论文部分内容阅读
当今时代,随着计算机和人工智能技术的不断向前发展,计算机早已渗透到人类生活的各个方面,成为了我们生活中不可缺少的部分。尤其是随着人脸识别、手势识别和体态控制等领域研究的不断深入,各种人机交互技术的成果层出不穷。其中,手势识别技术具有的易操作性和纯自然性,使得该技术被广泛应用于各个领域,例如体感游戏、机器人控制、增强现实、智能家居、手势识别等。手势识别技术正在逐渐的改变着人们的日常生活方式。本文就动态手势跟踪识别与人机交互技术的相关算法具体介绍如下:1.分别研究了基于普通摄像头平台和基于Kinect平台的手势分割算法。在基于普通摄像头平台上,首先,使用鼠标选择出肤色目标,并根据此区域建立肤色模型。然后,把图像中的肤色信息和通过跟踪算法得到的运动信息进行融合。最后,利用分割算法将手势从复杂背景中分割出来。在基于Kinect平台上,将彩色图中的肤色分割算法和深度图中的深度直方图算法融合起来,对手势进行分割,在深度图和彩色图中,实现了手势的自适应分割。2.在特征提取与静态手势识别阶段,研究了基于模板匹配和基于多特征融合的两种静态手势识别算法。在基于模板匹配的算法中,首先,提取手势区域窗口、手势的方向、手势轮廓的周长和面积等特征。然后,基于以上特征进行模板匹配,完成静态手势识别。在基于多特征融合的单、双手识别中,首先,结合深度信息,有效的提取出感兴趣手势区域的RGB图和深度图。然后,将深度图的加权Hu(Hu invariant moments)矩特征与RGB图的HOG(Histogram of Oriented Gradients)特征进行融合,建立支持向量机模型(support vector machine mode SVM)对静态手势进行识别。实验结果表明,该算法对9种手势的识别率都高达95%以上。3.在动态手势识别阶段,结合隐马尔可夫模型(Hidden Markov Model HMM),对有效的轨迹样本进行训练,并对输入手势的质心轨迹进行识别。实验结果表明,该算法能够准确的识别出6种预定义的手势运动轨迹。4.在人机交互阶段,通过TCP协议,将手势与飞行器的视景仿真系统进行整合,在此虚拟系统中,实现了对无人机飞行轨迹的手势控制,完成了人机交互功能。本文在多特征融合基础上,结合支持向量机模型(support vector machine mode SVM),实现了复杂背景下的单、双手的手势识别。在人机交互中,通过局域网,将手势识别结果与三维视景仿真系统中的无人机联系起来,通过手势的变换,完成对无人机飞行姿态的实时准确控制。