基于手臂去除的静态数字手势识别

摘要

随着计算机技术和网络技术的发展，人与计算机之间的交互也变得更加频繁。人机交互技术需要不断更新，以满足人们对自然交流的需求。与传统人机交互方式（例如键盘和鼠标）相比，基于手势识别的人机交互方式更加自然和简单。手势识别在人机交互领域中的应用十分广泛（例如手势遥控和手语识别），因此手势识别是人机交互领域中的一个重要研究课题。
　　数字手势是人们日常生活中最常用的手势，静态数字手势相比动态数字手势来说，使用范围广，使用频率高。针对静态数字手势在不同国家不同地区存在差异的情况，定义十类静态数字手势（手势0-手势9）。针对手臂造成的信息冗余性，手臂长短造成的特征差异性，重点研究去除手臂的方法。为了评估手臂去除方法的有效性，定义三种手臂情形——未裸露手臂、裸露少量手臂和裸露较多手臂。在此基础之上，提出了基于手臂去除的静态数字手势识别算法。
　　1.现有手臂去除方法主要基于边界宽度，通过寻找最小边界宽度确定腕线位置，要求手臂竖直或腕线垂直于手部主轴。对于手臂旋转或腕线平行于手部主轴的情况，现有方法效果不太理想。针对此问题，提出一种基于距离变换和内外层切割线段的手臂去除方法。
　　2.在手臂去除的基础上，提出一种基于掌心外割圆的指尖个数计算方法。
　　3.在手臂去除的基础上，提出使用Hu矩和指尖个数作为静态数字手势的特征，使用三层BP神经网络作为分类器，来进行静态数字手势识别。
　　通过在自建的静态数字手势图片库上分别进行手臂去除、指尖个数计算和手势识别的实验，证明基于距离变换和内外层切割线段的手臂去除方法具有较好的鲁棒性，能适应三种手臂情形，也能适应手势旋转和手势大小改变;证明基于掌心外割圆的指尖个数计算方法具有较高的正确率;证明使用Hu矩和指尖个数作为手势特征、三层BP神经网络作为分类器，比使用Hu矩作为手势特征、三层BP神经网络作为分类器，能提高手势识别率。