面向移动端复杂背景的手部检测算法研究及应用

摘要

随着移动设备和人机交互技术的日益发展和结合，移动端手部检测技术的研究也越来越重要。面向移动端复杂背景的手部检测主要面临两方面的挑战。一方面移动设备有限的计算资源和存储空间对性能的影响，另一方面移动设备的复杂背景对检测效果的影响。因此，算法应同时具备较高的识别精度和运算性能。
　　针对面向移动端的复杂背景的手部检测问题，从像素级和区域级检测两个层面着手研究，提出了基于可变特征的结构化森林和基于改进ACF和Edge Boxes的手部检测算法，有效地提高了移动终端手部检测的精度和性能。
　　论文主要工作如下：
　　1.详细分析了移动端复杂背景手部检测所面临的主要问题和局限性，并给出相关假设和解决方案。除移动设备本身有限的计算资源和存储空间局限性之外，还涉及五个方面：1）三维空间中视角不同会引起二维图像剧烈变化；2）光照条件的变化；3）手部姿态的多样性；4）含类肤色物体的背景；5）手部轮廓的不完整性。
　　2.针对像素级手部检测问题，在随机森林算法框架中引入可变特征和结构化学习，提出了基于可变特征的结构化森林。该算法通过在多个特征空间中进行节点分裂，并对输出空间进行结构化，使算法具有更好的判别和泛化能力，从而将图像中的手部像素从背景中分离出来。
　　3.针对区域级手部检测问题，基于多色彩空间肤色模型，结构化边缘检测，Edge Boxes，以及空间金字塔池化，对ACF特征进行改进，并与AdaBoost相结合进行手部检测，从而将手部所在的矩形区域标识出。
　　4.最后本文以移动端手势绘图系统作为原型系统，采用上述方法实现对手部区域的检测，获取手部轨迹，完成移动图形对象等操作。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 移动端手部检测研究分析

1.4 本文的主要工作

1.5 论文结构安排

第2章 相关理论基础

2.1 色彩空间肤色模型介绍

2.2 Edge Boxes算法简介

2.3 提升树算法介绍

2.4 本章小结

第3章 基于可变特征结构化森林的像素级手部检测

3.1 结构化随机森林简介

3.2 使用可变特征的结构化随机森林

3.3 本章实验

3.4 本章小结

第4章 基于改进ACF特征的区域级手部检测

4.1 ACF特征简介

4.2 基于边缘直方图的ACF特征

4.3 基于Edge Boxes和空间金字塔的多尺度ACF特征

4.4 本章实验

4.5 本章小结

第5章 应用展示

5.1 实现思路

5.2 实例展示

5.3 本章小结

第6章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

攻读学位期间参加的科研项目和成果