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.     

双色彩空间综合肤色模型的人脸检测研究

在复杂背景环境下,单一色彩空间和单一肤色模型的肤色分割效果不佳,为了提高肤色区域提取的效果,提出双色彩空间的综合肤色模型的人脸检测方法。即先在HSV(Hue,Saturation,Value)色彩空间用简单肤色模型做粗肤色提取,然后在聚类性较好的YCgCb色彩空间采用综合肤色模型提取法(CCM)进行二次肤色提取,最后再通过SNoW(split up Sparse Network of Winnows)分类器人脸定位算法更加准确地检测到人脸。通过使用改进的方法,得到的检测数据表明,该方法可有效提高人脸检测的检测率。     

基于层次化BoF模型和Spectral-HIK过滤的手势识别算法

为了解决基于计算机视觉的人类手势识别问题,提出一种名为层次化Bag-of-Features(BoF)的模型.该模型通过对人手区域进行划分和对图像特征分别向水平和垂直轴投影来提取图像特征的空间分布信息.为了准确快速地实现手势识别,构建一种基于直方图交叉核的手势识别分类算法.该算法结构简单、运行效率高,而且充分利用层次化BoF模型的结构特点.为了进一步提高在复杂背景下手势识别准确率和运行效率,采用一种基于谱和直方图交叉核的背景特征点过滤算法.实验结果显示,所提算法对于简单背景下的手势识别准确率可达99.79%,而对于复杂背景下的识别准确率为80.01%.     

复杂背景下多姿态人脸图像中的人眼检测

研究了复杂背景下多姿态人脸图像中的人眼检测方法.首先，将得到的图像映射到YCbCr空间，利用肤色在YCbCr颜色空间的分布特性建立肤色模型，分割出肤色并得到人脸的区域；再次，利用人眼的分布特点及自身特性预先设定一系列的规则，通过规则得到可能的人眼区域；最后，设计了人眼模板分布模型，并利用该模型对人眼位置进行最后的确认.实验表明，该方法具有较高的检测速度和检测正确率.     

基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量（H,Cg,Cr）T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

基于Kinect深度信息的动态手势识别

针对复杂动态手势识别问题,本文首先通过体感传感器Kinect获取人体深度图像,利用阈值分割法分割出手势深度图像,然后建立由隐马尔可夫模型(HMM)和模糊神经网络(FNN)相结合的HMM-FNN模型进行动态手势识别。本文的动态手势主要是针对虚拟变电站中对设备的常用操作手势来进行人机交互研究的。HMM-FNN模型将复杂动态手势特征分解为三个子特征序列,分别建立HMM模型,然后进行模糊推理对手势进行分类识别。经实验验证,HMM-FNN模型能快速有效识别复杂动态手势,且鲁棒性强,识别效果明显优于HMM模型。     

利用双重彩色空间肤色模型实现快速人脸检测

在单独采用HSI彩色空间或YCbCr彩色空间肤色高斯模型进行人脸检测的基础上将二者结合起来,提出了一种利用双重彩色空间肤色模型实现快速人脸检测的方法。这种方法利用了在不同肤色模型之下都可以大致检测出人脸区域,并且所误检测的背景范围差异较大,同时被两种肤色模型都误检测为人脸的可能性较小,所以取其检测结果的共同点,就是大致的人脸区域,而误检测为人脸的背景区域就被去掉了。之后采用较为简单的算法,就可以从这个大致的人脸区域中定位真正的人脸区域。该方法不需要建立极为精确的肤色模型,也不需要在人脸检测得到二值化结果后,采用较为复杂的算法,从二值化结果中定位人脸。该方法适合于在特征提取前使用,去除多余的背景信息,提高图像处理和识别的速度和准确度。     

复杂背景下多姿态人脸图像中的人眼检测

研究了复杂背景下多姿态人脸图像中的人眼检测方法．首先，将得到的图像映射到YCbCr空间，利用肤色在YCbCr颜色空间的分布特性建立肤色模型，分割出肤色并得到人脸的区域；再次，利用人眼的分布特点及自身特性预先设定一系列的规则，通过规则得到可能的人眼区域；最后，设计了人眼模板分布模型，并利用该模型对人眼位置进行最后的确认。实验表明，该方法具有较高的检测速度和检测正确率。     

一种实时手势位置识别方法研究

针对人机交互问题,提出一种肤色检测与集成学习相结合的手势位置识别方法。利用目前比较成熟的Adaboost算法和基于HSV颜色空间的肤色检测算法相结合,并利用先识别人脸,再识别手掌位置的识别策略。有效的结合Adaboost和基于HSV颜色空间肤色检测两种算法的优势,并对这两种算法的缺陷进行了补足,很大程度上解决了Adaboost计算量大而导致识别周期长和基于HSV颜色空间的肤色检测高误检率的问题。实验结果表明,该算法运行到得出结果耗时0.465s,识别率高达95.21%。     

基于PCA降维的SVM人脸快速检测方法

提出一种改进的快速人脸检测方法。人脸模式训练阶段,先将训练样本的人脸特征经PCA降维提取主要特征,然后训练SVM人脸模式函数,由于训练样本维数的降低,节约了训练时间。检测阶段,利用肤色在YCbCr空间的聚类性,在色度空间建立高斯肤色模型进行皮肤分割。对分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理,利用SVM检测识别人脸。实验结果表明,这种方法可以快速有效检测图像中的单幅或多幅人脸区域。     

基于视角不变的三维手势轨迹识别

提出了一种新颖的基于视角不变的三维手势轨迹识别方法,手势分割采用Kinect传感器获取图像深度信息,通过先定位起始点再定位结束点的方法定位手心点,使手势轨迹点定位有自动无延时的特性。采用改进的质心距离函数表示视角不变的三维轨迹特征,隐马尔可夫模型用于训练和识别有效的轨迹。实验结果表明,该方法具有光照及复杂背景鲁棒性,数字0～9的平均识别率可达97.7%。     

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。     

基于Kinect深度和骨架信息的指尖检测方法

为克服指尖检测方法易受不同光照、复杂背景和手腕信息的影响,提出了一种基于深度和骨架信息的指尖检测方法.首先对Kinect获取的深度图像进行中值滤波和形态学闭操作处理,以消除噪声和填充空洞; 接着通过骨架跟踪得到的右手关节点锁定用户并进行手势分割; 然后在计算手心和最高指尖点位置的基础上,利用Freeman链码提取手势左右轮廓; 最后根据指尖点之间的轮廓曲线特征提取其他指尖点.实验结果表明,该方法具有良好的指尖检测效果,且对光照、背景和手腕信息鲁棒.     

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。     

基于肤色识别的人机交互方法在游戏中的应用研究

利用计算机视觉技术实现游戏人机交互来提高游戏的娱乐性,是当前国内外应用研究的热点。文中提出了采用肤色检测技术应用于游戏交互的方法。通过摄像头对肤色进行采样,再利用统计方法对皮肤颜色进行分析建立肤色模型;采用背景差分阈值分割法和Camshift算法进行手势跟踪监测,获取手的位置;将手的位置作为信号传递给游戏角色,从而控制游戏。在VC＋＋6.0下,使用OpenCV和OpenGL开源库,构建了普通摄像头视觉游戏实验平台,通过手势的运动轨迹控制粒子系统喷射方向。实验结果表明,通过肤色进行手势跟踪监测,进而控制游戏角色运动,具有很好的实时性和交互性。     

基于视频数据特性的动态手势识别

针对现有动态手势识别方法环境适应性低、计算复杂的问题,提出了一种基于视频数据特性的动态手势识别方法.使用基于密度的聚类算法DBSCAN直接从视频编码数据中的运动矢量提取出运动趋势特征,再通过随机森林分类运动趋势,结合卷积神经网络（CNN）提取的手型特征识别动态手势.实验结果表明,该方法对剑桥大学和美国西北大学数据集中动态手势的平均识别率分别达到94.22%和94.48%,并且与CNN结合长短期记忆网络的识别方法相比,手势识别时间减少了85%.在背景图像复杂且光照条件不足时,该方法仍然能够维持较高的识别率,表现出较好的鲁棒性.     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

一种基于视频的手势识别算法

研究了一种基于视频的手势识别算法,该算法利用均值法去除噪声,根据物体颜色配合最大类间方差法对目标和背景进行区分,并使用BP神经网络进行手势的分类.实验表明,该算法对部分典型手势识别的准确率达到74.7％,具有较高的实际应用价值.     

一种在复杂背景彩色图像中划分手部图像的方法

对面部和手部图像进行正确定位是当前图像处理领域中的重要课题 .在机器人手势识别实验中 ,我们试图利用一个BP神经网络对连续手势进行识别 .由于实时性的要求 ,我们希望找到一种尽量简单的图像划分方法 .本文通过对采集到的彩色图像进行色度变换和色调过滤 ,成功的实现了从复杂背景的彩色图像中划分出手部图像 ,并提取其轮廓以供处理 .作为计算机图像识别的预处理过程 ,这种划分方法算法简单 ,易于实现 ,十分适合于实时彩色图像的划分与识别 .