基于深度图像和稀疏表示多手势识别算法.docVIP

基于深度图像和稀疏表示多手势识别算法 　　摘 要： 针对复杂环境下多目标手势区域分割难度较大、识别率较低的问题，提出一种基于深度图像和稀疏表示的多手势识别算法。该算法采用肤色和深度图像分割相结合的方式对图像中出现的多手势进行精确分割，再对分割后的手势图像进行归一化处理，最后通过稀疏表示的方法实现手势识别。实验结果表明，该算法识别率较高、鲁棒性较好，具有良好的识别性能。 　　关键词： 深度图像； 稀疏表示； 多目标手势； 手势分割； 手势识别 　　中图分类号： TN911.73?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2017）13?0044?04 　　Abstract： Since it is difficult to segment the multi?target gesture region in complex environment， and its recognition rate is low， a multi?gesture recognition algorithm based on depth image and sparse representation is proposed. The method combining skin color with depth image segmentation is adopted in the algorithm to segment the multi?objective gesture appeared in the image accurately. The normalization processing was performed for the segmented gesture image. The sparse representation method is used to recognize the gesture. The experimental results show that the algorithm has high recognition rate， strong robustness and superior recognition performance. 　　Keywords： depth image； sparse representation； multi?objective gesture； gesture segmentation； gesture recognition 　　0 引 言 　　目前，基于视觉的手势识别[1]成为新一代人机交互的关键技术，其中复杂背景下的手势识别是目前研究的热点和难点。复杂背景下的手势识别一般采用肤色模型进行手势区域的分割，通过这种方法可以有效地区分出肤色和非肤色区域。但是该方法采集到的图像一般都含有脸部和肢体的肤色区域，部分图像还含有与肤色相近的背景颜色区域，这些都对手势区域的提取与识别产生了较大影响。为了解决这个问题，文献[2]提出一种基于深度图像的手势识别算法，但该算法只研究了单个手势的识别问题，并且只识别了9种基本手势。为此，本文提出一种基于深度图像和稀疏表示的手势识别算法，该算法利用肤色模型和深度图像信息提取手势特征区域的表现特征，而后利用稀疏表示的方法对多种手势进行分类识别。 　　1 多目标手势区域的检测与分割 　　首先利用Kinect采集目标手势的RGB图像和深度图像，而后利用YCbCr色彩空间对采集的图像进行肤色检测。本文采用YCbCr色彩空间中的蓝色分量（Cb）和红色分量（Cr），舍弃亮度分量（Y），从而减少光照对肤色分割的影响。文献[3]指出肤色分割时在Cb?Cr空间应采用固定阈值进行肤色检测，其取值范围在像素区间内满足：。 　　通过阈值分割，可以得到多目标手势的肤色分割图像，如图1～图3所示。 　　由于在人机交互过程中，人体的手势动作往往都置于身体之前，通过检测手势区域与背景区域的不同深度值可以分割出手势。一般人体采用单手做手势，另一只手自然下垂或者离身体较近。通过深度图像分割，能够忽略贴近身体的手部区域，并将身体前侧手势区域分割出来。由文献[4]可知，正常人体的手掌面积大小约为100 cm2，因此在深度图像中，手势区域的像素较少。 　　本文采用深度直方图来寻找手势区域与复杂背景的分割阈值。原图的深度图像与深度直方图如图4和图5所示。 　　由文献[5]可知，手势区域部位往往离摄像头的距离较近，且手势面积相对于背景区域面积较小，因此从深度值由小到大寻找像素点变化，将极小深度值和其旁边的次小深度值作为分割阈值。由图5可知，两手势区域大约在深度值1 000～1 300和1 800～2 000的范围内。对图4