机器人视觉大作业..docxVIP

机器人视觉论文论文题目： 基于opencv的手势识别院系： 信息科学与工程学院专业： 信号与信息处理姓名： 孙竟豪学号： 21160211123摘 要文中介绍了一种易于实现的快速实时手势识别算法。研究借助计算机视觉库 OpenCV 和微软 Visual Studio 2008 搭建开发平台，通过视频方式实时提取人的手势信息，进而经二值化、膨胀腐蚀、轮廓提取、区域分割等图像处理流程甄别出当前手势中张开的手指，识别手势特征，提取出人手所包含的特定信息，并最终将手势信息作为控制仪器设备的操作指令，控制相关设备仪器。引言随着现代科技的高速发展及生活方式的转变，人们越发追求生活、 工作中的智能化， 希望享有简便、 高效、 人性化的智能操作控制方式。而伴随计算机的微型化，人机交互需求越来越高，人机友好交互也日益成为研发的热点。目前，人们已不仅仅满足按键式的操作控制，其目光已转向利用人体动作、 表情变化等更加方便、 友好、 直观地应用智能化交互控制体系方面。近年来，国内外科学家在手势识别领域有了突破性进展。1993 年 B． Thamas 等人最先提出借助数据手套或在人手粘贴特殊颜色的辅助标记来进行手势动作的识别，由此开启了人们对手势识别领域的探索。随后，手势识别研究成果和各种方式的识别方法也纷然出现。从基于方向直方图的手势识别到复杂背景手势目标的捕获与识别， 再到基于立体视觉的自然手势识别， 每次探索都是手势识别领域内的重大突破。1 手势识别流程及关键技术本文将介绍一种基于 OpenCV 的实时手势识别算法，该算法是在现有手势识别技术基础上通过解决手心追踪定位问题来实现手势识别的实时性和高效性。基于 OpenCV 的手势识别流程如图 1 所示。首先通过视频流采集实时手势图像， 而后进行包括图像增强、 图像锐化在内的图像预处理，目的是提高图像清晰度并明晰轮廓边缘。根据肤色在 YCrCb 色彩空间中的自适应阈值对图像进行二值化处理， 提取图像中所有的肤色以及类肤色像素点， 而后经过膨胀、 腐蚀、 图像平滑处理后， 祛除小块的类肤色区域干扰，得到若干块面积较大的肤色区域; 此时根据各个肤色区域的轮廓特征进行甄选， 获取目标手势区域，而后根据目标区域的特征进行识别，确定当前手势，获取手势信息。图 1 基于 OpenCV 的手势识别流程此识别过程有三个关键流程: 肤色分割、 区域分割和手势识别。肤色分割完成图像的预处理后，将其色彩空间由 RGB 转化到 YCrCb。“Y” 代表亮度( Luminance) ， 也就是灰阶值; 而“Cr” 和“Cb” 分别表示色调与饱和度， 二者统一起来共同代表色度( Chrominance) 。YCrCb 转换到 RGB 的 公 式 如 下 ( RGB 取 值 范 围 均 为 0 ～255) :Y = 0.299R + 0.587G + 0.114BCr = － 0.147R － 0.289G + 0.436BCb = 0.615R － 0.515G － 0.100B 本文采用 YCrCb 色彩空间的原因是其亮度信号 Y 和色度信号 Cr、 Cb 是分离的。把 RGB 转为YCrCb 空间后，因该空间受亮度影响较小， 其亮度 Y的影响则可忽略，由此将三维空间模型便可转换为二维空间模型，肤色将会产生较好的类聚。通常，当Cr 和 Cb 满足: 133≤Cr≤173，77≤Cb≤127 时， 即可认为是肤色区域; 而此时在事先设定的自调节阈值基础上，通过对当前时刻的 Cr 和 Cb 阈值进行经验性调整，便可更加精确地确定肤色区域。之后，若将肤色区域像素点的像素分量调为 255， 非肤色区域像素点的像素分量调为 0， 即可得到肤色区域的二值化图像。其原视频图像与二值化图像对比结果示例如图 2 所示。图 2 图像二值化前后对比1.2 区域分割 区域分割的主要目的是为剔除与手势无关的脸部、 另一只无效手部、 以及其它类肤色背景的干扰，进而精确定位有效的目标手势区域。使用cvFindContours 函数对已获取的二值化图像进行轮廓查找，可得到二值化图像中的轮廓总数，继而通过统计每一个轮廓区域占肤色区域总面积的百分比， 并判断其百分比的大小( 如是否小于 10% ) ，来认定其是否为干扰区域。剔除所有干扰区域后， 即可得到若干块较大面积的肤色区域。而后为了在此若干块肤色区域中确定目标手势区域，根据仿生学原理，本研究尝试性地提出“周积比” 的概念并以此作为有效手势区域的判别标准。“周积比” 即某孤立区域的周长与面积的比值，生态学特征理念之中，生物表面积与体重的比值越大，说明延展度越大。“周积比”概念正是以此为借鉴， 来用以确定张开手指的手势区域。经实际测试， 在肤色区域块正常识别的情况下，此种方法可以精确地将伸出手指的手势区域与脸