基于ARM的Kinect手势识别研究

发布时间：2017-10-26 05:15

  本文关键词：基于ARM的Kinect手势识别研究

  更多相关文章： Kinect ARM 手势识别 SVM DTW

【摘要】：随着计算机技术的飞速发展,基于计算机视觉的手势识别技术已成为人机交互技术的关键技术。基于Kinect深度图像进行手势识别技术研究是当今的研究热点,利用Kinect相机可以同时获取图像的彩色和深度信息,将Kinect与嵌入式平台相结合来研究手势识别技术,可为可穿戴计算等相关应用提供技术支撑,具有很好的应用价值。本文的主要工作如下:第一,手势识别技术可以分为:预处理,手势分割,特征提取和分类识别等几个步骤。针对每个步骤分析了常用的算法,为后期提出新的算法提供理论基础。第二,提出一种静态手势识别算法,采用同心圆切割算法获取手势个数特征,结合Hu不变矩的前4个分量作为特征向量,先按手指个数进行预分类,之后,通过SVM分类器进行分类识别。第三,提出一种动态手势识别算法,以归一化的手指长度作为特征向量,结合新的距离模式——锚定距离,采用DTW LB算法进行手势序列识别。第四,针对嵌入式Linux平台,搭建Kinect相机开发环境,对两种手势识别算法进行移植,实现基于ARM嵌入式平台的Kinect手势识别雏形系统。实验结果表明,算法手势识别率平均达到80%以上,且满足了实时性要求。
【关键词】：Kinect ARM 手势识别 SVM DTW
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-11
• 1 绪论11-16
• 1.1 课题的研究背景和意义11
• 1.2 国内外研究现状11-14
• 1.2.1 手势识别技术研究现状11-13
• 1.2.2 嵌入式平台图像处理技术研究现状13
• 1.2.3 本文的研究内容和方法13-14
• 1.3 论文组织结构和章节安排14-16
• 2 手势识别技术中的常用方法16-33
• 2.1 引言16
• 2.2 手势图像预处理16-18
• 2.2.1 局部平均法16-17
• 2.2.2 中值滤波17
• 2.2.3 高斯滤波17-18
• 2.2.4 图像二值化18
• 2.3 手势分割18-23
• 2.3.1 常见的色彩空间介绍18-20
• 2.3.2 基于肤色检测的分割算法20-23
• 2.3.3 基于深度图像阈值分割算法23
• 2.4 特征提取23-27
• 2.4.1 手势简单形状描述特征24-25
• 2.4.2 手势图像的统计特征25-26
• 2.4.3 手势图像的轮廓特征26-27
• 2.5 分类识别27-32
• 2.5.1 模板匹配27-28
• 2.5.2 支持向量机28-29
• 2.5.3 神经网络29-30
• 2.5.4 隐马尔可夫模型30-31
• 2.5.5 动态时间归整31-32
• 2.6 本章小结32-33
• 3 基于Kinect深度图像的静态手势识别33-45
• 3.1 引言33-34
• 3.2 深度图像获取与分割预处理34-38
• 3.2.1 Kinect深度图像获取原理34
• 3.2.2 深度图像阈值分割34-35
• 3.2.3 高斯滤波35-36
• 3.2.4 Canny算子边缘轮廓提取36-37
• 3.2.5 手臂区域切除37-38
• 3.3 特征提取38-40
• 3.3.1 手指个数特征提取38-39
• 3.3.2 Hu不变矩39-40
• 3.4 手势分类识别40-42
• 3.4.1 手势预分类41
• 3.4.2 支持向量机分类识别41-42
• 3.5 实验结果分析42-43
• 3.6 本章小结43-45
• 4 基于Kinect深度图像的动态手势识别45-53
• 4.1 引言45
• 4.2 动态手势分割45-47
• 4.2.1 深度阈值预分割45-46
• 4.2.2 手势区域细分46-47
• 4.3 特征提取47-48
• 4.4 动态手势序列识别48-50
• 4.4.1 DTW算法48-49
• 4.4.2 新的距离模式49-50
• 4.5 改进分层DTW算法手势序列识别50-51
• 4.6 实验结果分析51-52
• 4.7 本章小结52-53
• 5 ARM嵌入式平台的手势识别53-66
• 5.1 引言53
• 5.2 嵌入式系统与ARM芯片简介53-55
• 5.2.1 嵌入式系统简介53-54
• 5.2.2 常见嵌入式操作系统介绍54
• 5.2.3 ARM芯片简介54-55
• 5.3 ARM嵌入式平台开发环境搭建55-60
• 5.3.1 系统硬件环境介绍55-56
• 5.3.2 系统软件环境介绍56
• 5.3.3 ARM嵌入式开发平台的搭建56-60
• 5.4 手势识别算法在嵌入式平台上的实现60-63
• 5.4.1 手势样本库的建立61
• 5.4.2 手势分割及预处理61
• 5.4.3 手势特征提取61
• 5.4.4 手势分类识别61-62
• 5.4.5 手势识别系统实现62-63
• 5.5 实验结果分析63-65
• 5.5.1 静态手势识别算法实验结果分析63-64
• 5.5.2 动态手势识别算法实验结果分析64-65
• 5.6 本章小结65-66
• 6 总结与展望66-68
• 6.1 本文总结66-67
• 6.2 未来研究内容和展望67-68
• 参考文献68-72
• 攻读硕士学位期间发表的论文及所取得的研究成果72-73
• 致谢73-74

【参考文献】

中国期刊全文数据库 前10条

1 邓红莉;杨韬;;基于虚拟现实与手势识别的人机交互系统[J];中国新通信;2015年05期

2 滕岳;吕勇;毛海波;;基于嵌入式系统的手势识别[J];现代计算机(专业版);2015年01期

3 王博龙;房建成;;基于Kinect传感器的近场手势识别追踪系统的实现[J];电子设计工程;2014年13期

4 杨鸿;钱X;戴先中;马旭东;房芳;;基于Kinect传感器的移动机器人室内环境三维地图创建[J];东南大学学报(自然科学版);2013年S1期

5 何超;胡章芳;王艳;;一种基于改进DTW算法的动态手势识别方法[J];数字通信;2013年03期

6 史久根;陈志辉;;基于运动历史图像和椭圆拟合的手势分割[J];计算机工程与应用;2014年22期

7 曹雏清;李瑞峰;赵立军;;基于深度图像技术的手势识别方法[J];计算机工程;2012年08期

8 董立峰;阮军;马秋实;汪雷;;基于不变矩和支持向量机的手势识别[J];微型机与应用;2012年06期

9 翁汉良;战荫伟;;基于视觉的多特征手势识别[J];计算机工程与科学;2012年02期

10 罗元;谢_g;张毅;;基于Kinect传感器的智能轮椅手势控制系统的设计与实现[J];机器人;2012年01期

中国博士学位论文全文数据库 前1条

1 李外云;基于ARM架构的嵌入式人脸识别技术研究[D];华东师范大学;2008年

中国硕士学位论文全文数据库 前10条

1 冷昕;基于ARM的手写体数字识别系统设计与实现[D];暨南大学;2015年

2 张好;基于Kinect的手势识别及其应用[D];大连理工大学;2014年

3 刘阳;基于Kinect的手势识别技术研究[D];重庆大学;2014年

4 梁喜军;基于ARM嵌入式平台的视觉手势识别技术研究[D];兰州理工大学;2014年

5 王松林;基于Kinect的手势识别与机器人控制技术研究[D];北京交通大学;2014年

6 郑斌珏;基于Kinect深度信息的手势识别[D];杭州电子科技大学;2014年

7 李长龙;基于Kinect深度图像的手势识别研究[D];西华大学;2014年

8 高静雅;人机交互中的手势识别技术研究[D];西安电子科技大学;2013年

9 罗娜;基于OpenCV的自然手势识别与交互系统研究[D];广东工业大学;2012年

10 常亚南;基于HMM的动态手势识别[D];华南理工大学;2012年

，

本文编号：1097181