基于視覺(jué)的靜態(tài)手勢(shì)識(shí)別中關(guān)鍵技術(shù)的研究.pdf

1、在信息技術(shù)高速發(fā)展的今天，計(jì)算機(jī)作為一項(xiàng)偉大的發(fā)明，正深刻地影響著人們生活的方方面面。以生物識(shí)別技術(shù)為基礎(chǔ)的自然人機(jī)交互技術(shù)作為計(jì)算機(jī)技術(shù)的一項(xiàng)重要應(yīng)用，與人們的日常生活息息相關(guān)。基于計(jì)算機(jī)視覺(jué)的生物識(shí)別技術(shù)是指利用計(jì)算機(jī)技術(shù)對(duì)圖像或視頻進(jìn)行處理，通過(guò)提取人體特有的生物特征，實(shí)現(xiàn)對(duì)生物體的識(shí)別，該技術(shù)正在成為人工智能領(lǐng)域的一大研究熱點(diǎn)。利用生物識(shí)別技術(shù)進(jìn)行人機(jī)交互相比傳統(tǒng)的技術(shù)具有便利性、唯一性等優(yōu)點(diǎn)。常用的生物特征包括人臉、指紋、虹膜

2、和手勢(shì)等，其中手勢(shì)特征相比其他生物特征具有生動(dòng)、自然和信息量豐富的特點(diǎn)。但是，由于人手具有不確定性和多重性，手勢(shì)識(shí)別技術(shù)還有許多問(wèn)題有待解決，因此手勢(shì)識(shí)別正在成為人機(jī)交互領(lǐng)域研究的熱點(diǎn)及難點(diǎn)。手勢(shì)識(shí)別系統(tǒng)主要包括三個(gè)部分:圖像預(yù)處理、特征提取和分類識(shí)別。本文主要研究了基于視覺(jué)的靜態(tài)手勢(shì)識(shí)別的相關(guān)算法，重點(diǎn)研究了特征提取算法與分類識(shí)別算法。針對(duì)這兩部分內(nèi)容，本論文主要做了以下工作:
　　第一，詳細(xì)研究了經(jīng)典的特征提取算法和分類識(shí)別算

3、法，并對(duì)它們的算法原理、算法步驟以及優(yōu)缺點(diǎn)進(jìn)行了細(xì)致的歸納總結(jié)。
　　第二，針對(duì)基本的局部二值模式(Local Binary Patterns，LBP)算法識(shí)別率偏低，提取的特征維數(shù)偏大的缺點(diǎn)，本文提出了一種基于多鄰域加權(quán)融合的局部二值模式算法，該算法是對(duì)基本LBP算法的一種改進(jìn)。分別利用不同的處理策略由每一個(gè)中心像素點(diǎn)外兩層的鄰域點(diǎn)計(jì)算得到兩幅LBP編碼圖像，并對(duì)它們進(jìn)行統(tǒng)計(jì)得到兩幅256維的直方圖，然后將這兩幅256維的直方圖

4、均勻量化為32維，最后將這兩個(gè)32維的直方圖進(jìn)行加權(quán)融合得到一個(gè)32維的直方圖作為最終的特征向量。通過(guò)在手勢(shì)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果證明，我們所提出的改進(jìn)算法能夠在提高手勢(shì)識(shí)別率的同時(shí)大幅度地降低特征維數(shù)，從而提高運(yùn)算速度。
　　第三，深入研究了非負(fù)矩陣分解(Non-Negative Matrix Factorization，NMF)算法與壓縮感知(Compressive Sensing，CS)算法，并利用這兩種算法設(shè)計(jì)了一個(gè)手勢(shì)識(shí)別系