復(fù)雜背景下二維實(shí)時(shí)手勢識(shí)別技術(shù)研究.pdf

1、本文側(cè)重于研究復(fù)雜背景下實(shí)時(shí)的二維手勢分割以及利用不同的方法進(jìn)行二維手勢識(shí)別。手勢分割是整個(gè)識(shí)別分析的關(guān)鍵和前提，它的好壞直接影響系統(tǒng)的識(shí)別率。但是目前基于單目視覺的手勢識(shí)別技術(shù)中，手勢分割要求背景簡單或者要求識(shí)別者戴著笨重的數(shù)據(jù)手套。而本文改進(jìn)了傳統(tǒng)的手勢分割技術(shù)，采用了基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)K-L坐標(biāo)膚色模型和適應(yīng)周圍環(huán)境的運(yùn)動(dòng)信息；此外，本文還使用了前景信息以及包圍手勢的矩形區(qū)域的平面幾何信息等信息在復(fù)雜背景下進(jìn)行手勢分割，與傳統(tǒng)的

2、基于RGB膚色模型的手勢分割相比，在復(fù)雜背景環(huán)境下得到了很好的分割效果。手勢形狀特征提取階段的任務(wù)就是估計(jì)選定的手勢模型的參數(shù)。在對分割的手勢區(qū)域進(jìn)行預(yù)處理后，在本文中采用了一種簡易的基于拓?fù)鋵W(xué)的特征提取技術(shù)進(jìn)行簡單手勢識(shí)別；并且使用了一種新的歸一化的傅立葉描述子進(jìn)行復(fù)雜手勢的特征提取。手勢識(shí)別過程就是把模型參數(shù)空間里的軌跡(或點(diǎn))分類到該空間里某個(gè)子集的過程。本文成功應(yīng)用在語音識(shí)別領(lǐng)域中的識(shí)別方法(隱馬爾可夫模型HMM)，對預(yù)定的30