"该资源是一种动态手势指令识别方法的发明专利申请,由哈尔滨工程大学的团队提出,旨在实现高效且实时的手势识别。该方法通过HSV空间肤色分割、区域生长、HOG特征提取和SVM分类器等技术进行动态手势的识别和分类。"
本发明涉及计算机视觉和人工智能领域,具体是一种动态手势指令识别方法。该方法的核心在于结合了图像处理、机器学习和手势跟踪技术,以提高手势识别的准确性和实时性。首先,定义了5种基础样本类,包括五指张开(Five类)、翘起拇指(Thumb类)、倾斜食指与中指(Two类)、拳头(Fist类)和杂乱手型(Else类)。这些基础样本是构建整个识别系统的基础。
在手势识别过程中,首先对图像进行HSV空间的肤色分割,这有助于从复杂背景中提取出手部。HSV色彩空间的选择是因为它对手部肤色有较好的鲁棒性。然后,通过区域生长技术找到图像中的最大肤色区域,确保手部被准确选取。接下来,对选定的肤色区域进行尺寸调整,以便于特征提取。
特征提取阶段,采用了梯度方向直方图(HOG)算法。HOG能有效地捕捉图像的边缘和形状信息,尤其适合描述手部轮廓。将图像划分为小块,并应用带有重叠的矩形HOG和[-1, 0, 1]算子来提取特征,这些特征用于后续的分类。
为了识别和分类动态手势,该方法设计了27种不同的手势指令,这扩展了手势识别的范围,使得更多的交互操作成为可能。利用基于连续框架差分(CFDP)的思想进行手势跟踪,可以连续地捕捉到手势的变化。接着,通过计算处理区域生长后的图像,得到手势的质心和边缘信息,进一步提取静态模型下的特征。每组手势指令都会生成一个61维的特征矩阵,这些特征矩阵经过整合后,利用支持向量机(SVM)分类器进行分类,形成Model_2。SVM是一种有效的分类工具,尤其在小样本和非线性问题上表现出色。
通过这种方法,本发明能够实现实时、高效的动态手势识别,同时避免了采用时间序列算法可能导致的计算复杂性。专利申请号为201911109920.6,申请日期为2019年11月14日,申请公布号为CN110956099A,该发明对人机交互、虚拟现实、智能设备控制等领域具有重要应用价值。