本发明属于图像处理领域，涉及一种手势分割方法。
背景技术：
手势识别作为人机交互的重要纽带，主要分成两个方面，一是手势分割；二是手势识别。如何高效且精确的提取出手势区域一直是难点，带有手臂或其他区域会对手势识别产生影响，不仅影响识别的精度，还影响识别的速度。基于此，我们提出了一种基于kalman滤波的手势提取方法。
技术实现要素：
本发明的目的是提供一种可以有效的提取手势区域，提高识别精度的手势分割方法。技术方案如下：
一种基于kalman滤波的手势分割方法，包括下列步骤：
步骤1用kinect采集深度图像和骨骼信息，利用深度阈值分割出大致的手势区域，得到带有手臂和手掌区域的图像；
步骤2kalman滤波的预测阶段，将骨骼点中手掌点和手腕点分别表示为一个六维的状态向量，利用前一帧预测当前帧的状态，得到预测状态向量；
步骤3在kalman滤波的更新阶段，通过当前的测量状态和kalman增益更新预测状态，得到更新后的手掌点和手腕点的坐标信息。
步骤4连接更新后的手掌点和手腕点，得到直线l，在l上的每一个像素点作l的垂线，每条垂线与手势边缘相交，查找所有垂线段中最短的那条，从该垂线段进行分割，去除手掌以下区域；
步骤5去椒盐噪声，用最大矩形框寻找手势区域，并将手势区域裁剪成矩形框大小的图像；
步骤6归一化图像的大小，得到手势区域图像。
附图说明
图1(a)基于深度信息分割出的手势；(b)去除手臂后的手势区域
具体实施方式
采用微软的kinect传感器，获取深度图像和骨骼点的信息。通过获取到的骨骼点信息可以确定手掌点在深度图像中的坐标，而且还能得到手掌点到kinect的距离，我们可以设定一个深度阈值将手掌从背景中分割开来，公式如下：
dpalm-δd1＜z(x,y)＜dpalm+δd2(1)
其中dpalm是手腕点的深度信息，z(x,y)是深度图像中的像素点的深度信息，δd1和δd2代表设定的深度阈值。
实验中必须确保手掌和手腕点的准确性，而微软提供骨骼追踪的程序中会有误差，所以在使用骨骼点坐标前需要对追踪系统进行优化。我们提出了一种基于kalman滤波的骨骼点的优化方法，具体的实现分为两个部分，也就是kalman的两个过程----预测和更新。每一个点用一个四维的向量表示，k-1时刻手掌点表示为
其中，
其中kk是klaman增益，也叫最优kalman增益，方程表示间公式(5)；h是转移矩阵，将四维的状态向量转化为二维测量向量；zk是观测量，它的误差也服从零均值高斯分布。
在每次更新过程协方差矩阵也跟着更新一次，见公式(6)。
在kalman滤波器更新完手掌点和手腕点的坐标之后，接下来需要去除手臂部分，并提取手势部分，最后将图像归一化。具体步骤如下
(1)先是用kinect采集手势的图像，并用手掌点的深度信息对手势区域分割，得到的手势图像如图1所示，
(2)在手势分割的过程中，用kalman滤波将手掌点和手腕点的坐标进行预测和更新，保证手腕点和手掌点坐标的准确性，便于用于下一步的去手臂过程。
(3)去手臂：
a.将上步更正的手掌和手腕点连接起来直线l；
b.直线l上的每一个像素点作l的垂线每条垂线与手势区域想成一条垂线段；
c.查找所有垂线段中最短的那条即为腕线；
d.从该万献初进行分割，去除手臂部分，即可得到手势区域。
(4)提取手势区域
a.去燥(椒盐噪声)，去出手势外区域的干扰；
b.寻找手势的轮廓，确定其中最大轮廓即为手势区域；
c.将手势转化为轮廓大小的图像。
(5)归一化，将图像变成28*28大小的，以便后面的识别过程。
本发明的有益效果如下：
(1)手势分割过程中，因手的形状大小，或手的移动引起的骨骼点追踪不准确的情况，用kalman滤波能有效的去除这种干扰。
(2)手势分割后可能会存在残留手臂的情况，我们提出的方法能有效的去除手臂，在识别的时候就能提高手势识别的精度。