基于机器学习的手势识别研究

发布时间：2023-03-29 22:38

　　随着计算机图形学和虚拟现实技术的不断发展,对于人机交互的要求越来越高,其中作为人机交互主流方式的是手势识别。传统的手势识别都是基于相机照片和2D手势进行识别与分类,其提取的特征通常难以准确表示不同手势之间的区别。针对静态手势识别的高自由度、特征表示不准确等问题,动态手势的复杂时序、空间可变性、特征表示不准确等问题,将机器学习中特征提取、特征融合、特征降维、支持向量机等方法应用到手势识别中成为近几年的研究热点。如何有效地从手势数据信息中提取完整的手势特征并进行有效识别与分类是一个难点,而基于手势几何特性并融合多特征的手势识别方法是解决这一难题的有力工具之一。本文的主要工作以及取得的研究成果如下:1)为了克服静态手势数据集中不同手势具有的高自由度、特征表示不准确等问题,本文提出了一种融合关节旋转特征和指尖距离特征的手势识别方法。首先从手势深度图中利用手部模板,将手部看成链段结构,提取手部20个关节点的3D位置信息;然后利用手部关节点位置信息提取四元数关节旋转特征和指尖距离特征;最后利用一对一支持向量机对手势进行有效识别分类。实验表明,该特征表示能够很好地表征不同手势,在静态手势的识别中,利...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 静态手势识别
        1.2.2 动态手势识别
    1.3 手势识别研究难点和本文主要研究内容
        1.3.1 静态手势识别
        1.3.2 动态手势识别
    1.4 本文结构安排
第二章 手势识别相关理论基础
    2.1 手势识别基本步骤
    2.2 数据预处理
    2.3 特征融合
    2.4 特征降维
        2.4.1 线性判别分析
    2.5 支持向量机
    2.6 本章小结
第三章 融合关节旋转特征和指尖距离特征的静态手势识别
    3.1 算法流程
        3.1.1 手势关节3D位置信息的获取预处理
        3.1.2 融合关节旋转特征和指尖距离特征的手势特征表示与提取
        3.1.3 基于内在特征表示的一对 SVM多分类手势识别
    3.2 手势关节3D位置信息的获取预处理
        3.2.1 关节点相对位置表示
        3.2.2 手部关节长度归一化
    3.3 融合关节旋转特征和指尖距离特征的手势特征表示与提取
        3.3.1 手部关节对之间的旋转特征
        3.3.2 手指指尖距离特征
        3.3.3 特征融合方法
    3.4 基于内在特征表示的一对一SVM多分类手势识别
    3.5 实验结果与分析
        3.5.1 实验环境与工具介绍
        3.5.2 实验数据介绍
        3.5.3 实验数据介绍
    3.6 手势特征表示的内在唯一性
    3.7 手势特征表示的内在唯一性
第四章 融合手势全局运动和手掌内局部运动的动态手势识别
    4.1 算法流程
    4.2 动态手势数据预处理
        4.2.1 手势的无效帧删除
        4.2.2 手势帧数据补全
        4.2.3 手部关节长度归一化
    4.3 融合手势全局运动和掌内局部运动的特征表示
    4.4 基于手势特征的关键帧提取
        4.4.1 手势距离函数
        4.4.2 关键帧分段提取
    4.5 动态手势的识别和分类
        4.5.1 手势特征融合
        4.5.2 手势特征降维
        4.5.3 基于带高斯核SVM的手势识别和分类
    4.6 实验结果与分析
        4.6.1 实验工具介绍
        4.6.2 实验数据介绍
        4.6.3 实验结果与分析
    4.7 本章小结
第五章 总结与展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：3774632