基于KinectV2的手势识别技术研究

发布时间：2024-11-28 22:08

　　人体行为动作分析作为人机交互领域的重要组成部分,是学者们一直研究创新的重要研究课题,而在人体行为动作中,手势动作识别有着自然,直观,表达信息丰富,灵活的特点,因此,更加符合人机交流习惯的手势动作识别技术的研究变得炽手可热。基于此,本课题以微软公司提供的KinectV2作为手势动作的采集设备和人机交互介质,对静态手势识别和动态手势识别算法进行了研究和优化,并在虚拟平台中完成了测试。文章主要工作内容如下:首先,针对静态手势在识别过程中迟缓问题,提出了一种基于骨骼图像和深度图像结合的快速手势分割算法,通过提取手势图像的梯度直方图(Histograms of Oriented Gradients,HOG)特征,利用支持向量机(Support Vector Machine,SVM)进行静态手势的训练与识别,从而实现了手部区域的快速准确,分割和手势的准确识别。其次,针对隐马尔科夫模型(Hidden Markov Models,HMM)不能有效排除未定义手势的干扰缺陷,通过对手势模型进行概率阈值设置和编码种类限定来排除原HMM模型算法中未定义手势的干扰,从而有效提高定义手势的识别率,实验结果表明,该方...

【文章页数】：90 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 静态手势识别现状研究
        1.2.2 动态手势识别研究现状
        1.2.3 虚拟现实技术研究现状
    1.3 手势识别技术的难点
    1.4 论文的主要研究内容和章节安排
第2章 KinectV2 体感交互设备基础知识介绍
    2.1 KinectV2 发展及工作原理
    2.2 Kinect SDK2.0 组织架构
    2.3 KinectV2 关键技术分析
        2.3.1 深度图像成像原理
        2.3.2 KinectV2 骨架信息获取
        2.3.3 KinectV2 骨骼节点分布及骨骼追踪状态
    2.4 本章小结
第3章 基于HOG-SVM算法的实时静态手势识别
    3.1 手势分割
    3.2 HOG特征提取
    3.3 支持向量机样本分类训练
    3.4 实验结果及分析
    3.5 本章小结
第4章 基于KinectV2 的动态手势识别技术研究
    4.1 基于KinectV2 深度图像的HMM手势运动轨迹识别
        4.1.1 基于Kinect的深度阈值前景分割
        4.1.2 基于YcbCr空间的高斯肤色模型手势分割
        4.1.3 手势质心检测与追踪
        4.1.4 特征提取和量化编码
        4.1.5 手势训练与识别
        4.1.6 实验结果及分析
    4.2 基于人体骨骼数据的实时手势动作识别
        4.2.1 利用Kstudio和 VisualGestureBuilder建立手势样本库
        4.2.2 手势运动特征提取
        4.2.3 DTW算法原理介绍及实验分析
        4.2.4 DTW算法改进
        4.2.5 识别结果及分析
        4.2.6 手势对虚拟场景的驱动
    4.3 本章小结
第5章 手势识别算法在酷跑体感游戏系统中的应用
    5.1 酷跑体感游戏交互系统设计
        5.1.1 酷跑体感游戏场景搭建
        5.1.2 酷跑体感游戏功能需求分析
        5.1.3 酷跑体感游戏设计的总体要求
        5.1.4 酷跑体感游戏功能设计
        5.1.5 酷跑体感游戏逻辑设计
    5.2 酷跑体感游戏系统人机交互演示
    5.3 交互演示结果分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：4012837