结合手势主方向和类-Hausdorff距离的手势识别

针对目前手势识别方法受手势旋转、平移、缩放的影响,导致手势识别率偏低的问题,提出一种基于手势主方向和类-Hausdorff距离模板匹配的手势识别方法.首先把分割后的手势图像进行标准化处理,并求出标准化图像中的手势主方向;然后根据手势主方向建立二维手势直角坐标系提取空间手势特征;再利用空间手势坐标点分布特征方法对手势进行初步识别;最后利用类-Hausdorff距离模板匹配的思想识别最终的手势.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确地实现手势识别,总体识别率达到95%;对发生旋转的手势识别率能超过90%.

结合手势二进制编码和类-Hausdorff距离的手势识别

针对目前动态手势识别方法受手势旋转、平移、缩放的影响,并解决手势识别的实时性问题,提出一种基于手势二进制编码和类-Hausdorff距离模板匹配的手势识别方法.首先,把分割好的手势图像进行标准化处理,求出标准化图像中的手势主方向,建立二维手势直角坐标系,提取空间手势特征;其次,根据前五帧手势图像中手势像素点个数的变化量识别出动态手势类型;然后,用手势二进制描述子从动态手势类型中再筛选出可能的候选手势集合;最后,用类-Hausdorff距离模板匹配方法从候选手势集合中识别出最终手势.主要创新点在于:提出的动态手势类型识别和手势二进制描述子匹配的方法,大大缩短了动态手势识别的时间;提出的结合手势主方向的类-Hausdorff距离方法,不仅对旋转、平移和缩放手势具有不变性,而且对区分度较小的手势也具有较高的识别准确率.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确的实现动态手势识别,总体识别率达到95%以上,对发生缩放的手势识别率能达到92%以上,对发生旋转的手势识别率能达到87%以上.本文算法已经在一个基于手势的人机交互界面中得到应用.

基于级联卷积神经网络的手势特征提取方法

针对当前手势图像数据集不能均匀、全面地覆盖所有手势参数空间内的各种手势的问题,提出一种基于级联卷积神经网络的手势特征提取方法。该方法通过级联式模型,分层次地对高维度、高自由度的手势参数进行特征感知和提取。首先,将手腕角度参数作为手势参数的全局参数,进行划分和特征提取;然后,将手指角度参数作为局部参数,进行特征提取。为解决局部参数特征提取网络数量过多的问题,减少神经网络的数量和节约训练网络所需的时间与内存开销,采用多分支结构的神经网络模型,将五个手指的局部特征提取网络集成为一个整体。实验结果表明,所提方法在真实训练集上平均分类准确率达到95.13%,测试集平均准确率达到54%,测试集准确率相较于全卷积神经网络的算法提高了4.76个百分点。

基于手势几何分布特征的手势识别

针对手势受缩放、旋转的影响导致识别率低的问题,提出了一种基于手势几何分布的特征提取方法用于手势识别。首先对分割后的手势图像进行归一化,并计算手势主方向和手势轮廓的最小外接矩形的宽长比,利用相似度函数进行初步识别,筛选出部分候选手势;再利用轮廓分割法统计手势轮廓点在极坐标内的分布情况,使用修正Hausdorff距离作为相似性度量的方法识别出最终手势。实验结果表明,所提方法能够快速且准确地识别各类手势,平均识别率达到92.89%,误识率降低到3.53%,识别速度较同类算法提高了4.2倍。