基于指形凹点和凸点的手形图像校正方法

手形识别是基于手形生物特征提取和匹配的人体生物特征识别技术之一。针对传统手形识别技术中的手形矫正方法无法完全排除噪声干扰和识别起始点定位错误的问题,提出一种基于手形凹点和凸点的手形矫正方法的方法。该方法通过提取手性的外侧轮廓,自适应的检测手形中手指的凹凸特征点,克服了背景噪声和手形原始图像中手指识别起始点定位错误。然后利用得到的指形凹凸特征点对手形图像进行位置和方向矫正。     

基于指形凹点和凸点的手形图像校正方法

手形识别是基于手形生物特征提取和匹配的人体生物特征识别技术之一。针对传统手形识别技术中的手形矫正方法无法完全排除噪声干扰和识别起始点定位错误的问题,提出一种基于手形凹点和凸点的手形矫正方法的方法。该方法通过提取手性的外侧轮廓,自适应的检测手形中手指的凹凸特征点,克服了背景噪声和手形原始图像中手指识别起始点定位错误。然后利用得到的指形凹凸特征点对手形图像进行位置和方向矫正。     

基于高斯过程模型的指节图像识别方法

在基于图像的人机交互智能装配的手势识别与动作跟踪中,手部关节的图像定位是基础,并且关节信息的准确性对手势描述和行为识别与理解有直接影响.针对指节图像特征分布具有较强随机性,利用同态滤波进行图像预处理,以增强图像特征.基于高斯过程模型对手部指节图像二类特征进行学习,用样本对象的聚类测度,学习数据分布的特征模型,将学习获得的两类特征模型作为图像特征的检测器,检测结果即为图像的两个似然值.将经过正负类样本标记过的两种模型似然值作为输入,直接依据估计结果对手部关节图像进行检测识别.通过对不同位置处的手部关节识别分析和测试库检测,结果表明,本文所述方法可以直接得到后验概率的分布,提高了目标识别的准确性和效率.     

指势识别的实时指尖提取

指势行为识别作为一种理想的人机交互模式,而指势手指有效分割与指尖提取是关键。采用基于背景差分方法提取前景运动目标并消除背景影响,运用肤色分割方法,提取运动目标脸部、手部区域。在确定指势手与人脸位置关系的基础上,基于指势行为中指尖位于指势手的边沿轮廓,从指势手的外界矩形框与轮廓的交接点中定位指尖点。经实验证明该算法快速有效、提取精度高,且有一定的鲁棒性。     

基于高斯模型的手部肤色建模与区域检测

目的 随着市场需求的多样化和多变性的加剧,对于生产装配的柔性和适应性提出了更高要求,人机合作装配为应对当前需求提供了有效方法。在人机交互协调的机械装配系统中,为有效实现机器人对操作人员手部装配动作的识别和理解,需对手部装配图像进行生物结构的特征检测。针对人机交互协调装配中的手部肤色图像识别问题,提出一种基于多色彩空间信息的识别算法。方法 基于聚类思想,通过离线学习与期望最大化算法,在RGB色彩空间上对肤色信息建立多混合高斯模型,以此获得肤色信息的多混合聚类表示。再利用YCrCb色彩空间上的稀疏化高斯模型在线快速学习肤色分布,设计了基于多色彩空间信息的肤色识别器。结果 图像照度对肤色区域的模型似然值有较大影响。在线稀疏化学习肤色识别实验结果显示,YCrCb 3通道上学习获得的似然值不存在严重冗余,所建模型与对应的学习框架有效,结合多色彩空间的识别信息确认了肤色区域。肤色区域初始化识别的完整性与在线学习算法的时间复杂度有关,识别过程中模型参数的更新量与场景光照均衡度有关,进而影响算法的空间复杂度。本文基于高斯模型的手部肤色建模与区域检测方法对于机械装配环境的手部肤色检测适应性良好,经与改进的YCrCb椭圆聚类模型对比,该方法具有更好的识别完整性。结论 本文算法提高了模型对固定场景下光照畸变的适应度,从而改善了识别效果,但识别算法的收敛时间较长,实时性尚需进一步提高,可在进一步的研究中进行优化。     

基于形状特征检测的手势感兴趣区提取方法

针对采用肤色模型法进行手部区域分割时,人穿着的服装对手臂区域的干扰问题,本文提出了通过手部形状特征检测的手势感兴趣区提取方法.首先利用YCb'Cr’肤色模型提取手部轮廓,通过基于轮廓凸壳信息的方法提取手部轮廓区域的最小外接矩形;然后结合手掌和手臂的特有形状特征识别手腕位置,准确提取出手势感兴趣区域.实验结果表明,本文方法检测手部感兴趣区域准确,对包含和不含手臂的图像中手势感兴趣区域提取均有明显效果.     

基于kinect的手指定位

为了实现更加自然的人机交互方式,利用微软的kinect体感设备提出一种实时手指定位方法。本方法首先利用ki-nect的关节点信息获取包含手部的区域,然后在此区域利用肤色颜色模型来提取出人的手部区域,并利用canny方法提取出手部的边缘信息,最后利用手部边缘曲线的曲率来判断手指的指尖。本方法能快速准确的定位手指位置,为进一步进行手指动作的识别做基础。     

基于kinect的手指定位

为了实现更加自然的人机交互方式,利用微软的kinect体感设备提出一种实时手指定位方法。本方法首先利用kinect的关节点信息获取包含手部的区域,然后在此区域利用肤色颜色模型来提取出人的手部区域,并利用canny方法提取出手部的边缘信息,最后利用手部边缘曲线的曲率来判断手指的指尖。本方法能快速准确的定位手指位置,为进一步进行手指动作的识别做基础。     

非接触成像手指节纹检测算法

指节纹因具有唯一性而成为身份认证的方法之一,现有的文献主要基于小波多分辨率分析原理提取指节纹分布信息,而本文给出了一种针对指节纹间相对位置关系进行检测的方法：首先对自建图库中大拇指向外张开、四指闭合的手掌图像,利用Step边缘检测的预处理方法定位出关键的指尖、指根点,然后将整幅手掌图像旋转至水平位置,以便于比较指节纹的相对位置分布关系,最后针对除大拇指之外的四个手指,利用 Roof 边缘检测的方法确定指节纹特征点.为了验证本文的方法,利用自建小型图库进行测试,结果表明正确检测率可达98.035%,验证了该方法的可行性和有效性.     

基于Laplace逼近Gaussian过程的指节图像中层偏移测度特征学习

在人机协调装配中,为了准确描述手部位姿,需要精确的指节图像特征提取与识 别。为了丰富手部信息,提出了基于 Laplace 逼近 Gaussian 过程的多分类算法,以实现基于手 部图像的指节识别。在类别信息无关联的假设基础上,将中层偏移测度特征的学习转化为对随 机量的学习;然后通过分析二值多分类高斯场上的后验计算,给出了基于 Laplace 逼近 Gaussian 过程的多分类高斯过程学习算法;通过构造中层随机信息的正定核函数,给出了基于 Laplace 的多分类高斯过程预测算法。最后,利用中层数据的分布学习与预测算法进行了指节图像训练 学习和固定阈值的图像识别。识别结果显示,该方法具有一定的指节识别能力。     

基于Kinect的指尖检测与手势识别方法

针对基于视频的弯曲指尖点识别难、识别率不高的问题,提出一种基于深度信息、骨骼信息和彩色信息的手势识别方法。该方法首先利用Kinect相机的深度信息和骨骼信息初步快速判定手势在彩色图像中所在的区域,在该区域运用YCrCb肤色模型分割出手势区域;然后计算手势轮廓点到掌心点的距离并生成距离曲线,设定曲线波峰与波谷的比值参数来判定指尖点;最后结合弯曲指尖点特征和最大内轮廓面积特征识别出常用的12个手势。实验结果验证阶段邀请了6位实验者在相对稳定的光照环境条件下来验证提出的方法,每个手势被实验120次,12种手势的平均识别率达到了97.92%。实验结果表明,该方法能快速定位手势并准确地识别出常用的12种手势,且识别率较高。     

连续动态手势的时空表观建模及识别

论述了复杂背景下连接动态手势的分割、建模及识别;融合手势运动信息和皮肤颜色信息,进行复杂背景下的手势分割;通过结合手势的时序信息、运动表观以及形状表观,提出动态手势的时空表观模型,并提出基于颜色、运动以及形状等多模式信息的分层次融合策略抽取时空表观模型的参数,最后,提出动态时空规整算法用于手势识别,实验表明,利用上述提出的手势分割、建模、特征参数抽取及识别方法识别１２种手势,平均识别率高达９７％。     

Contact-free and pose-invariant hand-biometric-based personal identification system using RGB and depth data

Hand-biometric-based personal identification is considered to be an effective method for automatic recognition. However, existing systems require strict constraints during data acquisition, such as costly devices,specified postures, simple background, and stable illumination. In this paper, a contactless personal identification system is proposed based on matching hand geometry features and color features. An inexpensive Kinect sensor is used to acquire depth and color images of the hand. During image acquisition, no pegs or surfaces are used to constrain hand position or posture. We segment the hand from the background through depth images through a process which is insensitive to illumination and background. Then finger orientations and landmark points, like finger tips or finger valleys, are obtained by geodesic hand contour analysis. Geometric features are extracted from depth images and palmprint features from intensity images. In previous systems, hand features like finger length and width are normalized, which results in the loss of the original geometric features. In our system, we transform 2D image points into real world coordinates, so that the geometric features remain invariant to distance and perspective effects. Extensive experiments demonstrate that the proposed hand-biometric-based personal identification system is effective and robust in various practical situations.     

Hand gesture recognition using a neural network shape fitting technique

A new method for hand gesture recognition that is based on a hand gesture fitting procedure via a new Self-Growing and Self-Organized Neural Gas (SGONG) network is proposed. Initially, the region of the hand is detected by applying a color segmentation technique based on a skin color filtering procedure in the YCbCr color space. Then, the SGONG network is applied on the hand area so as to approach its shape. Based on the output grid of neurons produced by the neural network, palm morphologic characteristics are extracted. These characteristics, in accordance with powerful finger features, allow the identification of the raised fingers. Finally, the hand gesture recognition is accomplished through a likelihood-based classification technique. The proposed system has been extensively tested with success.     

手形特征点定位方法

针对特征点定位的准确性影响识别精度,提出手形特征点的定位方法。首先采用基于直线拟合的方法确定手指的指尖点,然后基于方向跟踪的方法定位手指指根点,最后细定位指根点。基于特征矢量匹配算法的识别结果表明,人工测量识别率为84.62%,自动定位的识别率为84.35%。该方法能准确提取手形特征,具有可行性。