人体手势检测和识别方法研究

发布时间：2023-01-28 10:52

　　随着科学技术的快速发展,计算机视觉技术也已经成为了人们在日常生活中、学生的学习中以及各行各业的工作中的一门非常重要且关键的技术。其中,手势识别作为人机交互最为直接和自然的技术,在人们的日常生活中被大量使用,极大地改善了人们的生活。本文主要研究基于不同特征融合和图像预处理的人体手势识别方法,以提高手势识别算法的识别率。本文主要工作如下:1、手势特征提取过程中常常受到手势肤色、手形、照明条件和背景差异等因素的影响,这使得手势特征提取难以通过单一特征来指定手部外观。因此,本文提出了一种增强型融合HOG-LBP特征检测和SVM分类检测的方法,以改进的MB-LBP替代均匀LBP特征。实验验证了该方法在光照条件、肤色、复杂背景的条件下有更高的准确度。2、Kinect传感器设备给广大的用户带来了新的体验。随着Kinect传感器的升级,其功能也越来越强大。本文借助Kinect传感器进行手势深度图像和彩色信息的获取,通过肤色模型二次分割,捕捉到了更加精准的手部图像,然后利用本文提出的新融合特征HOG-MBLBP进行特征提取,最后利用SVM进行分类识别。实验表明,本文提出的方法相比于其他方法有很高的识别率... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 手势分割的研究现状
        1.2.2 手势特征提取的研究现状
        1.2.3 手势分类识别的研究现状
    1.3 手势识别研究的难点
    1.4 本文研究内容和文章结构
第二章 手势分割
    2.1 阈值分割法
        2.1.1 Otus阈值分割
        2.1.2 自适应阈值分割
        2.1.3 最大熵阈值分割
    2.2 肤色模型分割法
        2.2.1 肤色模型的颜色空间
        2.2.2 肤色模型
    2.3 基于局部区域信息的分割法
    2.4 本章小结
第三章 基于HOG-MBLBP特征的手势识别
    3.1 图像预处理
        3.1.1 中值滤波
        3.1.2 手势图像的灰度化
        3.1.3 尺度归一化
    3.2 HOG特征提取
    3.3 LBP特征提取
        3.3.1 标准LBP算子
        3.3.2 均匀LBP算子
        3.3.3 MBLBP特征提取
    3.4 HOG-MBLBP特征融合
    3.5 支持向量机
        3.5.1 分类模型选择
        3.5.2 SVM原理
    3.6 实验结果与分析
    3.7 本章小结
第四章 基于Kinect的人体静态手势识别
    4.1 Kinect传感器介绍
        4.1.1 Kinect工作原理
        4.1.2 深度信息的获取
        4.1.3 骨骼信息的获取
    4.2 手势识别
    4.3 实验结果及分析
    4.4 本章小结
第五章 基于帧差法的动态手势识别
    5.1 动态手势目标检测
        5.1.1 帧间差分法
        5.1.2 三帧差分法
        5.1.3 两帧查分和三帧查分的比较
        5.1.4 混合高斯模型
        5.1.5 Canny边缘检测算法
    5.2 改进的三帧差分法与背景差分法相融合的手势检测
    5.3 实验结果及分析
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢


【参考文献】：
期刊论文
[1]基于骨骼信息下的手势识别研究[J]. 杨和稳,杨萍萍,郭海晨.  计算机应用与软件. 2018(12)
[2]基于帧差与背景差分的改进目标识别算法[J]. 赵柏山,郑茂凯,张帆.  通信技术. 2018(11)
[3]基于多点特征提取的手势识别的研究[J]. 宋昆哲,闫晓虎,田乐,王奇俊,刘珂.  科技创新与应用. 2018(25)
[4]一种以Kinect为基础的手势识别系统探讨[J]. 陈强.  电脑迷. 2017(11)
[5]基于扩散的图像显著性检测[J]. 刘玉杰,封江力,李宗民,李华.  图学学报. 2017(02)
[6]基于Kinect手势识别的应用与研究[J]. 于泽升,崔文华,史添玮.  计算机科学. 2016(S2)
[7]基于改进Hu矩算法的Kinect手势识别[J]. 蒲兴成,王涛,张毅.  计算机工程. 2016(07)
[8]结合手势主方向和类-Hausdorff距离的手势识别[J]. 杨学文,冯志全,黄忠柱,何娜娜.  计算机辅助设计与图形学学报. 2016(01)
[9]基于五帧差分法的动态目标检测新算法[J]. 郭春凤.  重庆科技学院学报(自然科学版). 2015(05)
[10]基于DTW与混合判别特征检测器的手势识别[J]. 黄振翔,彭波,吴娟,王儒朋.  计算机工程. 2014(05)

博士论文
[1]行车环境下多特征融合的交通标识检测与识别研究[D]. 刘成云.山东大学 2016
[2]基于图像重构和特征融合的人脸识别方法研究[D]. 周昌军.大连理工大学 2008

硕士论文
[1]基于局部特征的表情识别研究[D]. 李月.南京邮电大学 2018
[2]基于Kinect的手势动作识别研究及其在虚拟仿真系统中的应用[D]. 杨萍萍.南京大学 2018
[3]基于Kinect的人体姿态识别和机器人控制[D]. 蒋亚杰.深圳大学 2017
[4]基于RGBD深度图像的实时手势识别研究[D]. 崔子璐.苏州大学 2016
[5]手势图像特征提取与识别技术研究[D]. 赵莹.长春工业大学 2015
[6]人机交互中手势识别关键算法研究与实现[D]. 张若愚.广东工业大学 2014
[7]基于Kinect的手势识别与机器人控制技术研究[D]. 王松林.北京交通大学 2014
[8]基于YCrCb色彩空间的人脸检测算法的设计与实现[D]. 吴要领.电子科技大学 2013
[9]基于多特征融合的行为识别算法研究[D]. 杨丽召.电子科技大学 2013
[10]基于三帧差法的运动目标检测方法研究[D]. 赵建.西安电子科技大学 2013



本文编号：3732513