手勢(shì)建模算法研究及其應(yīng)用.pdf

1、隨著計(jì)算機(jī)硬件及軟件技術(shù)的迅速發(fā)展,使符合人際交流習(xí)慣的手勢(shì)識(shí)別成為可能。由于基于視覺的手勢(shì)識(shí)別技術(shù)涉及計(jì)算機(jī)視覺、圖像處理、模式識(shí)別等領(lǐng)域,以及手勢(shì)本身具有的多樣性、多義性和時(shí)間空間上的差異性等特點(diǎn),此方向的研究成為一個(gè)極富挑戰(zhàn)性的多學(xué)科交叉研究課題。本文主要研究手勢(shì)識(shí)別中的手勢(shì)建模過程,包括手勢(shì)分析和手勢(shì)識(shí)別兩個(gè)階段。
　　 傳統(tǒng)的基于隱馬爾可夫模型(簡(jiǎn)稱HMM)的手勢(shì)識(shí)別算法的最終結(jié)果是由輸出概率最大的HMM模型來決定的。

2、然而由于手勢(shì)識(shí)別軌跡中打手勢(shì)人本身的動(dòng)作幅度不大以及部分手勢(shì)本身的相似性,若干個(gè)HMM模型的輸出概率有可能非常接近。僅憑概率最大來做判斷,存在誤識(shí)別的可能。同時(shí),基于支持向量機(jī)(簡(jiǎn)稱SVM)的手勢(shì)識(shí)別是利用手勢(shì)軌跡的整體數(shù)值特征來進(jìn)行識(shí)別,從而忽視了手勢(shì)軌跡中間的各種變化。HMM模型利用上下文關(guān)系進(jìn)行模式識(shí)別,更多地表達(dá)了類別內(nèi)的相似性,而支持向量機(jī)擅長(zhǎng)分類問題,更大程度上反映了類別間的差異,二者的融合恰好彌補(bǔ)了彼此的不足。
　　

3、 鑒于隱馬爾可夫模型(簡(jiǎn)稱HMM)具有良好的時(shí)間序列建模能力和支持向量機(jī)(SVM)在有限樣本的分類方面具有的優(yōu)良性能,本文提出了一種基于軌跡分割的HMM_SVM融合手勢(shì)識(shí)別模型。其基本思想是:將手勢(shì)特征提取過程中得到的手勢(shì)軌跡分割成兩部分,分別放入已經(jīng)訓(xùn)練好的16個(gè)HMM模型中計(jì)算最大似然概率。如果輸出概率滿足特定條件,則借助SVM再次分類。這樣能夠較準(zhǔn)確的進(jìn)行手勢(shì)識(shí)別,在一定程度上提高手勢(shì)識(shí)別準(zhǔn)確率。本文還實(shí)現(xiàn)了實(shí)時(shí)手勢(shì)識(shí)別的原型系

4、統(tǒng)。該系統(tǒng)包含手勢(shì)圖像捕獲、手勢(shì)圖像預(yù)處理、手勢(shì)分割、手勢(shì)特征提取、手勢(shì)軌跡識(shí)別等過程。在手勢(shì)圖像預(yù)處理階段,本文提出一種基于改進(jìn)ILAE算法的圖像局部自適應(yīng)增強(qiáng)算法對(duì)捕獲的手勢(shì)圖像進(jìn)行增強(qiáng),為后續(xù)的手勢(shì)圖像分割及手勢(shì)特征提取奠定了很好的基礎(chǔ)。本文的手勢(shì)識(shí)別實(shí)驗(yàn)結(jié)果表明,單獨(dú)運(yùn)用HMM模型對(duì)8種有代表性的手勢(shì)軌跡的平均識(shí)別率為93.25％。而運(yùn)用本文提出的一種基于軌跡分割的HMM_SVM融合手勢(shì)識(shí)別模型對(duì)該8種有代表性的手勢(shì)軌跡的平均識(shí)