论文部分内容阅读
伴随着云计算、区块链、物联网和人工智能的飞速发展,人们和机器交互的方式不断被重新定义。人们积极探索着更为智能的交互方式,手势识别便是其中之一。手势识别意味着人们可以使用简单的手势来控制物件或是同机器交互,让计算机理解人类的行为。现阶段的手势识别主要是基于视觉的处理方法,受光照等外界因素影响大,对于手部的分离和检测效果不理想。本文研究的是基于微软体感设备——Kinect传感器的手势识别,利用骨骼跟踪定位手部关节从而分割出手部区域。设计了支持向量机(Support Vector Machine,SVM)和误差逆向传播(Back Propagation,BP)神经网络两种手势识别算法,并采用遗传算法对BP算法进行优化,识别率提升至97.59%,比优化前提升了2.2%。本文的主要工作如下:(1)分析研究国内外手势识别方法的相关理论知识及其优缺点,发现现阶段手势识别的方法在分离提取手部这方面存在难点,研究分析了Kinect传感器的深度成像原理及其在人体骨骼跟踪方面的技术优势。(2)使用Kinect传感器定位手部关节,分离手部区域,再进行图像处理和手部轮廓提取。利用区域分割法,依据空间深度信息将手部前后方的区域分离开,仅保留手部这一深度的图像。这样可使手势识别几乎不受背景和光照等外界环境影响。运用中值滤波和腐蚀膨胀进行图像处理,再用链码来提取手部轮廓。(3)采用图像不变矩表征手势特征,其具有平移、缩放、旋转不变性。设计了SVM算法和BP算法进行手势识别。使用了基于高斯核函数的支持向量机分类器,因其学习收敛较快,对于小样本、低维度的情况具备良好的学习特性。通过实验确定SVM分类器和BP算法的参数并用于手势识别。为了进一步提升识别效果,提出了经遗传算法优化的神经网络来获得最优权值和阈值,解决了收敛慢和局部极小化问题。本文使用Kinect采集了大量的人体图像样本数据;采用中值滤波和形态学处理法进行图像处理;设计了SVM和BP两种手势识别算法;并基于遗传算法,对BP算法进行了优化。采用手势识别的准确性、实时性、稳定性三个指标评估了手势识别效果,结果表明本文所研究的手势识别算法具有一定的应用意义,且能够有效地提升手势识别率和效率。