基于Kinect深度信息的動態(tài)手勢識別.pdf

1、隨著科學技術的快速發(fā)展，人機交互的質(zhì)量和水平不斷提高。作為一種替代傳統(tǒng)的輸入設備（鍵盤、鼠標、操縱桿等），手勢早已被作為理想的追求自然交互的重要方式，其研究也具有重要的理論研究意義以及實際應用價值。
　　本文在當前手勢識別研究成果的基礎上，分析了各種方法的優(yōu)劣，并且以更好的實現(xiàn)人機交互為重點，設計了一種通過Kinect攝像頭獲得的深度圖像并對手勢進行分割、跟蹤以及識別的手勢識別系統(tǒng)。
　　進行手勢識別的首要條件就是精確的手勢

2、分割，因為在處理深度圖像的過程中，存在將手腕誤分割為手部的問題，而且在處理彩色圖像時容易受到類似膚色物體、光照因素的干擾。因此，本文首先利用微軟提供的Kinect攝像機獲取深度圖像，采用雙閾值分割以及高斯膚色模型相結(jié)合的方法分別對Kinect傳感器獲取的深度圖像和彩色圖像進行處理，最后再進行手勢分割和識別，能夠有效的排除光照和背景等不利因素對識別結(jié)果的影響，經(jīng)過大量實驗證明本文提出的手勢分割方法準確有效，并且具有很好的魯棒性。手勢分割以

3、后，下一步就需要對手勢進行跟蹤，本文采用的是CamShift算法并結(jié)合卡爾曼濾波(Kalman)算法對手勢質(zhì)心進行定位跟蹤。手勢特征的提取在手勢識別中是至關重要的一步，本文采用了隱馬爾可夫模型(HMM)對提取的特征進行訓練。訓練采用了Baum.Welch算法，使運算效率大大提高，并且利用HMM的閾值模型對未定義的手勢進行區(qū)分。本文設計了前推、左移、右移、上移、下移五個手勢，并結(jié)合實際應用對實驗結(jié)果進行了驗證，實驗結(jié)果表明跟蹤效果準確、魯