基于Hu矩和支持向量机的静态手势识别及应用

论文摘要

近年来,越来越多的系统以手势识别作为人机交互（Human-Computer Interaction）的接口。其中手势识别按输入设备不同可以分为基于数据手套的手势识别和基于视觉的手势识别。其中,基于视觉的手势识别以人手直接作为计算机交互系统的输入设备,交互自然,更能体现机器模拟人类视觉的功能,所以目前是手势识别研究的重点。本文基于视觉的方法对静态手势识别算法进行研究:提出基于Hu矩和SVM（Support Vector Machine）的静态手势识别技术;实现了数字手势0、1、……9的算法验证,同时把算法应用到机动车驾驶员考试体检系统手完整性检测模块。论文首先讨论了图像预处理的常用方法,然后对几何矩理论和SVM基础理论进行了相关介绍。由于手势图像具有旋转、尺度等不确定性,给特征提取带来一定困难,而几何矩是一种基于统计分析的算法,本文将其用于提取不同手势的特征,被提取的特征可以做到不随图像的旋转、平移、尺度的变化而变化而表现出良好的适应性、稳定性。支持向量机（SVM）是在统计学习理论基础上发展起来的新的学习方法,具有完备的理论基础和出色的学习性能。它基于结构风险化和VC原理,兼顾训练误差和泛化能力,在解决小样本,非线性及高维模式识别中具有许多优势。论文的后半部分主要是算法的验证和应用,将几何矩和SVM应用在数字手势识别和机动车驾驶员体检系统手完整性检测中。实验结果说明两者结合对静态手势识别有很好的识别率,其中在自定义的数字手势09的10个静态手势识别中,对测试样本的识别率达到98.7%;同时机动车驾驶员体检系统手完整性检测软件的应用也收到很好的应用效果。本文的创新之处一是结合两者的特点提出基于Hu矩和SVM相结合的手势识别算法,二是尝试把提出的手势识别算法运用到实际中来。对数字手势的仿真试验结果和手完整性检测软件的应用表明,基于几何矩和SVM的识别算法在静态手势识别中有独特的优势,是值得进一步研究的算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 手势识别的研究背景
• 1.2 手势识别的研究现状
• 1.2.1 现有手势交互界面
• 1.2.2 手势识别的一般步骤
• 1.3 本文的主要工作及结构安排
• 第二章 手势图像预处理
• 2.1 手图像获取
• 2.2 图像平滑
• 2.2.1 局部平均法
• 2.2.2 中值滤波法
• 2.2.3 频域平滑技术
• 2.3 彩色图像的灰度化
• 2.3.1 图像的色彩空间介绍
• 2.3.2 RGB 模式到灰度模式的转换
• 2.4 图像二值化
• 2.4.1 p-参数法
• 2.4.2 模式法
• 2.4.3 可变阈值法
• 2.4.4 最大类间方差（Otsu）法
• 2.5 图像形态学处理
• 2.6 准确手势区域的获取
• 2.7 本章小结
• 第三章 静态手形图像的特征提取
• 3.1 图像形状描述方法和比较
• 3.1.1 区域描述
• 3.1.2 边界描述
• 3.1.3 Hough 变换
• 3.2 矩描述子
• 3.2.1 矩的概念
• 3.2.2 矩的物理意义
• 3.2.3 矩的有关变换
• 3.3 Hu 矩
• 3.3.1 Hu 矩的物理意义
• 3.3.2 计算图像Hu 矩的主要代码
• 3.4 本章小结
• 第四章 支持向量机
• 4.1 引言
• 4.2 统计学习理论
• 4.3 最优化理论的基础定理
• 4.3.1 Fermat 定理
• 4.3.2 Lagrange 乘子法则
• 4.3.3 Kuhn-Tucker 定理及Wolfe 对偶
• 4.4 支持向量机
• 4.4.1 线性最优分类超平面
• 4.4.2 不可分样本集的最优分类超平面
• 4.4.3 非线性最优分类超平面
• 4.4.4 SVM 多值分类
• 4.4.5 SVM 的核函数
• 4.5 本章小结
• 第五章 基于Hu 矩和SVM 的数字手势识别
• 5.1 实时静态手势识别系统流程
• 5.2 LibSVM 的应用
• 5.2.1 关于LibSVM
• 5.2.2 静态手势分类实现步骤
• 5.2.3 测试结果和分析
• 5.3 本章小结
• 第六章 基于Hu 矩和SVM 的静态手势识别算法在体检系统的应用
• 6.1 手完整性检测模块实现
• 6.2 系统平台的组成
• 6.2.1 硬件组成
• 6.2.2 软件开发平台
• 6.3 手完整性检测功能模块
• 6.3.1 软件主流程
• 6.3.2 软件模块的功能和软件界面的设计
• 6.4 本章小结
• 第七章 总结和展望
• 7.1 总结
• 7.2 对下一步工作的展望
• 参考文献
• 致谢
• 作者在攻读硕士期间发表的论文