一种基于hog+svm框架的手势内平面旋转检测模型生成方法
【技术领域】
[0001] 本发明涉及一种基于H0G+SVM框架的手势内平面旋转检测模型生成方法，属于图 像处理以及模式识别技术领域。
【背景技术】
[0002] 随着计算机普及和迅速的发展，人们的生活已离不开对计算机的使用。众所周知， 以往的人和计算机交互方式是通过特定的输入输出设备，如有键盘、鼠标、手写笔、扫描仪 等。然而，近几年随着多媒体技术的发展、计算机性能的不断提升，个人计算机（PC)已经具 备基本的语音处理、图形图像处理等多种通信媒体的功能。为提高计算机的易用性和人机 交互的自然性，新型输入技术已日趋成为一个备受关注的研宄热点领域。人工智能的飞跃 发展和新式输入输出设备如雨后春笋般的不断涌现，使得计算机变得越来越智能化，人机 交互也变得更加的自然。人机交互技术的研宄历经以计算机为中心的传统交互，现在已逐 步转移到以人为中心的多种通道、多种媒体的新型交互技术上来。体势识别、人脸识别、表 情识别、头部跟踪、眼球跟踪以及手势识别等都是为符合人的习惯而出现的新型人机交互 技术。生活中，我们常用手势来表达某种特定的意图，例如表示0K，为路人指示方向，表示数 字等等。这些现象均说明了手势操作的频繁性和直观自然性，同时也使得人们希望将手势 可以用来与自己的计算机进行交互中。例如，用户可以定义适当的手势来对设备进行控制 等。
[0003] 手势识别作为多模式人机接口技术重要部分，涉及了多个学科的研宄领域，例如 计算机视觉、人工智能、模式识别等。基于视觉的手势检测是手势识别方法重要的组成模 块。传统的基于视觉的手势检测的方法存在如下缺点：要求背景和人手区域在颜色空间上 具有很好的区分性，光照环境等环境因素不能对图像帧的造成太大干扰；手臂区域，头部区 域和人手因光滑而形成的阴影等影响因素也要考虑在列。
[0004] 为了实现行人检测，Dalal等人首次提出了 H0G+SVM的检测框架。方向梯度直方图 (Histogram of Oriented Gradient，简称HOG)是一种在计算机视觉和图像处理中用来进 行物体检测的特征描述子。支持向量机（Support Vector Machine，简称SVM)是一种可用 作特征空间分类的机器学习方法。随着研宄的深入，很多研宄学者对HOG特征提出了许多 优秀的改进方法，然而所有的方法均是针对于HOG特征的提取速度如何进行提升，以及提 升后如何确保精度，例如，Wang等人提出将积分图的概念和三线性插值的方法应用到HOG 特征的提取方法中。经过研宄发现，既定的手势也是可以通过基于H0G+SVM框架进行检测 定位的。但目前对于平面内手势旋转的SVM模型转换的问题并没有相关研宄，仅仅对既定 手势的模型训练需要大量的数据采集工作。
【发明内容】
[0005] 本发明的目的是为了解决基于H0G+SVM检测框架的平面内多旋转方向的手势检 测问题，首先是通过对HOG特征进行改进；其次是利用特定几个方向范围的规定手势SVM模 型转换成其他各个方向范围的既定手势SVM模型；最后，利用提出的基于HOG特征的多SVM 模型检测程序进行对摄像头前的既定手势进行检测定位。
[0006] 本发明提供的基于H0G+SVM框架的手势内平面旋转检测模型生成方法，具体包括 以下几个步骤：
[0007] 步骤1 :采集特定方向范围的手势数据集；
[0008] 手势数据集包含两个部分：（1)含既定手势的正样本数据集；（2)不含既定手势的 负样本数据集。将平面内任意90度范围内分为2~3个子范围，然后按照划分的范围采集 手势数据集。
[0009] 步骤2 :提取特定方向各子范围内样本数据集的HOG特征，并利用SVM方法训练对 应的SVM模型；
[0010] 利用改进的HOG特征方法对正负样本数据集进行特征提取，生成正负样本HOG特 征文件；利用线性SVM对HOG特征文件训练，生成对应该对应样本数据集的SVM模型；
[0011] 步骤3 :生成平面空间内其他各个方向范围的SVM模型；
[0012] 利用SVM模型转换算法对步骤2中生成90度内各子方向范围的SVM进行处理，进 而生成其他三个90度方向范围的SVM模型；
[0013] 步骤4 :调节SVM模型参数，并用于多模型检测程序；
[0014] 根据实际情况对线性SVM模型常数项的值进行调节设定，将生成SVM模型集用到 基于HOG特征的多SVM模型检测应用程序中。
[0015] 相对于现有技术，本发明的优点和积极效果在于：
[0016] (1)解决了基于H0G+SVM检测框架的平面内手势旋转的SVM模型转换问题；
[0017] (2)有效减少了基于HOG特征的SVM模型训练过程，很大幅度上降低了手势数据集 采集所带来的大量工作；
[0018] (3)通过理论和实验均可证明，本发明中所提出的SVM模型生成方法的可行性，并 不会降低SVM模型的检测精度；
[0019] (4)通过实际运行情况可表明，本发明提出的方法能够应用于复杂背景下手势检 测；在光照条件干扰下也具有一定鲁棒性和健壮性。
【附图说明】
[0020] 图1为本发明基于H0G+SVM框架的手势内平面旋转检测模型生成方法的流程示意 图；
[0021] 图2为本发明方法中HOG特征提取的流程图；
[0022] 图3为本发明方法中基于HOG特征的SVM训练流程；
[0023] 图4为本发明方法中基于HOG特征的线性SVM转换方法；
[0024] 图5为本发明中基于HOG特征的多SVM模型检测框架；
[0025] 图6为本发明中采集FIVE手势的数据集示例图；
[0026] 图7为本发明中FIVE手势数据集上SVM模型转换结果的DET图。
【具体实施方式】
[0027] 下面将结合附图和实施例对本发明作进一步的详细说明。
[0028] 本发明研宄了一种基于HOG+SVM框架的手势内平面旋转检测模型生成方法，本方 法利用Web摄像头不间断的抓取镜前的图像帧，然后通过基于HOG+SVM的检测框架判断帧 内是否包含规定手势以及定位其在帧内的位置。本发明有效地解决了基于HOG+SVM检测框 架的平面内手势旋转的SVM模型转换问题，大大降低了规定手势数据采集为开发人员所带 来的浩瀚工作量。
[0029] 本发明中提出的方法总体而言主要包括四个部分：（1)收集特定几个方向范围的 规定手势数据集，（2)提取各个方向图像集的HOG特征并利用SVM方法训练SVM模型，（3) 生成平面空间内其他各个方向范围的SVM模型，（4)根据实际情况调节SVM模型参数并投 入到基于HOG+SVM框架的多模型检测应用程序。其中，对HOG特征进行了一定的改进，所使 用的SVM模型内核类型为线性SVM内核。
[0030] 本发明通过研宄HOG特征在空间上分布的特性和线性SVM方法正负支持向量的叠 加方式，提出了一种既定旋转方向SVM模型的转化方法。
[0031] 本发明提出的基于HOG+SVM检测框架的平面内多旋转方向的手势检测方法的具 体实现步骤如图1，包括以下几个步骤：
[0032] 步骤1 :采集特定几个方向范围的规定手势数据集；
[0033] 手势数据集包含两个部分：
[0034] (1)正样本数据集，指含既定手势的数据；
[0035] (2)负样本数据集，指不含既定手势的数据。
[0036] 将平面内任意90度范围内可分为2~3个子范围，然后按照划分的范围进行采集 手势数据集。
[0037] 部分FIVE手势样例如图6所示。对于采集正负样本数据集的要求如下：
[0038] (1)负样本数据集需要样本具有多样性，即指图像中具有丰富的场景或纹理；
[0039] (2)正样本数据集需要人手多样性，即人手具有大小长短颜色之分，需要尽可能采 集多种情况；
[0040] (3)正样本数据集需要场景的多样性，具体区分之为：光线条件，背景纹理，拍摄 角度等。
[0041] 步骤2 :提取特定方向各子范围内样本数据集的HOG特征，并利用SVM方法训练对 应的SVM模型；
[0042] 利用改进的HOG特征方法对既定手势的正负样例数据集进行特征提取，即生成正 负样例HOG特征文件。然后，利用线性SVM对该HOG特征文件训练，生成对应该对应样本数 据集的SVM模型。本发明使用LibSVM库提供的线性SVM为工具集。具体的SVM模型训练 过程见图3所示。
[0043] 其中，提取HOG的子步骤，如图2所示，具体是：
[0044] 步骤2. 1 :预处理，即设定HOG相关参数，加载HOG梯度投值空间对应的字典等；
[0045] 其中，HOG特征主要的相关参数包括：
[0046] a、SVM 模型检测窗口 的大小（Window Size);
[0047] b、梯度投值空间分区数（Bins);
[0048] c、窗口中块的大小（Block Size);
[0049] d、块中细胞单元的大小（Cell Size)。
[0050] 步骤2. 2:计算梯度，即利用[-1 0 1]和[-1 0 1]τ算子对样本图像进行卷积处 理，将结果分别作为dx和dy，计算图像的梯度，包含幅值和方向。
[0051] 步骤2. 3 :将步骤2. 2中所得梯度根据方向进行投票，生成基于块（Block)的梯度 方向直方图。具体可分为两个子步骤：
[0052] a、对每个块（Block)的各个细胞单元（Cell)通过其内的像素按照梯度方向投值， 从而建立一个梯度方向直方图；
[0053] b、需要在块（Block)区域内的细胞单元（Cell)中心间做双线性插值操作。
[0054] 步骤2. 4 :对基于块（Block)的梯度方向直方图进行对比度L2-norm归一化；
[0055] 步骤2. 5 :将各个块（Block)上的梯度方向直方图进行排序形成HOG特征；
[0056] 需要注意的是，本发明改进的HOG特征提取中步骤2. 3中将梯度投值空间划分为 偶数，本发明实施例中取8。
[0057] SVM模型训练的模型如图3所示，样例分为训练集和测试集，对样例进行HOG特征 提取，进行线性SVM训练，生成模型提供给线性SVM测试，对测试样例进行测试。
[0058] 步骤3 :生成平面空间内其他各个方向范围的SVM模型。
[0059] 利用SVM模型转换方法对步骤2中生成90度内各子方向范围的SVM模型进行处 理，进而生成其他三个90度方向内子范围的SVM模型。
[0060] 其中，SVM模型转换方法的子步骤如下，如图4所示：
[0061] 步骤3. 1 :预处理，利用样本图像的长宽，梯度空间投值区间数（Bin)和HOG块