融合Kinect与GVF Snake的手势轮廓提取方法

针对Kinect相机在人体骨骼点采集时无法获取手势信息的不足,提出一种融合Kinect和GVF Snake的手势轮廓提取算法,可以提取出完整清晰的手势轮廓。此算法利用Kinect相机在人体信息采集中的优势,获取深度图像,定位手掌点与手腕点,由这两点计算手的旋转修正角度。以手掌点向外做八向搜索获取手掌包围盒切分出手区域。最后在包围盒上放置Snake初始轮廓线,通过GVF Snake模型迭代搜索,获取目标准确完整边界。对于深度图像在边缘数据急剧变化时出现的抖动、凹陷等缺点,选择先构建轮廓线再收敛的GVF Snake算法保证手势轮廓完整平滑。实验结果表明,该方法能够自动放置GVF Snake初始轮廓,准确跟踪手位置、精确收敛到手势轮廓,抗噪效果明显。     

基于Kinect的机械手体感控制系统

提出一种基于深度信息对手指坐标进行实时跟踪,并可用于机械手同步运动控制的方案。首先利用Kinect的骨骼信息定位手掌位置并进行手部分割和轮廓提取,再提取指尖坐标,经卡尔曼滤波后计算手指与手掌的夹角,并发送至下位机,进而控制机械手与人手同步运动。     

基于深度信息与DBN的手势检测与识别

提出基于深度信息与深度置信网络(DBN)的手势检测与识别算法.首先通过Kinect提供的深度信息定位手势区域,并找出手势区域的方向线,根据方向线的角度把手势旋转成垂直向上.结合手掌形状特征实现手势分割得到二值化的手势图像.在此基础上,利用深度置信网络进行识别.通过深度信息,去除了复杂背景的干扰.利用方向线使得手势具有抗旋转性.利用深度置信网络无需其他特征提取.实验结果表明,本文检测手势区域准确,计算量较小,能够快速地实现手势识别,并能够获取较高的识别率.     

面向翻书机器人的手势控制指令的识别算法

所控制的翻书机器人是一种辅助特殊人群阅读的服务机器人,对其提出一种基于表观特征的手势控制指令识别算法.从Kinect(体感外设)获取的手部深度图像中利用最小深度点分割手势区域,用轨迹圆提取指尖个数及夹角等表观特征并通过决策树分类,同时利用手和肩膀的骨骼数据及其运动轨迹判定翻页方向.经过多次试验,手势控制指令识别率达到98.4%,该算法无需训练样本也能在复杂环境下快速准确地识别手势控制指令,完全可以应用于辅助特殊人群阅读时的翻书控制.     

基于Kinect深度图像信息的手势分割和指尖检测算法

为克服传统二维彩色图像处理算法易受周围环境、光照变化、背景等因素的影响,提出利用Kinect深度图像信息,实现一种快速鲁棒的手势分割与指尖检测算法。首先,根据Kinect得到的深度信息对非人体部分图像进行筛选,得到包含人手的人体图像;然后对当前得到的人体图像进行直方图分析,计算能够区分人手与非人手的阈值,并通过该阈值对人体图像进行分割得到人手图像;最后,对人手图像进行形态学处理,计算掌心位置,并提取手部轮廓,结合人手轮廓关键几何特征对指尖进行有效检测。实验表明,该方法能够实时、有效地对指尖进行检测。     

基于深度信息的无标记手势分割与3D定位

基于Kinect深度信息提出一种精确稳定的无标记手势分割和3D定位方法.基于深度阈值方法在实验空间中检测出手部二值图像.根据一般手势行为特性,提出基于目标手势端点检测和动态阈值算法无标记地分割出精确手势.为避免不精确的分割结果,对分割手势基本形态阈值限定.选取精确目标手势的重心坐标和纵向平均深度灰度值对手势3D定位.实验表明:该手势分割方法比已有无标记方法更精确稳定,3D定位比Kinect SDK的骨骼点手势定位稳定可靠、无奇异点.     

面向手语自动翻译的基于Kinect的手势识别

提出了一种基于3D体感摄像机Kinect设备实现面向手语自动翻译的手势识别方法,利用Kinect体感外设提供的深度图像实现手的检测,并通过OpenNI+NITE框架中函数获得手掌质心在三维空间中的位置,然后通过等值线追踪算法(又称围线追踪算法)和三点定位算法识别出手指实现了手势跟踪,最后通过矢量匹配方法识别手指名字,并设计了三层分类器来实现静态手势语的识别.相较于传统的基于数据手套和单目摄像机的方法,本方法识别的更准确.基于上述方法,实现了一个手势识别系统.实验结果显示,本文提出的方法更加简洁且行之有效.     

基于凸包算法的指尖识别方法

针对现有指尖检测方法容易受背景的干扰,并且指尖误判点较多的情况,提出了一种基于凸包分析的指尖检测算法。首先,为减少类肤色背景和光照对手部轮廓提取的影响,采用YCbCr肤色模型和背景差分法相结合的方法提取手部轮廓;然后采用快速凸包算法获得手部轮廓的凸包,并利用凸包顶点和缺陷点计算出掌心的坐标,根据凸包缺陷深度和手指几何特征及曲率特征检测手指指尖;最后采用有灯光和类肤色背景干扰的环境,而不是背景单一的环境进行实验,验证了所提算法的鲁棒性。实验结果表明,该算法可以有效识别出指尖数目和手掌的位置,实现简单的数字手势（0~5）的识别,具有较强的鲁棒性。     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

基于改进凸分解的手势识别

提出了一种新的基于Kinect的实时静态手势识别方法,主要贡献包括:提出了一种简易可行的、结合图像深度信息与肤色信息的手势区域检测与分割方法;提出了一种改进的凸分解算法,对手势区域进行近似凸形状分解,以得到表征手势特征的骨架信息;采用基于路径相似性的骨架图匹配算法对手势进行匹配以实现识别.针对特定手势集进行了对比实验,实验结果表明,本文方法在识别结果的准确率以及算法的效率上都有着良好的表现.      

基于姿态角的双Kinect数据融合技术及应用

针对单个Kinect深度图像传感器在人机交互时的骨骼自遮挡所导致的识别精度问题,提出了基于姿态角的双Kinect数据融合技术。首先,通过两台Kinect采集人体关节的数据信息;并做坐标统一化处理;其次,提出了基于姿态角的骨骼数据融合算法模型,同时依据Kinect SDK构建标准姿势特征向量集合;随后,根据骨骼活动度分配对应骨骼贡献度大小,进而计算融合后的姿势特征向量集合与标准姿势特征向量集合的余弦和,实时反馈两者姿势的匹配度,实现人体姿势的识别。通过构建数据融合处理平台,并应用于人体姿势识别,验证了该方法在不影响识别速率的前提下,提高了人体姿势识别的精准度。     

一种快速手势识别算法的实现与验证

基于大多数的手势识别算法,需要提取高维度的特征,限制了手势识别在实时系统中的应用。文中针对这种问题,提出一种快速的手势识别算法。首先,在原始图像上提取轮廓块边缘对目标区域进行分割。其次,提取目标区域的形状特征。然后,在数据库中,对每种手势只记录一幅标准的参考图像。最后,通过比较参考图像与待检测图像中的手势特征,来匹配和标记手势的含义。实验结果表明,文中提出的快速算法能够准确地识别手势。     

Kinect骨骼信息下的动态手势识别研究

针对复杂环境中存在的手势识别问题,提出一种利用Kinect传感器获取深度信息并进行动态手势识别的方法。该方法通过对Kinect传感器获取的深度信息进行分析,获取人体主要骨骼点的3D坐标,从中选取六个点作为手部运动的特征参照;为提高手势识别系统的识别速度,提出了一种基于查表的DTW算法对得到的特征数据进行模板训练并实现动态手势识别。实验结果表明:该方法具有较高的识别速度和识别率,对复杂背景及光照强度变化具有较强的鲁棒性。     

一种新的指横纹与静脉加权融合算法

为解决静脉识别中静脉细节特征信息量相对较少、误拒率和误识率偏高等问题,提出了一种新的手指指横纹与静脉加权融合算法.该算法在指横纹图像预处理阶段,通过一种基于八邻域的曲线曲率法准确定位手掌基准点,并以直线拟合技术拟合手指外轮廓,进而定位指横纹感兴趣区域;在图像匹配阶段,采用Gabor滤波器提取指横纹特征信息,并将指横纹和静脉进行加权信息融合.仿真实验表明,此算法能提高系统的识别率和稳定性.     

基于Kinect遮挡条件下行人的深度图像分割

针对Kinect深度图像中有遮挡条件下的多个行人进行分割算法的实时性和应用研究,提出一种双峰法和迭代法的自适应阈值改进算法,并融合平面位置关系消除重复目标的新算法。在提取遮挡行人目标的连通域后,在连通域的遮挡条件下,对行人有不同深度数据的特性计算出多个阈值,快速、有效地分割行人,对分割后深度图像用改进的消除多余目标算法使分割深度图像的结果更为准确。实验结果表明,在使用该新阈值分割和消除重复目标算法后,行人量大和行人量小时处理一帧需要60ms—70ms,正确识别率为94.8%—97.3%。从结果得出,新深度图像分割算法具有更好的实时性和鲁棒性,能良好地应用于Kinect深度图像分割中。     

利用Kinect进行地面植被分层覆盖度估算研究

  植被覆盖度( fractional vegetation cover, FVC)是一个重要的植被生物物理学参数,是一定空间尺度下所有植 被覆盖比例的综合反映.植被垂直方向的异质性在很多应用中也需要考虑.目前遥感和地面测量对获取植被垂直结构都 有待完善,新仪器, 新方法仍在不断发展之中.本文采用一种商业化的3D体感摄影机———Ki nect,其传感器具有彩色和 深度镜头,相当于数码相机和激光雷达的结合.实验发现, Kinect能够用于获取空间相匹配的数码相片和深度图像,并得 到植被的垂直剖面信息,进而计算垂直分层的FVC.受限于Ki ne c t目前的有效探测范围,这种设备不能大规模地应用于 野外测量中,但是它可为发展结合激光雷达和传统光学传感器获取植被参数的新方法提供测试数据.      

基于Kinect的人体三维动作实时动态识别

针对传统的二维图片动作识别算法识别率相对不高、实时性不强的问题,文章提出一种三维的人体动作实时识别的方法。该方法首先通过Kinect获取人体三维骨骼数据,然后对骨骼数据信息采取归一化的方法进行数据对齐的预处理,使得与实时数据与标准数据的角度阈值和距离参考值统一。最后与标准动作采用多特征融合的识别算法对动作进行识别与匹配的方法,并在此基础上改进基于关节点角度的动作识别方法。实验结果表明,文章方法运行速度较快,可有效消除角度测量不稳定以及距离测量无法检测方向上的差异造成的动作匹配不准确。满足三维动作识别的实时性、鲁棒性强。     

复杂背景下实时运动手指与指尖提取

由于指势可作为理想人机交互模式,研究指势识别具有重要意义,其中手指分割是关键.该文根据场景中任何可察觉的目标运动,都会体现在场景图像序列的变化中及彩色图像中红、绿、蓝三分量光强度在阴影区域存在差异,提出基于长序列多帧差分融合RGB彩色信息,建立自适应背景建模方法,从复杂背景中提取运动目标.根据手指在视频图像中的空间位置关系,提出自适应矩形结构元素对运动目标区域开运算,实现水平分割,以提取手指区域并确定手指尖位置.通过对不同背景的运动手指与指尖分割与提取,证实文中所提方法的鲁棒性.