一种面向实时交互的变形手势跟踪方法

变形手势跟踪是基于视觉的人机交互研究中的一项重要内容.单摄像头条件下,提出一种新颖的变形手势实时跟踪方法.利用一组2D手势模型替代高维度的3D手模型.首先利用贝叶斯分类器对静态手势进行识别,然后对图像进行手指和指尖定位,通过将图像特征与识别结果进行匹配,实现了跟踪过程的自动初始化.提出将K-means聚类算法与粒子滤波相结合,用于解决多手指跟踪问题中手指互相干扰的问题.跟踪过程中进行跟踪状态检测,实现了自动恢复跟踪及手势模型更新.实验结果表明,该方法可以实现对变形手势快速、准确的连续跟踪,能够满足基于视觉的实时人机交互的要求.     

基于CamShift和Kalman滤波混合的视频手势跟踪算法*

提出了一种基于CamShift和Kalman滤波混合的跟踪算法,实现了对视频图像中动态手势的跟踪。在跟踪过程中,CamShift利用手势的颜色直方图模型,将图像序列通过一个肤色概率查找表转换为肤色概率分布图,结合运动信息和肤色概率分布,初始化一个搜索窗的大小和位置,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而定位出当前图像中手势的中心位置。在CamShift算法基础上利用Kalman滤波对搜索窗口进行运动预测。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问题,对复杂     

基于压缩感知的实时手势检测和跟踪算法

基于计算机视觉的实时手势检测与跟踪算法是人机交互领域的一项关键技术,传统的手势检测与跟踪算法将检测和跟踪分成两个独立的模块进行,检测与跟踪结果受手势姿态变化、目标遮挡、运动模糊以及外界环境干扰等因素的影响。提出了一种基于压缩感知的实时手势检测和跟踪算法,将基于检测得到的手势信息与基于压缩感知跟踪算法得到的目标信息进行有效融合,从而实现有效的手势检测与跟踪,与传统算法相比,该算法能实现手势跟踪自动初始化和跟踪错误后自我恢复功能。实验结果表明,提出的算法能对手势运动进行快速、连续、准确的识别,满足人机交互的要求。     

基于区域生长的Meanshift动态变形手势跟踪算法

针对传统Mean shift算法在手势跟踪中由于搜索窗口内手势背景像素改变所导致的跟踪精度不高,以及算法本身由于手势模型更新所引起的时间消耗较多等问题,提出一种基于区域生长与Mean shift算法相结合的动态变形手势跟踪算法。该算法在跟踪初始阶段通过帧间差分法对手势中心完成自动初始化,利用区域生长算法采集手势样本点,并通过Mean shift算法对目标中心进行精确定位。实验结果表明,该方法能够对动态变形手势实现精确实时的跟踪,可较好地降低算法的时间复杂度,保证运动目标跟踪的稳定性和连续性。     

机器人视觉交流中的手势识别仿真

手势识别问题,是人与机器人交互中的关键部分。机器人视觉交流中的手势识别,对动作的准确跟踪是识别的难点,主要因为,人在做动作时,与机器人的反应之间存在较为明显的滞后性,对动作的跟踪很难及时准确,造成对整体的图像跟踪存在滞后性,导致传统的分析手势识别方法无法面向快速变化的群体手势特征,也无法进行准确的识别,提出了一种基于手部肤色特征的CAMSHIFT手势识别算法,通过色度直方图模型划分手部皮肤像素和非皮肤像素,获取手部肤色模型,采用摇动检测方法定位人手,依据手部肤色模型对所获取的手部区域进行分割,得到手部区域的二值图,使用改进的CAMSHIFT算法对手势进行跟踪,通过模式识别的方法对群体人手特征进行识别。实验结果说明,所提方法针对群体中的手势进行准确的识别,识别率高于93%,具有较高的应用价值。     

基于视觉的手势界面关键技术研究

针对视觉手势界面存在的问题,提出了一套行之有效的解决方案.首先,为了解决视觉手势交互中的MidasTouch问题,以人类注意的信息加工模型为理论依据提出了一个可扩展的视觉手势交互模型,该模型将手势交互过程分为选择性处理、分配性处理和集中处理3个不同阶段;然后,基于该模型提出了一个视觉手势识别框架,并结合认知心理学从手势检测、跟踪和识别3个方面对该框架的各个组成模块的关键技术进行了阐述,其中手势检测模块和识别管理模块能够辅助系统在复杂的背景中滤除掉不相关信息而选择性地搜索人手并根据上下文信息对手势识别任务重定向,从而避免了系统时刻都处于激活状态并对所有的手势动作都进行识别分析,有效解决了Midas Touch问题.文中介绍了使用该方法实现的IEToolkit手势界面工具平台,并基于一个视觉手势交互系统进行了实验测试与评估,结果验证了文中方法的可用性.     

基于颜色概率模型的实时手势跟踪算法

本文提出了一种改进的CAMSHIFT算法,实现了对动态手势的实时跟踪。将图像序列通过一个肤色概率查找表转换为肤色概率分布图,结合运动信息和肤色概率分布,初始化一个搜索窗的大小和位置,然后对肤色概率分布图进行迭代运算,定位出手势的位置和大小,根据计算肤色概率分布图中手势区域的2阶矩,最终确定感兴趣区域的长度和宽度
。实验表明,本文提出的算法能实时处理视频图像,避免了错误跟踪,而且跟踪准确精细。     

基于OPENCV的手势识别系统的设计与实现

人与计算机的交互技术是一种新型的计算机技术,且逐渐演变为一种主流技术和计算机领域的技术热点;为了能够更好地识别手势和跟踪手势的运动轨迹,提出了基于OPENCV的手势识别系统,系统引入了OPENCV计算机视觉库,OPENCV作为优秀的计算机视觉库,为设计的实现提供了便捷的代码,利用OPENCV技术中的图像处理算法,首现通过摄像头采集数据图像,并对采集到的图像进行一系列的缩放,去噪以及锐化等处理,然后对人体手势建立肤色模型,然后经过灰度阈值化来转换成二值图像,得到手轮廓的数据图像后,采用轮廓匹配方法识别出手型;最后通过10种基本的手势模型对比验证了本系统具有一定的实时性,并且识别率可以达到95％以上.     

基于均值漂移与粒子滤波的手势跟踪算法研究

基于视觉的手势跟踪技术在虚拟现实、人机交互、视觉监控等领域均有着广阔的应用。本文主要研究用于人机交互的手势跟踪,以颜色特征作为目标的表征方式,并结合MeanShift均值移住提出了一种基于颜色直方图的粒子滤波跟踪方法。仿真实验结果表明,本文研究的方法效果较好,能准确的对序列图中的手势进行跟踪。     

面向人机交互的手势识别系统设计

在人机交互领域(Human-Computer Interaction,HCI)中,基于视觉的手势识别因其直观、高效的特点拥有广阔的应用前景。为了改善传统手势识别算法识别率低、鲁棒性差的缺点,基于OpenCV和Keras深度学习框架提出一种简单、快速的手势识别方法作为人机交互的接口。手势图像经过3个处理阶段:预处理、特征提取和分类。对输入图像进行预处理,使用YCbCr肤色模型提取出手部肤色区域,将其转化为灰度图像。使用卷积神经网络对手势图像进行特征提取和分类。实验结果表明:提出的手势识别方法识别率很高,达到99.43%,且具有较好的鲁棒性。与传统的人工选取特征相比,卷积神经网络能够有效地进行特征学习。     

一种快速鲁棒的动态入手跟踪方法

介绍了一种基于肤色与手形的动态人手跟踪方法。根据检测过程中所用到的人手基本特征,提出了一种基于色度一饱和度自适应阂值肤色分割与成对几何直方图（PGH）匹配的人手图像检测方法。为了克服跟踪过程中背景色干扰的问题,实现了基于Kalman滤波器的预测跟踪。实验结果表明,该动态人手跟踪方法计算简便、实时性好、跟踪精度高,可应用在大多数复杂场景。     

基于肤色动态手势区域的标定

针对视频序列中的运动手势,提出一种基于肤色和运动特征的快速标定方法。首先采用帧间差分法提取出运动手势目标;在YCbCr色彩空间中,利用肤色的Cb和Cr分量的高斯分布特性,检测出运动手势目标的肤色区域;经过阈值分割得到手势二值图,利用矩形框将手势区域标定出来。并在实验中证明该方法的有效性。     

基于手势识别的机器人人机交互技术研究

研究了基于视觉的动态手势识别技术,采用基于肤色的高斯模型与改进的光流场跟踪算法结合的方 法,实现了复杂背景下实时的手势跟踪,具有快速和准确的特点,且具有较好的鲁棒性．对于动态手势识别器,采 用了隐马尔可夫模型（HMM）作为训练识别算法．考虑到动态手势特征本身的一些特点,对HMM 参数优化算法重 估式加以修正,调整了算法比例因子,从而推导了最佳状态链的确定算法、HMM 参数优化算法．最后将研究开发 的动态手势识别算法成功地应用到了基于网络的远程机器人控制系统中．     

基于TLD和DTW的动态手势跟踪识别

针对动态手势跟踪稳定性的不足和识别效率的问题, 提出一种基于TLD和DTW的动态手势跟踪识别框架. 首先利用基于Haar特征的静态手势分类器获得手势区域, 然后使用TLD跟踪算法对获得的手势区域进行跟踪以获取手势轨迹, 最后提取轨迹特征, 使用改进的DTW算法进行识别. 实验表明, 该框架能够长时间稳定地跟踪手势区域, 并能够在保证识别率的基础上显著提高识别效率.     

基于SURF特征跟踪的动态手势识别算法

提出了一种基于加速鲁棒特征(SURF)跟踪的动态手势识别算法.其特征在于算法无需预先检测分割人手区域,仅通过跟踪统计相邻帧间匹配SURF特征点的移动主方向来刻画手势运动轨迹.提出采用经时间规整的轨迹方向数据流来建立动态手势模型,利用基于相关分析的数据流聚类方法实现动态手势的识别,大大提高动态手势识别速度.实验使用26个英文字母作为动态手势训练和识别,手势训练集和测试集的识别率分别为87.1%和84.6%,并成功用于实验室自主研制的侦察移动机器人Hunter的运动控制中,证实了该方法的有效性.     

基于运动历史图像和椭圆拟合的手势分割

针对当前常用的手势分割方法较难适应复杂的光照环境,提出了一种新的方法。该方法先从视频序列获取运动历史图像（Motion History Image,MHI）,对MHI进行运动区域分割,然后在这些运动区域筛选出手势区域。为了克服手势区域分割偏大的问题,提出了利用该区域内的当前运动轮廓做椭圆拟合,进而得到精度更高的手势分割结果。实验结果表明,提出的方法能够有效地分割出手势,并且和传统方法相比较更能适应不同的光照环境。     

A fast approach to deformable surface 3D tracking

Deformable surface 3D tracking is a severely under-constrained problem and great efforts have been made to solve it. A recent state-of-the-art approach solves this problem by formulating it as a second order cone programming (SOCP) problem. However, one drawback of this approach is that it is time-consuming. In this paper, we propose an effective method for 3D deformable surface tracking. First, we formulate the deformable surface tracking problem as a linear programming (LP) problem. Then, we solve the LP problem with an algorithm which converges superlinearly rather than bisection algorithm whose convergence speed is linear. Our experimental studies on synthetic and real data have demonstrated the proposed method can not only reliably recover 3D structures of surfaces but also run faster than the state-of-the-art method.     

基于深度信息的实时手势识别和虚拟书写系统

鉴于无接触体感交互技术在人机交互领域的成功应用,提出了一种基于Kinect深度相机的实时隔空虚拟书写方法。结合颜色和深度数据检测和分割出手掌区域;进一步,通过修改的圆扫描转换算法获得手指的个数,以识别不同的手势指令;根据指尖检测从指尖的运动轨迹分割出独立的字符或汉字运动轨迹,并采用随机森林算法识别该字符或汉字。这种基于深度信息的手势检测和虚拟书写方法可以克服光照和肤色重叠的影响,可靠实时地检测和识别手势和隔空书写的文字,其识别率达到93.25%,识别速度达到25 frame/s。     

一种结合肤色特征的人脸跟踪算法

将CAMSHIFT算法用于人脸跟踪时,当跟踪目标被其它人脸遮挡时会发生跟踪失败,针对这一不足,提出一种结合肤色区域特征的连续自适应均值移动算法(SCCAMSHIFT):提取目标的肤色区域作为已知特征,通过跟踪窗口的变化来判断遮挡的发生,并在遮挡发生后利用已知特征来寻找丢失的目标.实验结果表明,SCCAMSHIFT算法能够较好的解决跟踪过程中类肤色物体的遮挡问题.