手势图像特征提取与识别技术研究

发布时间：2017-10-24 00:10

  本文关键词：手势图像特征提取与识别技术研究

  更多相关文章： 手势识别 梯度直方图特征 W-HOG特征 支持向量机

【摘要】：在近半个世纪的时间里,计算机应用技术得到快速发展,人机交互技术(Human Computer Interaction,HCI)已成为日常生活中不可或缺的一部分。基于视觉的手势识别在生活和生产中应用广泛,且是人机交互领域下的一个重要分支,继而手势识别成为近年来专家和学者研究的热点。由于自然形态下的手势具有时空差异性和多样性,使得基于视觉的手势识别具有多方面的实用价值和理论意义,极具挑战性。本文就复杂背景下的静态手势识别进行相关研究,主要是在手势分割、手势特征提取以及手势识别方面进行一系列研究与实验,旨在提高静态手势识别的精确性。本文的研究工作主要包括以下几个部分的内容:一、手势分割部分:该部分从两个方面进行研究:预处理和手势分割。预处理部分主要是图片尺寸的归一化,使得所有图片具有统一大小标准,以便进行特征提取和分类识别研究。手势分割方面,本文将基于YCb’Cr’颜色空间的椭圆肤色模型引入手势分割。肤色在YCb’Cr’颜色空间有着很好的聚类性,并且这种肤色聚类区域不随着亮度的变化而变化。实验表明:该方法能精确进行手势分割。二、手势特征提取部分:本文对梯度直方图特征(Histogram of Oriented Gradient,HOG)进行探索性研究,并进行相应的改进。针对HOG特征中每一个block中梯度直方图特征对分类识别的影响不同,累积该误差,对手势的识别效果会有影响。故本文摒弃了经典HOG特征的等权值串联的理念,改进HOG特征形成W-HOG特征,有效的减少该累积误差,并在标准静态手势库进行特征提取,以验证其有效性。三、手势分类识别部分:本文采用支持向量机(Support Vector Machine,SVM)进行手势分类识别实验,支持向量机在解决样本非线性和数量较小等一系列问题具有显著的优越性。本文选用Bochumn Gestures静态手势数据库为基础实验手势数据库,并自行拍摄一组自然背景下静态手势作为辅助数据库,进行手势识别实验。实验数据表明:与HOG-SVM算法相比,本算法在静态手势识别方面具有较高的识别率。
【关键词】：手势识别 梯度直方图特征 W-HOG特征 支持向量机
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-12
• 1.1 研究背景及意义8
• 1.2 课题的国内外研究现状8-10
• 1.3 研究难点10
• 1.4 本文的主要研究内容与整体结构安排10-12
• 第二章 基于视觉的手势识别基本理论12-19
• 2.1 基于视觉的手势识别基本流程12-13
• 2.2 手势分割概述及算法原理13-15
• 2.2.1 光流法13-14
• 2.2.2 背景差分法14
• 2.2.3 基于肤色模型的手势分割14-15
• 2.2.4 基于轮廓模型的手势分割15
• 2.3 图像特征分析15-17
• 2.3.1 图像颜色特征15
• 2.3.2 图像纹理特征15-16
• 2.3.3 图像形状特征16
• 2.3.4 特征点特征16-17
• 2.4 图像识别技术17-18
• 2.4.1 支持向量机算法17
• 2.4.2 模版匹配法算法17-18
• 2.4.3 人工神经网络算法18
• 2.5 本章小结18-19
• 第三章 静态手势图像分割19-30
• 3.1 静态手势图像分割概述19
• 3.2 颜色空间模型19-22
• 3.2.1 RGB颜色空间模型19-20
• 3.2.2 YCbCr颜色空间模型20-21
• 3.2.3 HSV颜色空间模型21-22
• 3.3 基于YCb’Cr’颜色空间的椭圆肤色模型的建立22-25
• 3.3.1 YCb’Cr’颜色空间模型22-23
• 3.3.2 YCb’Cr’颜色空间椭圆肤色模型的建立23-25
• 3.4 手势分割及形态学操作25-29
• 3.4.1 手势分割25-26
• 3.4.2 形态学操作26-27
• 3.4.3 直方图均衡化和图像归一化操作27-29
• 3.5 本章小结29-30
• 第四章 基于W-HOG的手势特征提取30-38
• 4.1 经典HOG特征原理30-35
• 4.1.1 经典HOG特征提取原理30-33
• 4.1.2 经典HOG特征提取流程33-35
• 4.2 基于W-HOG的手势特征提取35-37
• 4.2.1 基于W-HOG的手势特征提取原理35-36
• 4.2.2 基于W-HOG的手势特征提取流程36-37
• 4.3 本章小结37-38
• 第五章 静态手势识别38-48
• 5.1 支持向量机算法38-41
• 5.1.1 线性分类器38-40
• 5.1.2 非线性分类器40-41
• 5.2 支持向量机在手势识别方面的应用41-43
• 5.2.1 支持向量机多值分类41-42
• 5.2.2 核函数的选择42-43
• 5.3 手势数据库的选择以及实验结果数据统计43-47
• 5.3.1 手势数据库的选择及建立43-44
• 5.3.2 实验结果数据统计44-47
• 5.4 本章小结47-48
• 第六章 总结与展望48-50
• 6.1 论文总结48-49
• 6.2 研究工作展望49-50
• 致谢50-51
• 参考文献51-55
• 作者简介55
• 攻读硕士学位期间研究成果55

【相似文献】

中国期刊全文数据库 前10条

1 马少华,高峰,李敏,吴成东;神经网络分类器的特征提取和优选[J];基础自动化;2000年06期

2 管聪慧,宣国荣;多类问题中的特征提取[J];计算机工程;2002年01期

3 胡威;李建华;陈波;;入侵检测建模过程中特征提取最优化评估[J];计算机工程;2006年12期

4 朱玉莲;陈松灿;赵国安;;推广的矩阵模式特征提取方法及其在人脸识别中的应用[J];小型微型计算机系统;2007年04期

5 赵振勇;王保华;王力;崔磊;;人脸图像的特征提取[J];计算机技术与发展;2007年05期

6 冯海亮;王丽;李见为;;一种新的用于人脸识别的特征提取方法[J];计算机科学;2009年06期

7 朱笑荣;杨德运;;基于入侵检测的特征提取方法[J];计算机应用与软件;2010年06期

8 王菲;白洁;;一种基于非线性特征提取的被动声纳目标识别方法研究[J];软件导刊;2010年05期

9 陈伟;瞿晓;葛丁飞;;主观引导特征提取法在光谱识别中的应用[J];科技通报;2011年04期

10 王华,李介谷;人脸斜视图象的特征提取与恢复[J];上海交通大学学报;1997年01期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：1086059