一种改进的CAMSHIFT手势跟踪算法

在基于视觉的手势分析中 ,手势跟踪是一个关键环节 .从实时性的角度考虑 ,提出了一种改进的CAMSHIFT(ContinuouslyAdaptiveMeanShift)算法 ,实现了对动态手势的实时跟踪 .实验表明 ,该算法快速准确可靠 ,并且较好地处理了跟踪过程中大面积肤色干扰及手势被遮挡等问题 ,对复杂场景的检测与跟踪也取得了较好的效果 .同时 ,该算法还适用于其它具有特定颜色目标的跟踪 .     

复杂背景下的实时手势分割算法及其硬件实现

在分析肤色的信息特征和手势的运动特性基础上,构建一种基于肤色集、运动集、模糊手势集的手势分割及跟踪算法并采用硬件实现.该算法对颜色空间建立肤色集和对视频流空间建立运动集,通过模糊运算得到模糊手势集,其中加入跟踪算法和背景实时更新,克服了复杂背景和光照因素的干扰.整个算法在现场可编程门阵列(FPGA)上实现,利用流水线和并行处理技术实现了手势的实时分割和跟踪.实验结果表明,该方法有较好的准确性、实时性和鲁棒性,在系统时钟100 MHz时,对640×480分辨率的图像可实现100帧/s的处理速度.     

基于深度信息的动态手势识别算法

针对目前手势识别方法计算复杂、特征量提取不可靠等问题,提出基于Kinect传感器深度信息快速动态手势识别算法。通过Kinect的深度摄像头获取深度图像,利用阈值分割法对深度图像进行预处理;结合深度信息,利用OpenCV函数库来提取前景;选用动态时间规整(dynamic time warping)算法计算测试行为模板与参考行为模板之间的相似度以实现样本的分类;最终结合OpenNI和OpenCV,在VS2010环境下实现了该算法。与其他算法相比,该算法改进动态手势特征的提取方法和分类过程,能够快速跟踪手部,有效分割手势。实验结果表明,本方法对具有时空特性的动态手势有很高的识别率,在不同光照和复杂背景下具有较好的鲁棒性。     

OpenCV在体感遥控中的应用

利用Intelnet跨平台计算机视觉库OpenCV和微软VisualStudio 2010构建体感遥控器的软件开发平台。以OpenCV为基础,结合自定义算法和函数,开发利用人体手势识别来控制不同设备的体感遥控器。该设计采用基于codebook背景模型的运动检测方法对手势定位,以改进的CamShift算法和Kalman滤波器进行手势跟踪,进而对手势分割和识别。研究利用单目摄像头下对单手手势识别,以红外线和无线通信方式对目标区域和设备进行非接触控制。给出软件设计的基本思想,用OpenCV实现算法的具体过程和关键代码。该方案目标跟踪快、检测效率高、实时性好,为下一步在嵌入式系统中实施此方案打下一定基础。     

线上线下结合的实时手势跟踪系统

手势识别跟踪一般采用线下训练分类器,不能有效检测跟踪形变的手势,针对手势形变及在窗口的暂时性消失等问题,提出了一种通过线下训练结合线上提取样本对分类器进行训练的检测方法,同时采用跟踪一检测一学习(TLD)的方法不断对跟踪器的结果进行纠正.试验结果表明,本算法对手势形变、短暂消失具有很好的适应性,与TLD算法相比较具有更好的稳定性.     

交互多模型单目标跟踪算法应用分析

给出了交互多模型算法的数学描述，分析研究了IMM算法的性能及其在单目标跟踪中的具体应用．通过理论分析和计算模拟，证明相互作用多模型目标跟踪算法和单模型目标跟踪算法相比，能较好地跟踪机动目标，并能改善非稳态目标的全局跟踪性能．     

一种适合于笔划跟踪的并行细化算法

为了解决字符识别过程中笔划不易跟踪及其若干特征难以提取等问题，给出了一种新的适合于笔划跟踪的并行细化算法。该算法运用并行机理，在满足细化基本要求的前提下，去掉了不便于笔划跟踪的冗余点，细化速度快且质量较好。该算法已成功地运用于手写数字识别系统及汉字识别系统中，其中利用该算法的表格识别系统已经达到实用水平。     

基于Kinect深度信息的手势识别

设计了一种基于Kinect深度信息和双阈值分割的运动手势识别算法。结合OpenCV和OpenNI,在vs2010环境下实现了该算法。利用Kinect的深度摄像头获取深度图像;对该图像进行双阈值分割,获取手部图像;再对手部图像进行形态学处理,获取完整的手形;最后,利用OpenNI的手势生成器GestureGenerator对手势进行跟踪识别。利用深度图像进行手势识别,通过双阈值分割,不仅去除了背景干扰,也能去除一部分前景干扰。用不同颜色点、圆和线的形式表示各种手势,可以清晰地实时显示识别效果。     

基于手指角度特征的静态手势识别算法

提出一种基于手指角度特征的静态手势识别算法。以指尖到手掌中心的连线构成手势骨架,计算手指间的角度;以角度的大小和指间数量进行分类,把手势定义为一、二、三、四、五、六、七、八、九等9种。该算法不受手势的方向和尺度的影响,仅通过判断手指问的角度大小来识别手势。对900幅手势图进行分析识别的实验结果表明：该算法正确率达96．8％,准确性高;平均用时不超过0．05s,实时性好。     

基于视频的手势识别中左右手判别研究(改投研究生论坛)

针对基于视频的手势识别中,由于左右手遮挡、背景与肤色相近等原因常常造成的手部分割、双手跟踪错误的问题,介绍了一种手势视频中左右手区分判别方法,通过对双手的区分判别,可以辅助视频中手部分割,同时可以降低由于手部遮挡造成的左右手跟踪错误。该方法首先提取左右手不同情况下训练样本的梯度方向直方图(HOG)特征;然后对手部特征进行主成份分析(PCA),通过去除冗余信息,进而找到描述左手、右手和双手遮挡的3种模式;最后,通过模式匹配实现了左右手判别。实验结果表明,该方法能较好地判别左右手。