基于时空轨迹特征的HMM动态手势识别研究

摘要

随着人机交互的发展，形象、生动、直观的手势动作被当作人机自然的交流手段，使用户摆脱了键盘、鼠标等传统输入方式的束缚，在人机交互领域中具有不可估量的意义。从手势的输入设备分类，主要有两类手势研究方向:基于数据手套的手势研究和基于视觉的手势研究。从手势识别的对象来分类，手势识别的研究又分为静态手势识别和动态手势识别。
　　本文的工作主要从两个方面进行了阐述:基于HU矩特征的静态手势识别的研究和基于时空轨迹的动态手势的识别。
　　医学虚实融合系统中的实时手势建模与识别技术研究项目中的手势识别是实现虚实交互的关键技术。虚实交互环境中的手势识别存在手势识别率低、识别结果不稳定，和虚实交互效果不好等问题。本文提出基于HU矩的手势识别方法，HU不变矩具有平移、旋转、大小的不变性，通过提取手势轮廓的HU不变矩，应用SVM识别方法实现实时的手势识别。实验证明应用该方法在虚实交互环境中的手势识别交互结果稳定，在虚实交互中有很好的结果。
　　动态手势识别相对于静态手势识别不只有手形的变化，还包括时间和空间上的变化，涉及到对手的时空运动轨迹的识别的研究。本文提出了基于改进的粒子滤波的动态手势的跟踪方法，并提出应用动态手势轨迹特征的方向角作为动态手势的特征，应用隐马尔科夫模型(HMM)对动态手势进行识别，通过实验证明基于手动作的时空轨迹特征的动态手势识别的方法研究具有较好的实验效果。

目录

摘要

第1章 绪论

1．1 引言

1．2 手势识别国内外发展现状

1．3 论文组织结构

第2章 基于视觉的手势识别的算法研究

2．1 手势检测算法

2．1．1 背景差法

2．1．2 混合高斯模型

2．1．3 光流法

2．2 手势跟踪算法

2．2．1 粒子滤波

2．2．2 卡尔曼滤波

2．2．3 CAMSHIFT滤波

2．3 手势识别算法

2．3．1 神经网络

2．3．2 动态时间规整(DTW)

2．3．3 隐马尔科夫模型(HMM)

2．3．4 支持向量机(SVM)

第3章 基于HU矩和SVM的静态手势识别

3．1 肤色分割

3．2 二值化手势图像

3．3 形态学去噪声

3．4 轮廓提取

3．5 HU不变矩

3．6 支持向量机SVM

3．7 研究开发环境和实验结果

3．8 系统开发结果

第4章 基于时空轨迹的HMM的动态手势识别

4．1 基于改进的粒子滤波的动态手势的跟踪

4．1．1 变权平均对粒子滤波算法

4．1．2 实验结果及分析

4．2 动态手势的时空轨迹特征选择与提取

4．3 基于HMM的动态手势识别

4．3．1 隐马尔科夫模型

4．3．2 HMM模型的三个问题

4．4 实验过程及结果

4．5 本章小结

第5章 总结与展望

参考文献

攻读硕士学位期间发表学术成果

致谢

声明