[发明专利]基于视觉的静态手势识别方法

说明书

技术领域

本发明涉及一种控制方法，特别是一种应用于计算机辅助哑语教学、电视节目双语播放、虚拟人的研究、电影制作中的特技处理、动画的制作、医疗研究、游戏娱乐等诸多方面，同时也有助于改善和提高聋哑人的生活学习和工作条件，为他们供更好的服务的基于视觉的静态手势识别方法。

背景技术

1991年富士通实验室完成了对46个手语符号的识别工作

2003年12月，美国密歇根州的Cybernet系统公司开发出一套名为手势风暴的系统，是公司针对天气预报节目开发的，主持人可以通过简单的手势来控制预报的进程。

2008年，日本东芝公司设在英国剑桥大学的一个研究实验室的科学家发明了“手势交互技术”(gesture interface technology)，它可以使看电视的人通过简单的手势来控制电视。

现有技术中存在以下的技术困难：

(1)手势目标检测的困难

目标的实时检测是指在人以复杂的背景条件下从图像流中检测出目标来，这是机器视觉主要研究的课题之一。

(2)手势目标识别的困难

手势识别是根据人手的姿态以及变化过程来解释其高层次的含义，由于手势具有以下特点：

a)是弹性物体，故同一种手势之间差别很大；

b)手有大量冗余信息，由于人识别手势关键是识别手指特征，故手掌特征是冗余信息；

c)位置是在三维空间，因此难以定位，并且计算机获取的图像是三维向二维的投影，因此投影方向很关键；

d)手的表面是非光滑的，因此易产生阴影。

发明内容

本发明为了克服上述现有技术的不足，本发明提供一种识别效果好的基于视觉的静态手势识别方法。

本发明解决其技术问题所采用的技术方案是：提供一种基于视觉的静态手势识别方法，其包括以下步骤：S1手势图像预处理，根据人体的肤色特征从环境中分割出手区域，然后通过图滤波及图像形态学操作得到手势轮廓；S2手势特征参数提取，提取了Hu不变矩特征，手势区域特征以及傅立叶描述子参数，组成特征向量；S3手势识别，使用多层感知器分类器，该分类器具有自组织和自学习能力，能有效的抗噪声和处理不完整模式以及具有模式推广能力。

本发明解决进一步技术问题的方案是：所述的步骤S1包括S11二值化手势图像，S12平滑滤波去噪以及S13轮廓提取。

本发明解决进一步技术问题的方案是：所述的S11二值化手势图像是根据人体的肤色信息对原始的手势图像进行二值化处理，得到人手区域。

本发明解决进一步技术问题的方案是：所述的S12平滑滤波去噪使用中值滤波和线性平滑滤波对手区域二值图进行去噪，得到清晰地手势区域。

本发明解决进一步技术问题的方案是：所述的S13轮廓提取采用拉普拉斯边缘提取算法。

本发明解决进一步技术问题的方案是：所述的手势区域特征包括手势区域面积与手势区域矩形面积的比值，手势区域的长宽比，手势二值图的重心将手势外接矩形分割的上下两段的比例，手区域面积以及手势轮廓的周长。

相较于现有技术，本发明的基于视觉的静态手势识别方法在对原始的手势图像进行特征参数提取之前，先进行预处理，根据人体的肤色特征将原始的手势图像二值化，并对手势图像的二值图通过图像增强的方法去噪，得到没有噪声的二值图，然后对二值图进行边缘提取，得到手势的轮廓，提取的手势特征参数有三组，分别为Hu不变矩特征，手势区域特征以及傅立叶描述子，共同组成特征向量，该组特征具有更好的识别率，使得识别效果好，识别率高。

附图说明

图1是本发明的基于视觉的静态手势识别方法的原理模块示意图。

具体实施方式

如图1所示，本发明提供一种基于视觉的静态手势识别方法，其包括以下步骤：S1手势图像预处理，根据人体的肤色特征从环境中分割出手区域，然后通过图滤波及图像形态学操作得到手势轮廓；S2手势特征参数提取，提取了Hu不变矩特征，手势区域特征以及傅立叶描述子参数，组成特征向量；S3手势识别部分，使用多层感知器分类器，该分类器具有自组织和自学习能力，能有效的抗噪声和处理不完整模式以及具有模式推广能力。

所述的步骤S1包括S11二值化手势图像，S12平滑滤波去噪以及S13轮廓提取。

S11二值化手势图像：根据人体的肤色信息对原始的手势图像进行二值化处理，得到人手区域，算法如下：

对于原始图像的每一个像素

{

    由RGB值计算出该像素的Hue和Satisfaction值；