深度信息辅助的动态阈值圆法手势识别算法

"该文研究了一种基于复合特征和动态阈值圆法的手势识别算法，旨在改进传统肤色分割方法在手势识别中的局限性。通过使用Kinect设备获取深度信息来分割手掌，提高了分割效果。文章详细介绍了如何利用多边形逼近处理手掌轮廓，将凸包点作为候选指尖点，并通过非零像素到最近零像素距离的方法提取掌心。通过线性回归动态调整阈值圆半径，过滤无用的凸包点，从而精确地提取指尖点。在分类阶段，结合图像的Hu矩和指尖点个数作为复合特征，运用KNN分类器进行手势识别。实验结果表明，该算法具有较高的识别率和实时性。" 本文针对传统手势识别技术存在的问题，提出了一种新的基于Kinect深度信息的分割方法。传统的手势识别常常依赖于肤色分割，但在光照变化或肤色相近的背景下，这种方法的准确性会受到影响。为了解决这个问题，研究者采用了Kinect设备，利用其提供的深度信息对手掌进行分割，这种方法不受肤色影响，能更好地分离出手部区域。 在提取关键特征方面，文章提出了一种多边形逼近策略来描绘手掌轮廓。通过找到轮廓的凸包点，这些点被作为潜在的指尖位置。然后，通过计算非零（白色）像素到最近零（背景）像素的距离，可以确定掌心的位置。接着，应用线性回归动态调整阈值圆半径，以此过滤掉无效的凸包点，进一步提高指尖点的定位精度。 在识别阶段，研究人员结合了图像的Hu矩（一种几何不变矩，对旋转、缩放和平移等几何变换保持不变，可用于特征描述）和指尖点的数量，形成了一种复合特征向量。这种复合特征能够更好地描述手势的独特形状和运动模式。将这些特征输入到KNN（K近邻）分类器中，KNN是一种基于实例的学习方法，用于找出训练集中最接近新样本的K个邻居，并根据邻居的类别进行预测。实验结果显示，基于复合特征和动态阈值圆法的算法在手势识别任务上表现出高识别率和良好的实时性能，证明了这种方法的有效性。 该研究提供了一种创新的手势识别方案，通过深度信息处理、精确的指尖点提取和复合特征匹配，提高了手势识别的准确性和实时性，为未来在人机交互、机器人控制等领域提供了理论和技术支持。