基于Kinect深度图像信息的手势轨迹识别及应用

本文提出了一种新型的利用Kinect获取深度图像并进行手势轨迹识别的应用方法,该方法称为HMM(隐马尔可夫)手势轨迹识别方法,具体操作步骤为:首先利用Kinect传感器获取深度图像,然后通过OpenNI的手势生成器的手势分析模块获取完整的手势信息,对手部进行形态学处理,识别并跟踪手势,提取手势轨迹,最后运用HMM手势轨迹识别方法进行识别.实践证明,该方法可快速有效地实现手势轨迹的识别.

基于HMM动态手势轨迹识别的门限模型方法研究

在利用隐马尔可夫模型进行连续动态手势轨迹识别时,如何进行似然度阈值的确定,以及如何提取复杂手势的起始点与结束点是研究的难点之一。本文提出了一种能使参考阈值随测试样本及模型样本动态变化的门限模型,仿真实验表明利用此门限模型方法能有效地解决这两个问题。

基于点上下文描述子的三维手势轨迹识别

提出了一种基于曲率窗的点上下文描述子的三维手势轨迹识别方法,该方法通过采用曲率窗选取手势轨迹的上下文点,既有效地降低了描述子的维度,又提高了对三维手势轨迹的识别率.首先,计算三维手势轨迹上所有点的U弦长曲率;然后,选取曲率最大且相互分离的点作为手势轨迹的上下文点;最后,将每个轨迹点与上下文点之间的欧氏距离作为该点的特征向量.采用上述方法提取三维手势轨迹的形状特征,支持向量机(SVM)用于分类识别.实验结果表明:该方法对澳大利亚手语数据库(ASL)中任意8类三维手势轨迹的平均识别率达到92.98%,并且识别结果具有旋转、尺度、平移(RST)无关性.

基于深度图像信息的指尖跟踪与轨迹识别

针对基于传统摄像头获取的二维图像难以准确区分复杂环境下目标和背景的问题,提出一种利用Kinect摄像头对复杂背景下手指指尖的跟踪算法,并对指尖跟踪的轨迹进行识别。首先利用Kinect获取的深度图像信息对手部进行分割和指尖检测;然后利用压缩感知方法对跟踪目标进行特征提取,通过朴素贝叶斯(NB)分类器分类跟踪目标和背景;最后,通过支持向量机(SVM)方法对跟踪的轨迹进行识别。实验结果表明,提出的方法能够成功地跟踪手指指尖的位置,同时能够准确识别出指尖跟踪的轨迹。

基于傅里叶描述子的手势轨迹模板匹配方法

针对手机移动平台中人机交互的问题及手势识别中的时域问题,提出基于视觉的手势轨迹识别作为人与手机交互的方式。利用傅里叶描述子对手势轨迹进行特征描述,并结合置信度对动态手势轨迹进行分类。文中先对手势视频进行运动检测,利用基于颜色的粒子滤波器对手部进行跟踪以获取手势中心运动轨迹,对所得的运动轨迹进行闭合化处理,使得轨迹变成封闭曲线集,对封闭曲线集进行傅里叶变换,使得运动轨迹具有平移、缩放和旋转不变性,利用所得的傅里叶描述子与模板进行匹配,在一定范围内具有良好的稳定性。同时提出变形系数来描述采样所得运动轨迹的扭曲变形程度。实验结果表明该方法在变形系数为0.3以下时具有较高的准确性。