线C为初始手部演化折线；其中表示原始的手部轮廓曲线，c₀表示手部轮廓曲线C的起点，c_i表示手部轮廓曲线C的第i个像素点，表示手部轮廓曲线C的终点，N_C表示手部轮廓曲线C的像素点个数；表示手部演化折线，其中p₀＝c₀，p_j表示手部演化折线P的第j个顶点，N_P表示手部演化折线P的顶点个数；K_j为顶点p_j所对应的Δp_j-1p_jp_j+1的视觉显著度，用以表征顶点p_j对手部轮廓曲线C的构成的贡献大小，Δp_j-1p_jp_j+1为顶点p_j所对应的相关三角形，设

(3.2)依次计算视觉显著度并对其按照降序排列得到手部演化折线P的顶点的视觉显著度排列

(3.3)删除排在末尾的最小视觉显著度及其在手部演化折线P对应的顶点p，连接手部演化折线P中与原有p相邻的两个顶点，更新这两个顶点对应的相关三角形的视觉显著度并将它们按降序重新插入到中；

(3.4)重复步骤(3.3)，直到排在末尾的最小视觉显著度大于设定视觉显著度门限值K_T为止，此时得到的手部演化折线P作为最终的手部简化折线。

本发明的一个实施例中，所述视觉显著度K_j的计算方式为：

其中，l(p_j-1,p_j)和l(p_j,p_j+1)分别表示手部演化折线P的第j条边(p_j-1,p_j)和第j+1条边(p_j,p_j+1)的边长，α(p_j)为顶点p_j的转角，即线段(p_j-1,p_j)围绕顶点p_j旋转到(p_j,p_j+1)所扫过的角度。

本发明的一个实施例中，所述步骤(5)具体为：

首先根据所述手部简化折线中包含的指尖个数，对所述手势进行手势识别，得到所述指尖个数所对应的一个或多个手势；

如果所述指尖个数对应多个手势，则将所述手部简化折线与所述指尖个数所对应的多个手势模型进行比对，得到所述手部简化折线所对应的手势。

本发明的一个实施例中，在所述步骤(1)中：

利用包含有深度传感器的图像采集装置采集手势图像，获得包含有手势信息的深度图像；在采集所述手势图像时，手和前臂与图像采集装置之间的距离比图像中其它物体与图像采集装置之间的距离要近。

本发明的一个实施例中，所述步骤(1)中的采用阈值法对手部进行粗略分割，得到带有部分前臂区域的手部形状具体包括：

将深度信息小于设定深度阈值的图像区域分割出来，得到带有部分前臂区域的手部形状；

所述步骤(2)具体包括：

根据预设的手腕特征标识，去除多余的前臂区域，得到较为精确的手部区域；

对所述手部区域进行轮廓提取，得到所述手部区域所对应的手部轮廓曲线。

本发明的一个实施例中，所述步骤(4)具体为：

将步骤(3)中得到的手部简化折线上各个顶点的转角按照降序排列，在排名前五的转角中检测大于设定转角门限值的转角，其对应的顶点即为指尖。

本发明的一个实施例中，所述图像采集装置为Kinect传感器或者RealSense传感器，所述预设的手腕特征标识为与肤色具有显著区分度的环状佩饰物。

按照本发明的另一方面，还提供了一种基于深度信息的指尖检测和手势识别系统，包括手部形状获取模块、手部轮廓曲线生成模块、手部简化折线生成模块、指尖检测模块以及手势识别模块，其中：

所述手部形状获取模块，用于获得包含有手势信息的深度图像，并采用阈值法对手部进行粗略分割，得到带有部分前臂区域的手部形状；

所述手部轮廓曲线生成模块，用于对所述带有部分前臂区域的手部形状，通过检测手腕特征标识实现手部区域的精确分割，并提取手部轮廓曲线；

所述手部简化折线生成模块，用于利用离散曲线演化方法简化所述手部轮廓曲线，得到包含指尖特征的手部简化折线；

所述指尖检测模块，用于通过阈值法检测所述手部简化折线中的手指指尖；

所述手势识别模块，用于根据所述手部简化折线中包含的指尖个数以及设定的手势模型进行手势识别。

本发明的一个实施例中，所述手部简化折线生成模块具体包括初始手部演化折线设置子模块、视觉显著度计算子模块、视觉显著度更新子模块以及手部简化折线获取子模块，其中：

所述初始手部演化折线设置子模块，用于令所述手部轮廓曲线生成模块获得的原始的手部轮廓曲线C为初始手部演化折线；其中表示原始的手部轮廓曲线，c₀表示手部轮廓曲线C的起点，c_i表示手部轮廓曲线C的第i个像素点，表示手部轮廓曲线C的终点，N_C表示手部轮廓曲线C的像素点个数；表示手部演化折线，其中p₀＝c₀，p_j表示手部演化折线P的第j个顶点，N_P表示手部演化折线P的顶点个数；K_j为顶点p_j所对应的Δp_j-1p_jp_j+1的视觉显著度，用以表征顶点p_j对手部轮廓曲线C的构成的贡献大小，Δp_j-1p_jp_j+1为顶点p_j所对应的相关三角形，设

所述视觉显著度计算子模块，用于依次计算视觉显著度并对其按照降序排列得到手部演化折线P的顶点的视觉显著度排列

所述视觉显著度更新子模块，用于删除排在末尾的最小视觉显著度及其在手部演化折线P中对应的顶点p，连接手部演化折线P中与原有p相邻的两个顶点，更新这两个顶点对应的相关三角形的视觉显著度并将它们按降序重新插入到中；

所述手部简化折线获取子模块，用于重复执行所述视觉显著度更新子模块，直到排在末尾的最小视觉显著度大于设定的视觉显著度门限值K_T为止，此时得到的手部演化折线P作为最终的手部简化折线。

总体而言，与现有技术相比本发明具有如下有益效果：

(1)、由于光学传感器的敏感特性，导致光学传感器采集到的图像易受光照、背景散射等因素的干扰，因此仅依据图像的彩色信息，难以做到手势的准确分割；本发明利用图像的深度信息和彩色信息，在图像彩色信息的基础上，结合图像深度信息，有效地避免了光照不足等环境因素的干扰，实现了手势的准确分割，这为后续指尖检测和手势识别提供了便利；

(2)、对于从深度图像中分割出的手部形状而言，现有的方法提取的形状特征要么不够鲁棒，要么不含有指尖特征，故不能很好地实现指尖检测。本发明方法通过离散曲线演化方法去除轮廓噪声，并从最直观的角度对手部形状中指尖特征和轮廓形变进行区分，从而能够实现鲁棒而准确的指尖检测，这扩大了其在家庭娱乐、智能驾驶、智能穿戴等领域的应用范围；

(3)、由于从深度图像中分割出的手部形状含有大量的形变和噪声，导致采用现有的方法进行手势识别，很难同时保证识别的准确率与效率；本发明方法在鲁棒而准确的指尖检测结果的基础上，充分考虑了不同手势的指尖个数、相邻指尖间的轮廓段起伏等直观特征，故具有较高的识别准确率。此外，得益于离散曲线演化算法的低计算复杂度，使得本发明方法具有较高的运算效率，能够实现指尖的实时检测和手势的实时识别。

附图说明

图1是本发明实施例中基于深度信息的指尖检测和手势识别方法的流程示意图；

图2是本发明实施例中对包含手势信息的深度图像进行处理得到手部简化折线的图像变化示意图；

图3是本发明实施例中利用离散曲线演化方法对所述手部轮廓曲线进行简化的流程示意图；

图4为本发明实施例中所采用的手势数据库中所包含的十类手势的图像示意图；

图5是本发明实施例中基于深度信息的指尖检测和手势识别系统的结构示意图；

图6是本发明实施例中手部简化折线生成模块的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供了一种基于深度信息的指尖检测和手势识别方法，包括如下步骤：

S1、获得包含有手势信息的深度图像，并采用阈值法对手部进行粗略分割，得到带有部分前臂区域的手部形状。

由于光学传感器的敏感特性，导致传感器采集到的图像易受光照、背景散射等因素的干扰，因此仅依据图像的彩色信息，难以做到手势的准确分割。而利用图像的深度信息和彩色信息，可以实现手势的准确分割。

所以可以利用包含有深度传感器的图像采集装置采集手势图像，获得包含有手势信息的深度图像；在采集所述手势图像时，手和前臂与图像采集装置之间的距离比图像中其它物体与图像采集装置之间的距离要近。

例如所述图像采集装置可以为Kinect传感器，Kinect传感器的出现为图像分割带来了便利。在传统的光学传感器之上，Kinect传感器增加了两个深度传感器，用以检测图像的深度信息。结合深度信息，可以克服环境光照的不足，将手势从杂散的背景中准确地分割出来。需要说明的是，本发明实施例中，是利用Kinect传感器进行采集图像，而市面其它类型的深度摄像头，如Real Sense传感器，也可以实现该功能。

S2、对所述带有部分前臂区域的手部形状，通过检测手腕特征标识实现手部区域的精确分割，并提取手部轮廓曲线；

为了进一步去除前臂区域，可以在预设手腕特征标识，通常来说所述预设的手腕特征标识为与肤色具有显著区分度的环状佩饰物，例如黑色的腕带、手环或丝带等。

例如可以在测试者右手(本实施例中以右手为例，左手类似)腕处系一条黑色丝带，且保持右手与Kinect传感器之间的距离相比于视野中的其它物体的距离更近，如图2(a)所示。这些要求在实际应用中很容易得到满足。

由于物体离摄像头越近，其深度值就会越小，因此，采集到的深度图像信息如图2(b)所示。通过设定深度阈值，将深度信息小于阈值的图像区域分割出来，生成包含部分前臂区域的手部形状如图2(c)所示。

进一步地，根据预设的手腕特征标识，去除前臂区域，即可得到较为精确的手部区域；如图2所示，利用彩色图2(c)，检测出手腕处的黑色丝带，即可得到精确的手部形状，如图2(d)所示；本发明实施例中是以右手为例，该手势曲线为八邻域开曲线，起始于右手手腕的右边，沿逆时针方向，终止于右手手腕的左边。

进一步地对所述手部区域进行轮廓提取，得到所述手部区域所对应的手部轮廓曲线，如图2(e)所示。

S3、利用离散曲线演化方法简化所述手部轮廓曲线，得到包含指尖特征的手部简化折线；

受到深度传感器分辨率和噪声的影响，采集到的手部轮廓曲线含有大量的噪声和形变，这增加了指尖检测难度。因此将采集到的手部轮廓曲线进行简化，使得简化后的曲线既能消除噪声和形变对指尖检测的影响，同时还能保持较好的视觉外观，就显得尤为重要。本发明实施例中采用基于离散曲线演化的方法来进行简化。

为方便起见，用表示手部轮廓曲线，c₀表示手部轮廓曲线C的起点，c_i表示手部轮廓曲线C的第i个像素点，表示手部轮廓曲线C的终点，N_C表示手部轮廓曲线C的像素点个数；表示手部演化折线，其中p₀＝c₀，p_j表示手部演化折线P的第j个顶点，N_P表示手部演化折线P的顶点个数；K_j为顶点p_j所对应的Δp_j-1p_jp_j+1的视觉显著度，用以表征顶点p_j对手部轮廓曲线C的构成的贡献大小，Δp_j-1p_jp_j+1为顶点p_j所对应的相关三角形；用P^*表示经过离散曲线演化后的手部简化折线；用表示检测到的指尖，其中，t_k表示在P^*上检测到的第k个指尖，N_T表示检测到的指尖的个数，N_T∈{0,1,…,5}。本发明实施例中基于曲线演化的指尖检测方法就是首先通过不断删除手部轮廓曲线C中的像素点，获得保持原有曲线主要特征的手部简化折线P^*，再在P^*上检测指尖T。

具体地，如图3所示，所述步骤(3)具体包括如下子步骤：

S31、令步骤S2中所获得的原始的手部轮廓曲线C(即图2(e)所示)为初始手部演化折线；

用以保证演化过程中起点和终点的不变性。

S32、依次计算视觉显著度并对其按照降序排列得到手部演化折线P的顶点的视觉显著度排列

本发明实施例中曲线演化得以实现的关键在于确定相关三角形Δp_j-1p_jp_j+1的视觉显著度K_j。要求顶点对手部轮廓曲线C的构成的贡献大的顶点，其视觉显著度的值也大。所述视觉显著度K_j的计算方式为：

其中，l(p_j-1,p_j)和l(p_j,p_j+1)分别表示手部演化折线P的第j条边(p_j-1,p_j)和第j+1条边(p_j,p_j+1)的边长，α_j为顶点p_j的转角，即线段(p_j-1,p_j)围绕顶点p_j旋转到(p_j,p_j+1)所扫过的角度。可以证明，上述视觉显著度K_j的大小介于相关三角形Δp_j-₁p_jp_j+1的边(p_j-1,p_j+1)对应高和中线之间，也可以直观地将其看作顶点p_j对应的突起大小。

S33、删除排在末尾的最小视觉显著度及其在手部演化折线P中对应的顶点p，连接手部演化折线P中与原有p相邻的两个顶点，更新这两个顶点对应的相关三角形的视觉显著度并将它们按降序重新插入到中；

S34、重复步骤S33，直到排在末尾的最小视觉显著度大于设定视觉显著度门限值K_T为止，此时得到的手部演化折线P作为最终的手部简化折线(如2(f)所示)；一般情况下，手部轮廓曲线的噪声及形变造成的突起要小于指尖的突起。实验证实，将视觉显著度门限值设置为手部形状最大内接圆半径的40％即可很好地区分噪声形变和指尖特征。

上述手部轮廓曲线演化的时间复杂度主要由子步骤S32和子步骤S33组成。对于子步骤S32，需要对手部轮廓曲线上的像素点所对应的相关三角形的视觉显著度进行排序，其时间复杂度为O(N_C log N_C)，其中，N_C表示手部轮廓曲线的像素点个数。对于子步骤S33，每一次循环删除一个顶点，更新其相邻顶点对应的相关三角形的视觉显著度，其时间复杂度为O(1)；将其按顺序插入到长度为N_C-L的序列当中，其时间复杂度为O(log(N_C-L))，其中，L表示循环次数。故总的时间复杂度为：

在实际系统中，采用有着8GB内存的3.4GHz英特尔i7-4770处理器，并用Matlab实现上述算法，对于一个有着500个像素点的手部轮廓曲线，其所需时间一般不超过50ms。

S4、通过阈值法检测所述手部简化折线中的手指指尖；

将步骤S3中得到的手部简化折线上各个顶点的转角按照降序排列，在排名前五的转角中检测大于设定转角门限值的转角，其对应的顶点即为指尖。一般地，取转角门限值为3π/5可以满足实际指尖检测对准确度的要求。

S5、根据所述手部简化折线中包含的指尖个数以及设定的手势模型进行手势识别。

所述步骤S5具体为：

首先根据所述手部简化折线中包含的指尖个数，对所述手势进行第一次手势识别，得到所述指尖个数所对应的一个或多个手势；

具体地，可以采用基于分段匹配的手势识别方法。基于分段匹配的手势识别方法就是利用指尖对测试手部简化折线和折线模板进行分段匹配，进而识别。

为方便起见，用P^*表示经过离散曲线演化后用于测试的手部简化折线；用表示检测到的指尖，其中，t_k表示在P^*上检测到的第k个指尖，N_T表示检测到的指尖的个数，N_T∈{0,1,…,5}。这里，我们将P^*表示成其中，p_j表示P^*的第j段折线，该段折线的两个端点分别为指尖t_j和t_j+1。

用表示包含有N_T个指尖的手部折线模板集合，其中，Pⁿ表示手部折线模板集合P中的第n个手部折线模板，N_p表示手部折线模板集合P中含有的模板个数。用表示P中第n个手部折线模板Pⁿ上的指尖集合，其中，表示Pⁿ上的第j个指尖，且有类似地，将Pⁿ表示成其中，表示Pⁿ的第j段折线模板，该段折线模板的两个端点分别为指尖和

为方便模板匹配，用Dⁿ表示用于测试的手部简化折线P^*与手部折线模板Pⁿ之间的距离，用表示P的第j段折线p_j与Pⁿ的第j段折线模板之间的距离。此时，我们有

即用于测试的手部简化折线与手部折线模板指尖的距离是对应折线段距离之和。这样，基于离散曲线演化的模板匹配方法就是要在手部折线模板集合P中找出到手部简化折线P^*距离最短的手部折线模板对应的手势类别。

上述模板匹配方法实现的关键在于计算P的第j段折线p_j与Pⁿ的第j段折线模板之间的距离这里，采用折线段相似性度量计算如下：

其中，α(p_j(s))和分别表示折线段p_j和的参数化的转角函数，l(p_j)和分别表示折线段p_j和关于各自对应手部简化折线的归一化长度。上述公式的前两项分别刻画了折线段p_j和在形状和大小上的差异，而最后一项则刻画了它们关于各自对应的手部形状的比例差异。也就是说，距离的值不仅取决于折线p_j和之间的绝对差异，也取决于它们各自与整体之间的相对差异。

本发明以南洋理工大学-微软研究院Kinect手势数据库为例，进行手势识别。该数据库含有十类手势，如图4所示，每类手势含有100个手势样本，总共1000个样本。

利用离散曲线演化方法，我们可以获得测试手势的手部简化折线和指尖个数。依据检测到的指尖个数，我们可以对手势进行第一次识别，其中手势——指尖个数对照表如表1所示。

表1手势——指尖个数对照表

若检测到测试手势指尖个数为0，则对应的手势类别为手势1；若检测到测试手势指尖个数为4，则对应的手势类别为手势5；若检测到测试手势指尖个数为5，则对应的手势类别为手势6；

如果对应一个手势，则为识别结果；如果所述指尖个数对应多个手势，则还需采用模板匹配的方法进行二次手势识别，即将所述手部简化折线与所述指尖个数所对应多个手部折线模型进行比对，得到所述手部简化折线所对应的手势。

例如，在本发明实施例中，如果检测到测试手势的指尖个数为1个、2个或者3个，则采用基于模板匹配的的方法进行二次手势识别。

进一步地，如图5所示，本发明还提供了一种基于深度信息的指尖检测和手势识别系统，包括手部形状获取模块、手部轮廓曲线生成模块、手部简化折线生成模块、指尖检测模块以及手势识别模块，其中：

所述手部形状获取模块，用于获得包含有手势信息的深度图像，并采用阈值法对手部进行粗略分割，得到带有部分前臂区域的手部形状；

所述手部轮廓曲线生成模块，用于对所述带有部分前臂区域的手部形状，通过检测手腕特征标识实现手部区域的精确分割，并提取手部轮廓曲线；

所述手部简化折线生成模块，用于利用离散曲线演化方法简化所述手部轮廓曲线，得到包含指尖特征的手部简化折线；

所述指尖检测模块，用于通过阈值法检测所述手部简化折线中的手指指尖；

所述手势识别模块，用于根据所述手部简化折线中包含的指尖个数以及设定的手势模型进行手势识别。

进一步地，所述手部简化折线生成模块具体包括初始手部演化折线设置子模块、视觉显著度计算子模块、视觉显著度更新子模块以及手部简化折线获取子模块，其中：

所述初始手部演化折线设置子模块，用于令所述手部轮廓曲线生成模块获得的原始的手部轮廓曲线C为初始手部演化折线；其中表示原始的手部轮廓曲线，c₀表示手部轮廓曲线C的起点，c_i表示手部轮廓曲线C的第i个像素点，表示手部轮廓曲线C的终点，N_C表示手部轮廓曲线C的像素点个数；表示手部演化折线，其中p₀＝c₀，p_j表示手部演化折线P的第j个顶点，N_P表示手部演化折线P的顶点个数；K_j为顶点p_j所对应的Δp_j-1p_jp_j+1的视觉显著度，用以表征顶点p_j对手部轮廓曲线C的构成的贡献大小，Δp_j-1p_jp_j+1为顶点p_j所对应的相关三角形，设

所述视觉显著度计算子模块，用于依次计算视觉显著度并对其按照降序排列得到手部演化折线P的顶点的视觉显著度排列

所述视觉显著度更新子模块，用于删除排在末尾的最小视觉显著度及其在手部演化折线P对应的顶点p，连接手部演化折线P中与原有p相邻的两个顶点，更新这两个顶点对应的相关三角形的视觉显著度并将它们按降序重新插入到中；

所述手部简化折线获取子模块，用于重复执行所述视觉显著度更新子模块，直到排在末尾的最小视觉显著度大于设定视觉显著度门限值K_T为止，此时得到的手部演化折线P作为最终的手部简化折线。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。