论文部分内容阅读
随着计算机技术的不断发展,基于计算机视觉的智能控制与人机交互得到越来越多人的关注。能够满足人们大量数据交互需求的新型人机交互技术是未来计算机发展的趋势之一。手势跟踪与识别作为便捷的、自然的人机交互手段,其重要性也越来越明显。本文从智能控制与人机交互的角度出发,研究了基于自适应活动轮廓模型的手势跟踪技术。论文从手势检测与分割、手势跟踪、模型更新及结果预测和自适应活动轮廓的实时跟踪等方面进行了研究。论文的具体研究工作有以下几点:1.针对现有手势检测不准确、手势分割偏差等问题,提出一种基于椭圆肤色模型的手势检测与分割方法。该方法首先将YCbCr颜色空间中的肤色分布投影到CbCr空间中,利用肤色投影在该空间近似椭圆的特性检测肤色区域;然后,结合基于运动信息的帧间差分方法对手势进行检测并分割;最后,利用Canny算子提取手势轮廓。仿真实验表明:该方法在复杂的场景环境下进行手势分割能够取得较好的效果。2.针对实时条件下对手势进行跟踪所面临的周围环境中相同肤色及微小运动对跟踪效果产生较大影响的问题,本文提出一种将混合高斯模型与Mean Shift算法相结合的手势精确跟踪方法。该方法首先利用混合高斯模型对周围背景进行建模,然后利用背景差分法获取手势的图像,并对手部肤色进行建模,自动获取跟踪目标,最后利用Mean Shift算法对获取的手势进行跟踪。仿真实验表明:本文提出的方法在复杂环境下对手势进行跟踪,取得了很好的效果,跟踪效率明显提高。尤其在手势发生形变的时候,本文算法表现出较强的稳定性。3.针对跟踪过程中目标模型会产生变化影响跟踪结果的问题,本文提出一种基于Mean Shift的手势模型更新与结果预测的方法。该方法首先利用背景差分与肤色检测结合的方式检测并获取手势模型,然后利用Mean Shift算法对手势进行跟踪并对手势模型进行更新,最后利用Kalman算法对手势跟踪结果进行预测。仿真实验表明:该方法减少了周围环境对手势跟踪过程的影响,跟踪效果较好。4.针对手势跟踪过程中手势变化及形变会影响手势跟踪结果等问题,本文提出一种基于水平集的自适应活动轮廓模型的手势跟踪方法。该方法首先利用椭圆肤色模型与帧间差分方法对手势进行检测与分割,然后利用分割结果对水平集初始化并对水平集进行迭代更新,最后利用Kalman算法对手势轮廓进行跟踪。仿真实验表明:该方法能够对手势轮廓进行很好的跟踪。5.在VC++6.0的基础上,利用OpenCV视觉库实现了一个简单的实时手势跟踪系统。该系统自动分割并且选取手势作为跟踪目标,较为稳定的实现了对手势的持续跟踪,为后续动态手势识别做了准备。