實時手勢檢測跟蹤算法及其應(yīng)用研究.pdf

1、隨著現(xiàn)代科學(xué)技術(shù)，特別是計算機技術(shù)、通訊技術(shù)、電子技術(shù)、傳感器技術(shù)、控制技術(shù)以及人工智能技術(shù)的飛速發(fā)展，人機交互技術(shù)已經(jīng)被廣泛地應(yīng)用到科學(xué)研究、工農(nóng)業(yè)生產(chǎn)、軍事、醫(yī)療衛(wèi)生、交通等許多領(lǐng)域?；谑謩莸娜藱C交互以手勢表達交互意圖，手勢中含有大量的交互信息，同時又符合人的認(rèn)知習(xí)慣，因此，基于手勢的人機交互研究成為了當(dāng)前研究的熱點，然而由于手不是剛體，存在形變，因此目前很多跟蹤算法在跟蹤過程中經(jīng)常會出現(xiàn)失誤，影響人機交互結(jié)果;另外，是因為使用背

2、景的復(fù)雜性，目前的算法在去除背景時還存在一定的不足。盡管微軟推出了Kinect Box360人機交互平臺，具有較好的性能，但成本太高，不利于智能家電等手勢人機方面的應(yīng)用。因此，一種基于普通攝像頭的人機交互系統(tǒng)不僅具有重要的理論意義，同時也具有重要的經(jīng)濟價值和應(yīng)用價值。
　　本文緊密結(jié)合實際應(yīng)用需求，研究了圖像去噪、手勢檢測與手勢跟蹤等算法和相關(guān)實現(xiàn)技術(shù)，主要內(nèi)容和創(chuàng)新性貢獻如下:
　　(1)針對高效去除椒鹽噪聲和有效保留圖像

3、細(xì)節(jié)的技術(shù)要求，提出了一種基于PCNN(Pulse Coupled Neural Network)的自適應(yīng)窗快速去噪方法ADEN(AdaptiveDenoising method for Extreme Noise)-PCNN。本方法引入了噪聲甄別機制，只對被污染的像素進行去噪處理，因而能夠保證在去噪的同時不損壞圖像信息，使圖像細(xì)節(jié)和紋理信息得以有效保留。為了確保圖像質(zhì)量，在面向圖像降噪的PCNN神經(jīng)網(wǎng)絡(luò)陣列結(jié)構(gòu)中引入了自組織機制，可以

4、自動地估計噪聲的強度信息并進行PCNN網(wǎng)絡(luò)中神經(jīng)元連接方式的自組織轉(zhuǎn)換。此外，還引入了自適應(yīng)機制，可根據(jù)噪聲強度的估計信息，自動進行濾波次數(shù)的優(yōu)選，增強自適應(yīng)能力。實驗結(jié)果表明，此方法較之常規(guī)方法和其他同類方法在去噪效果和保留圖像細(xì)節(jié)信息方面具有明顯的優(yōu)勢。
　　(2)為了實現(xiàn)跟背景無關(guān)的手勢檢測，設(shè)計了基于Cascade AdaBoost技術(shù)的手勢分類器。眾所周知，復(fù)雜背景下的手勢提取一直是圖像處理領(lǐng)域中的難點，傳統(tǒng)的基于背景差

5、分的目標(biāo)檢測方法、基于高斯混合模型的背景建模方法、幀間差分法都不能滿足實際中的應(yīng)用需求。背景差分方法和高斯混合模型的背景建模方法都要求背景固定不變，但在實際過程中，背景經(jīng)常是變化的，因此，這種方法通常只能在實驗室環(huán)境或要求很嚴(yán)格的環(huán)境，還對于面向智能電視的應(yīng)用環(huán)境而言，這兩種方法都不能勝任;幀間差分法也存在兩個方面的問題，一是要求場景中只有一個運動，二是要求光照要保持恒定，但這對面向智能電視而言的用戶而言這些要求很難保證，此外，基于背景

6、差分的方法不能準(zhǔn)確的提取出手勢目標(biāo)，這將影響后面的跟蹤特征點的提取，導(dǎo)致跟蹤失敗。因此，提出一種與背景無關(guān)的手勢目標(biāo)提取方法對基于手勢的人機交互什么重要。針對此，本文借助人臉檢測技術(shù)通過大量的樣本訓(xùn)練，設(shè)計了一種高效、準(zhǔn)確、實時的手勢目標(biāo)檢測方法，該方法具有很強的魯棒性和低的虛警率。
　　(3)提出了自適應(yīng)的目標(biāo)跟蹤策略，解決了傳統(tǒng)KLT算法的不足。實驗結(jié)果表明，本文算法在跟蹤目標(biāo)的準(zhǔn)確性、可靠性和魯棒性方面要明顯地優(yōu)于KLT算法