[发明专利]一种基于面积特征的PCA静态手势识别方法

说明书

技术领域

本发明涉及一种手势识别的方法，属于人机交互领域。具体涉及一种基于面积特征的PCA静态手势识别方法。

背景技术

目前，手势识别分为基于可穿戴设备和基于视觉的两种手势识别方式。基于可穿戴设备的手势识别主要以数据手套作为输入设备的手势识别为主，而基于视觉的手势识别则只需要单个或多个摄像头作为输入设备手即可。基于穿戴设备的手势识别的优点是获取的手势数据精度高，其缺点是设备价格昂贵，使用不便。而基于视觉的手势识别系统因计算过程复杂，获取图像受光照影响较大，从而导致识别率和实时性均较差；其优点是设备价格相对较低并且不干扰用户行为，学习使用简单灵活，交互自然。

基于视觉的手势识别主要有如下几种方法。基于神经网络的手势识别，其特点是自组织、自学习、抗干扰，因对时间序列处理能力不强，多用于静态手势识别；基于隐马尔科夫模型的手势识别，这是一种统计分析模型，能非常细致的描述手势信号的时空变化，通常用于动态手势识别；基于几何特征的手势识别方法，主要是选取手势的几何矩特征、边缘轮廓特征或手势区域特征对图像进行特征点提取，然后根据各种距离进行模板匹配(Model Matching)，如Hausdorff距离和欧式距离等。

E.Stergiopoulou等提出了一种基于手势自调整、自组织、自适应的神经网络(Neural Gas network)，该神经网络通过对手势的特征的提取并进行处理，最终成功识别了手势；Heung-ll Suk等提出了一种对视频中的手势进行识别的动态贝叶斯网络，该方法能够对视频中手势和与之类似的情况中的手势成功识别；Noriko Yoshiike等通过运用最大神经网络分割出手势图像，从而进行手势识别；李绍志等提出了自动编码和主成分分析(请参考：王松,夏绍玮.一种鲁棒主成分分析(PCA)算法[J].系统工程理论与实践,1998,18(1):9-13.)结合的方法用于美国表示语言(American sign language,ASL)的识别，使成功率由75％提升至99.05％。

Daehwan Kim等为解决视频动态手势识别中手势识别在手势分割后的识别不及时性，提出了一种向前标记的积累隐马尔科夫模型算法，使得视频中动态手势的分割和识别同时进行，识别精度高达95.42％；Tim Dittmar等提出了一种转化隐马尔科夫模型用于触摸手势识别，效果良好；陈冯胜等人提出了一种实时的手势分割的隐马尔科夫模型，成功识别了20种手势且识别率高达90％。

但是，目前基于视觉手势识别算法存在的主要问题是：获取图像的大小不一、图像的旋转角度不同，图像翻转问题以及手势识别实时性等问题。

发明内容

本发明的目的在于解决上述现有技术中存在的手势图像旋转、翻转和大小不一的问题，提供一种基于面积特征的PCA静态手势识别方法。

本发明是通过以下技术方案实现的：

一种基于面积特征的PCA静态手势识别方法，包括：

第一步，对于通过摄像头捕捉到的图像进行处理，获得标准的手势图像；

第二步，对第一步得到的手势图像进行包围盒处理，并将其投影到标准图像；

第三步，获取第二步得到的标准图像中的手势区域形心、最远点和主方向；

第四步，获取标准图像12区域最远点特征信息；

第五步，获取标准图像的面积特征信息；

第六步，采用PCA算法进行静态手势识别。

所述第一步是这样实现的：

对于通过摄像头捕捉到的图像采用基于RGB和YCbCr颜色空间肤色模型对手势区域进行分割处理，得到手势图像；

对所述手势图像进行以下处理：

两次八领域去噪，消去图像中的噪点；

腐蚀处理，使手势图像中略微相连的连通域划分为两个独立的连通域；

连通域处理，并计算各个连通域的面积，将较大的非手势区域做背景处理，即将非手势区域置为黑色，手势区域置为红色；

对处理后的图像进行膨胀处理，还原经过腐蚀处理的图像。

所述第二步是这样实现的：

依次从图像的各个边向内部扫描，当扫描线碰到手势图像时即为包围盒该边的边界，四个边界围成的矩形即为此手势图像的包围盒；

包围盒外部的区域为无效数据区域，包围盒内部的区域为有效数据区域；

将包围盒区域图像映射到标准图像上。

所述将包围盒区域图像映射到标准图像上是这样实现的：

采用的标准图像大小为100*100，具体步骤如下：