沙特国王大学学报基于最小包围盒和几何特征的手腕检测Andi Sunyotoa，b， Ragus Harjokoa，Retantyo Wardoyoa，Mochamad Hariadica印度尼西亚日惹Gadjah Mada大学计算机科学和电子系b印度尼西亚AMIKOM日惹大学计算机科学系c印度尼西亚泗水Sepuluh Nopalan技术研究所电气工程系阿提奇莱因福奥文章历史记录：2017年12月6日收到2018年5月9日修订2018年5月14日接受2018年5月18日在线提供保留字：手腕检测最小边界框手势A B S T R A C T手腕检测是人机交互应用中手部姿态估计和手势识别过程中的关键环节。大多数方法使用水平平行线来扫描手腕线的位置。手腕检测中的挑战性问题是确定方向和定位扫描各种手部姿势的水平平行线。所提出的方法自动检测手腕，基于最小包围盒和几何特征。它还确定了定位扫描的起始点和停止点。评估使用了一组1240张手部图像，其中地面实况数据来自三组数据。通过对包含多个手势和个体的手部图像的分析实验结果表明，该方法能够成功地检测出图像的方向和手腕点，具有较高的精度。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍手检测和手识别是当前人机交互系统中非常重要和流行的，人手提供许多自由度（Medjram等人，2017），因为它是一个复杂的对象，有许多关节和组件之间的关系（哈桑和米什拉，2012a，b）。手部参考点的确定对于手部姿态估计的成功是手参考点是可以用于指代手的其他特征（界标）的点或点集合，例如，手掌、指尖或掌骨关节。在以下研究中选择手腕作为手参考点（Bhuyan等人，2015; Premaratne等人，2013; Yao等人，2013年）。考虑到腕点提供了*通讯作者：印度尼西亚日惹Gadjah Mada大学计算机科学与电子系。电 子 邮 件地 址 ：andi@amikom.ac.id（ A.Sunyoto ） ，aharjoko@ugm.ac.id （ A.Harjoko ） ， rw@ugm.ac.id （ R.Wardoyo ） ，mochar@ee.its.ac.id（M. Hariadi）。沙特国王大学负责同行审查两点的坐标、距离和方向;因此，本研究非常强调手腕检测。几何方法提取几何特征，例如，位置、线、角度和距离。 几何特征不同于非几何特征，非几何特征被认为是不能单独处理的“盲特征”（Hasan和Mishra，2012 a，b），需要集体处理（Moeslund等人，2006年）。使用了几种几何理论（Bhuyan等人，2015; Grzejszczak等人，（2016a，2013）最初提出的手腕检测方法。一些横断面研究表明，手腕检测和各种手部姿势之间的关联是必不可少的。Bhuyan等人（2015）采用拟合椭圆检测图像方向。Grzejszczak等人（2016 a，2013）使用旋转弦;最长的弦被视为图像方向。当前关于手腕检测的许多文献特别关注使用平行线扫描手腕点（Bhuyan等人，2015; Grzejszczak等人，2013年）。Grzejszczak等人提出的方法。（2016a，2013）对于长臂的手部图像具有较高的准确性。在许多重要的横截面研究中，图像的方向是主要的腕部检测决定因素。这些研究表明，图像方向与手腕的关系可以确定准确性。因为人手具有多个自由度，所以可以通过使用另一种方法来提高精度，https://doi.org/10.1016/j.jksuci.2018.05.0051319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Sunyoto等人/沙特国王大学学报209⁄检测图像方向并确定开始点和停止点以定位手腕线的扫描。提高准确性是本研究的主要动机，用最小边界盒（MBB）来确定图像方向，并通过几何计算来定位手腕点的扫描区域在这项研究中，我们检测图像的方向使用水平平行线（HPLs）扫描的局部最小检测手腕点。手部姿态的快速变化严重影响了手部图像的方向性。越来越重要的问题是获得正确的图像取向。手的方向是手腕检测的基本因素扫描手腕的HPL现有方法（Bhuyan等人，2015; Grzejszczak等人，2016 a，2013）对于识别手腕具有差的准确性。图像方向检测和局部最小值扫描的定位需要改进。该方法的重点是改善手的图像方向和起止点检测局部极小值。我们提取MBB的特征来定义图像方向，并生成HPL。生产HPL需要MBB的两个方面。手轮廓和平行线的交点是一对手腕点候选者（WPC）。分析WPC的宽度以确定局部最小值的开始点和停止点。本研究的目的是从MBB中提取信息分析腕点候选的峰值以定义局部最小值的范围。一个MBB有四条线形成一个盒子和信息的方向。生成的点对使用MBB两侧的两条线，这两条线表示图像;因此，方向和平行线都是并行的。与现有技术不同，我们的技术使用改进的方法来获得图像取向，并且不对套筒长度施加任何约束主要贡献是一个优化技术，获得手的方向和定位的HPL扫描区域。我们使用来自公共数据库 * 的图像评估我们提出的手腕检测方法，并将其与（Grzejszczak等人，2016年a）。2. 相关文献人的手大致分为三个部分：手掌、手指和手腕。本研究的重点是腕部穴位的检测。文献中存在不同的手腕检测方法Bhuyan等人（2015）和Grzejszczak等人（2016 b）使用HPL找到腕线。这两种方法的不同之处在于它们定义图像方向的技术。Yao等人（2013）通过找到凸包以及其起点和终点来开始手腕检测。本研究通过测量到轮廓线距离最长的凸包线来确定手腕的一个点W1然后，对角矩形与w1的直线距离确定点w2的候选当盒子不在手的内部时，该点不被另一个点使用矩形的最短对角距离来确定另一个腕点w2。凸壳线和轮廓线的长度的确定对于各种手指伸展的手是不准确的。Premaratne等人（2013）使用从手臂延伸的直线进行手腕检测。当手轮廓线偏离延伸直线10%以上时，检测点是成功的本文没有进一步解释确定性，*http://sun.aei.polsl.pl/ ~ mkawulok/gestures。手臂的线条。手掌方向会影响偏差，降低精度。此外，各种手的大小和方向可能使手腕检测复杂化。Padam Priyal等人（2013）假设手臂宽度最小的区域，并利用手掌宽度和手腕宽度之间的最小比例（1：29至1：55）来确定手腕点。固定比例对于获得最优点仍然是有风险的，因为它可能在下一个手腕检测过程中引起关键问题。他们的研究只使用了一组女性来计算这个比例。另一种手腕检测方法（Bhuyan等人，2015）由以质心为中心点的椭圆辅助。在椭圆内绘制两条直线：椭圆的最长和最短长度，直线位于手掌的质心假设的手腕点是手掌中距离最短的两个现有点。手腕的位置是通过绘制垂直于与质心相交的支撑线的水平平行线来虽然可以用椭圆找到方向，但帮助构建HPL的支撑框是使用单独的程序完成的质心在手掌区域之外的图像将在腕部区域的早期扫描期间引起错误Hasan和Mishra（2012，b）在他们的研究中提出了手部区域的圆形投影。这种方法的主要缺点是假设手掌和手指的面积是已知的。因此，确定手部定位的预处理步骤是实现该方法的必要步骤。Grzejszczak等人（2016b，2013）使用轮廓图像中最长的弦来确定手腕点。该方法旋转现有的轮廓以确定最扩展的弦，并且每个旋转位置计算像素的数量。通过分析弦轮廓的中点来确定腕部位置。当系统找到位置后，它将图像轮廓投射回原始位置。确定中点时的误差会降低该方法的精度该方法假设手部图像使用短袖来简化手掌分割。该方法需要改进以适用于任何图像条件。3. 该方法在我们的研究中，我们采用几何特征来研究MBB检测手腕的影响。所提出的方法是基于观察手腕线是最短点在手掌下面的轮廓中。通过使用水平平行线（HPL）从手掌到手臂的轮廓扫描找到最短点。图1系统地说明了所提出的方案，其中红线包围的步骤是新的连接。在我们提出的方法的主要思想是一个MBB获得的图像的方向，和一个峰值轮廓的手腕点候选人（WPC）定位的扫描范围。此方法的输入来自公共数据集的皮肤掩码集合经过处理后，它成为一种轮廓矢量使用方法（Tejada和Jiang，2009年）。手部轮廓向量是手部识别的基本元素，因此主要使用基于轮廓的图像，而不是基于区域的图像（Ghotkar和Kharate，2014）。手部轮廓被MBB覆盖，以获得创建HPL的基本信息。HPL的方向反映了手的方向。HPL和轮廓线的交点形成WPC点对。我们分析了WPC峰以获得扫描范围。在扫描范围内的最短段WPC被视为检测到的手腕点。详细的算法将在下一节中给出。210A. Sunyoto等人/沙特国王大学学报FG--1¼y;;Þyy1lsinh（（（（（（3.1. 手部轮廓检测该数据库是作为手部检测和姿势估计项目的一部分开发的。我们使用皮肤检测后获得的皮肤掩模二进制图像作为我们提出的方法的输入（Kawulok，2010）。形状轮廓是手部识别的基本元素，因此我们主要使用基于轮廓的图像，而不是基于区域的图像（Ghotkar和Kharate，2014）。轮廓检测是所提出的方法中的一个重要步骤，因为后续过程使用轮廓点。本研究选择轮廓检测（Tejada和Jiang，2009），因为它产生了良好的结果。3.2. MBB检测手腕检测方法首先用尽可能小的盒子（称为MBB）覆盖覆盖多边形的面积最小的矩形有一条边与凸包的一条边共线（Toussaint，1983）。在凸壳C1; C2; C3;.的侧面上的旋转卡尺量。;C 7用于定义MBB。 图图3示出了旋转卡尺技术的第一次旋转。 在每次旋转中，计算MBB候选的面积;最小的框面积被确定为MBB {P 1，P 2，P 3，P4}，如图所示。 四、算法1解释了从手部轮廓检测MBB的过程使用Chaudhuri和Samal算法1. MBB检测1.计算凸壳{C1，C2，C3，.. . ，C7}的输入多边形2.提取极值点：pmin=（xmin，ymin）T和pmax=（xmax，ymax）T3.在x最小值和x最大值上构造两条垂直支撑线，在y最小值和y最大值上构造两条水平支撑线，形成水平线P10;P！40和垂直线P10;P！20Þ4.初始化当前最小矩形面积Amin=以CL点为轴顺时针旋转支撑线，直到一条线与凸包5.a. 根据方框{P1，P2，P3，P4}计算面积AB. AAmin时更新最小面积值并保存框6.重复步骤5，直到凸包的所有边都与其中一条支撑线7.输出步骤5b中存储的最小面积3.3. 手腕检测预处理数据集（皮肤蒙版）手部轮廓1，240张图像检测手腕检测MBB检测生成HPL和WPC（，）定位扫描范围手腕检测（，）Fig. 1. 建议的手腕检测方法。图二.来自数据集的各种皮肤遮罩示例。生成点对opr和opl，每l具有一个间隔，其从等式2获得。（一）.l¼lsωvpx1由方程式（1），l是两点之间的间隔，ls是MBB的垂直边长，vpx= 0.16是一个常数。3.3.1. 基于手部轮廓的MBB检测MBB检测通过检测在该区域中的MBB而开始nHppdP1;P2Lð2Þ手轮廓。算法1使用凸包和双井径技术的组合来检测MBB。检测MBB的目的是生成定向点（OP）。在在图4中，MBB示出了盒的最小面积{P1，P2，P3，由方程式 nHpp是一个线段中OP点的数量，d是从欧几里德距离（ED）获得的，并且l是从等式（2）获得的。（一）.P4}。MBB的两侧方向线（OL）。P-1-0-P！20和P-3-0-P！40，被选为1000万美元1升 cos1000万美元3升该方法以特定的间隔沿着OL提取线和生成的OP;因此，OL是创建OP的基础。每个点OP（x，y）的水平（x）和垂直（y）位置使用等式2计算（三）、 OP引用{opr1.. . 操作由方程式（3）、用φxφ定义坐标（x，y），得到h从等式（4），而l是从方程中得到的。（一）.-一个2017年2月1日和{opl1.. . opln}分别用于右侧和左侧，其中i = 1，2，3，.. . nHpp由Eq. （二）、 图5示出了黄棕100x2-x1mmð4ÞðÞðA. Sunyoto等人/沙特国王大学学报211图三.第一次旋转支撑线。图四、用于确定MBB的每个旋转卡尺的矩形由方程式h是新点的定向方向，并且一条线段包括点（x1-y1）和点（x2-y2）。3.3.2. HPL和WPC生成假设点opr到点opl的定向反映腕定向。 图图6示出了通过连接每个opl和opr点对来生成HPL（红色虚线）。HPL从手部轮廓的顶部到底部穿过轮廓线。HPL和轮廓之间的交点图五、右（opr）、左（opr）和它们之间的间隔上的方向点见图6。 水平平行线（红色虚线）。行定义了WPC。与OP一样，WPC由两个侧面组成，其中wcr用于手部轮廓的右侧，wcl用于手部轮廓的左侧。WPC是从两条线段的交点获得的，使用方程：（五）、图7示出了具有蓝色轮廓圆的WPC。212A. Sunyoto等人/沙特国王大学学报一年二年1-x2 -x3-x4-x1-x2-x4-x 3- x4-x 1-x2-x 3 - x4-x 1-x 2-x 3-x 4-x 1-x 2-x 3-x 4-x 1-x 2-x3-x 4-x 1-x 2-x 3-x 4-x 2-x 3-x 2wcx;ytsx1- 1-tsx25由方程式其中，wc（x，y）是两条线的交点的坐标，并且ts从等式（5）获得。（六）、根据图7（a），索引idw等于手腕候选索引（wcr和wcl）。点wcr和wcl的索引指的是w1和w2，以分别指示右侧和左侧的手腕点。确定手腕穴位在算法2中解释。ts¼-— y- 我的— yð6Þ算法2. 手腕检测1 2 3 4 2 4在方程式中，（5）和（6）中，一条线段从（x1，y1）到（x2，y2），另一条线段从（x3，y3）到（x4，y4）。S（x，y）是交点。3.3.3. 扫描范围定位如果腕部特征被定义为WPC的局部最小宽度轮廓，则该特征可能处于不适当的位置，例如，宽度小于手腕的指尖此步骤旨在将搜索过程限制在手腕上，而不是所有WPC成员，因此我们必须定义起点和终点。此步骤确保仅从手掌到手臂比较WPC手腕点的扫描必须被定位以最小化检测误差。该方法通过使用ED计算每对点的距离wcri和wcli并将其存储在dwi中来开始手腕检测。如图7（b）所示，使用dwi中的峰值计算腕部的开始点和停止点。我们通过从手掌位置开始扫描来最小化不同手指状态（打开/闭合）的误差;因为手掌是检测手腕的关键元件。我们假设手掌是1中的最大峰。. b，其中b是从Eq.（七）、手掌宽度即p在图 7（b）.b1/2： 6Lebanonwi1/2由方程式L是获得WPC阵列的长度的函数，并且0.6是来自实验结果的常数我们使用了Padam Priyal等人。假设（2013）手腕的位置接近手掌宽度。在确定了起点p之后，我们确定了终点q。为了获得手腕点，我们从p计算局部最小值。. Q. 图7（b）示出了手腕由指数k或idw确定。1.使用等式2确定边界手掌宽度扫描b（七）2.计算局部最大值，以确定峰阵列中手掌宽度位置p。. dwb作为停止点3.计算出停止点q是从0.6掌宽处4.通过计算局部最小值dw p来确定手腕指数k。. dwq5.输出腕点指数在步骤4中存储，并参考分别将wcrk和wclk作为w1和w2图7（a）示出了使用wcl和wcr来搜索手腕点的扫描处理。扫描方向从手掌到手臂。扫描过程从p = 7开始，从1到b = 25（我们假设是手掌宽度）寻找最大峰值。因此，它找到了停止点q = 16，其中q到p的距离等于手掌宽度。 手腕点可以被识别为从p到q的局部最小值。 手腕W在索引号15中检测到;w1是右侧的腕点，w2是左侧的腕点4. 结果和评价我们评估我们的方法的鲁棒性与一个公共数据库的手构成。 我们使用来自（Grzejszczak et al.，2016 a; Kawulok等人，2014年;Nalepa和Kawulok，2014年）。它包含三个系列：（（p：掌宽，b：掌宽扫描边界，q：腕点扫描图7.第一次会议。（a）WPC腕点检测（w1和w2），（b）峰值分析，以定义起始点和停止点，定位扫描腕点。A. Sunyoto等人/沙特国王大学学报213¼(a)（b）（c）见图8。 手腕检测步骤的结果：（a）皮肤掩模，（b）MBB和轮廓，以及（c）手腕检测。(a)（b）（c）图9.第九条。所有数据集（a）HGR 1、（b）HGR 2a和（3）HGR 2b获得的误差曲线表1基于阈值E，比较所有数据集的检测精度。阈值（E）MBBLChord|MBB-LChord|0.352.73%38.64%百分之十四点零九0.5百分之七十三点三57.33%百分之十五点九七检测每个图像的点w1、w2和P。每个点表示手腕检测w1、w2，并且点P表示w1和w2的中点。我们分别将它们与GTDw1x、w2x和A进行了比较.见图10。具有实际点（wx1，wx2，A）、预测点（w1，w2，P）和可能的手腕点区域的轮廓。ejPAjjlwajð8Þ1. HGR 1包含12个人和25个手势的899张图像，2. HGR 2a包含三个人和13个手势的85张图像，3. HGR2b包含18个人和32个手势的574张图像。该数据集包含有和没有前臂存在的手势。我们过滤掉HGR 2b和GTD中的图像，并减少了错误GTD的图像数量。我们从HGR 2b中获得了256张皮肤面具图像最后，我们获得了1240张图像及其地面实况进行评估。图2呈现了来自数据集的皮肤掩模的样本。该算法在Matlab7.10（R2010a）中实现，并在Intel Core i3 1.4GHz处理器（4GB RAM）上运行序列处理的结果，（a）输入数据皮肤掩模，（b）轮廓检测和MBB检测，以及（3）手腕检测，如图所示。8.第八条。为了验证我们提出的方法的性能，我们采用了（Grzejszczak等人，2013年）。系统由方程式（8）、|P A|是从预测点{P}到实际点{A}，lwa是|w1x，w2x|e是检测到的误差。所提出的方法（MBB）的评价计算了|P A|，其中预测点的距离是{P}，并且实际点是{A}。 的误差|P A|使用Eq. （八）、评估过程在图10中详细示出，其中预测点和实际点之间的距离|P A|=21.3776像素;实际手腕宽度lwa=86.1278像素，因此误差值e = 0.074。此外，如果eE，则认为图像中的手腕点被正确地检测到，其中E= 0.5是lwa距离的一半。 因此，如果数据库中的条目图像的错误e E，则检测是有效的。为了将我们的方法的准确性与现有的手腕检测方法进行比较，我们实现了Grzejszczak等人的方法。s方法（2016a）。我们将其与使用皮肤掩模图像数据集及其GTD的方法进行了在（Grzejszczak等人，2016a），他们旋转图像以获得最长的和弦（LChord）。我们旋转线弦以获得图像的方向。我们定位了手腕扫描，并检测了手腕点使用。我们将我们的方法与Grzejszczak等人的方法进行了比较，因为这两种方法的目标和数据库是相同的。的214A. Sunyoto等人/沙特国王大学学报（（b宽xqwppb qWpqXBXB817275 71119III见图11。腕部检测结果示例。(a)（b）（c）p：掌宽，b：掌宽扫描边界，q：腕点扫描见图12。 手腕检测结果和轮廓峰值。所提出的方法（MBB）使用MBB来检测手腕，而现有方法（LChord）使用最长的弦。为了设置验收阈值E的合适值，我们评估了正确检测到的点的数量。在图9中，水平轴表示误差阈值（E），垂直轴是整个数据集中正确检测到的手腕点的百分比我们使用所有数据集（HGR 1、HGR2a和HGR 2b）来评估基于阈值E的准确度。图9示出了所提出的方法（MBB）对于每个阈值E和每个数据集都更准确。在表1中，我们比较了验收阈值的准确度E = 0.3，E = 0.5。比较使用来自所有数据集的MBB和LChord检测方法的平均值。结果表明，当阈值E = 0.3时，MBB方法的检测准确率为52.73%，比LChord方法高14.09%。当阈值设为E = 0.5时，MBB方法的准确率为57.33%，比LChord方法高15.97%。根据表1，我们认为MBB方法的准确度优于LChord方法。所提出的方法的几个输出可以在图11中看到，在具有和不具有袖子的各种姿势中。十字表示通过MBB方法检测到的腕部，圆圈表示来自GTD的腕部点。（a，b，c）分别表示来自数据集HGR 1、HGR 2a和HGR 2b的集合。列I、列II和列III表示腕点的正确检测，并且列IV表示腕点的不正确检测图 12（a和c）显示正确的检测和图。 12（b）表示错误检测。在所提出的方法中，手腕检测的成功取决于MBB内的手的方向;峰值分析确定开始和停止点以定位手腕点的扫描。基于如图12所示，开始点和停止点的确定影响手腕检测的准确性。如果手掌在0.. . b，系统可以正确地检测手掌，反之亦然，如图12（a和c）所示该方法在某些条件下失败或提供不准确的结果，并且该技术依赖于手部分割的特定属性。首先，手臂应该是IIIIV（cA. Sunyoto等人/沙特国王大学学报215细分因此，很明显，该方法在图12（b）所示的情况下失败。在手腕线扫描中，应修正手掌检测程序以获得更好的起始点位置。其次，手腕被认为是在线上，线扫描提供最短的段。定向误差导致线检测不在手腕线上，如图11（IIIa）所示。通过修正方向检测方法，可以解决这一问题.5. 结论提出了一种基于MBB和几何特征的手腕检测方法。它使用各种手势和个人的图像来评估所提出的方法。评估证实，所提出的方法具有更高的准确性手腕检测相比，现有的技术。主要贡献是提供了一个MBB和几何特征，显着影响精度。手腕可以是检测手的其他元素的参考点，掌指关节、指尖、特定手指识别和手指长度。在后续的研究中，我们将发展一种更先进的轮廓分析技术来检测无袖图像的起始点和终止点，以减少检测误差。确认本研究由印度尼西亚引用Bhuyan，M.K.，MacDorman，K.F.，Kar，M.K.，Neog，D.R.，不列颠哥伦比亚省洛弗尔，Gadde，P.，2015年。基于几何和纹理分析的单目图像手势识别。J.维斯Lang.计算。28，39-55。https://doi.org/10.1016/j的网站。jvlc.2014.12.001网站。Chaudhuri，D.，（1996年），美国加利福尼亚州，Samal，A.，2007年封闭区域外接矩形拟合的一种简单方法。模式识别。40，1981-1989年。Ghotkar，A.S.，Kharate，G.K.，2014.基于视觉的印度手语手势识别研究。Int. J. 智能传感器内特尔系统7，96-115.Grzejszczak，T.，Kawulok，M.，Galuszka，A.，2016年a。彩色图像中手部标志点的 检 测 多 次 。 工 具 应 用 75 ， 16363-16387 。 网 址 ： http ：//doi.org/10.1007/s11042-015-2934-5Grzejszczak，T.，Kawulok，M.，Galuszka，A.，2016年b。基于角点分析的彩色图像手腕实时定位。多次。工具应用1-28. 网址：//doi. org/10.1007/s11042-016-3820-5。Grzejszczak，T.，Nalepa，J.，Kawulok，M.，2013.手部轮廓中的实时手腕定位。2013年第8届计算机识别系统国际会议论文集。Springer International Publishing，pp.439- 449 https://doi.org/10.1007/978-3-319-00969-8网站。Hasan，M.M.，Mishra，P.K.，2012年a。基于几何特征的手势建模与识别。可以的. J.图像处理。Comput. 目视3，12-26。Hasan，M.M.，Mishra，P.K.，2012年b。一种新的多手检测及几何特征提取与识别算法。Int. J. Sci. Eng. Res. 3，1-12。Kawulok，M.，2010.基于能量的斑点分析提高皮肤分割精度。多次。工具应用49，463-481。https://doi.org/10.1007/s11042-009-0444-z.Kawulok，M.，Kawulok，J.，Nalepa，J.，Smolka，B.，2014.一种自适应的皮肤区域分 割 算 法 。 EURASIP J. Adv. 信 号 处 理 。 2014 ， 1-22 。 网 址 ： //doi.org/10.1186/1687-6180-2014-170。Medjram ， S. ， Babahenini ， M.C. ， Taleb-Ahmed ， A. ， Ali ， Mohamed Ben ，Y.2017年。基于角点分析的彩色图像手腕实时定位。多次。工具应用76，15297-15324。https://doi.org/10.1007/s11042-016-3820-5网站。Moeslund，T. B.，克鲁格，V.，Hilton，A.，克鲁格，V.，2006.基于视觉的人体运动捕捉 与 分 析 研 究 进 展 综 述 。 Comput. 目 视 图 像 理 解 104 ， ， 90-126.https://doi.org/10.1016/j.cviu.2006.08.002网站。Nalepa，J.，Kawulok，M.，2014.快速准确的手形分类。在：Kozielski，S.，Mrozek，D.，Kasperski，P.，Malysiak-Mrozek，B.，Kostrzewa，D.（编），超越数据库，架 构 和 结 构 ， 计 算 机 和 信 息 科 学 通 信 。 施 普 林 格 ， pp. 364-373.https://doi.org/10.1007/978-3-319-06932-6_35。Padam Priyal，S.，Bora，P.K.，Priyal，S.P.，Bora，P.K.，2013年。基于几何归一化和 Krawtchouk 矩 的 鲁 棒 静 态 手 势 帕 特 认 出 来 了 。 46 ， 2202-2219 。https://doi.org/10.1016/j.patcog.2013.01.033.Premaratne，P.，Ajaz，S.，Premaratne，M.，2013.手势跟踪和识别系统使用卢 卡 斯 - 卡 纳 德 算 法 控 制 消 费 电 子 产 品 。 神 经 计 算 116 ， 242-249 。https://doi.org/10.1016/j的网站。neucom.2011.11.039网站。Tejada，P.J.，Jiang，D. M.，2009.数字图像轮廓提取的计算几何方法。Comput.科学硕士Toussaint，G.T.，一九八三年用旋转卡尺解决几何问题Proc.IEEE Melecon，A10。Yao ， Z. ， 潘 兹 ， 徐 ， S. ， 2013. 基 于 深 度 相 机 的 手 腕 识 别 和 手 掌 中 心 估 计 ， 在 ：Proceedings-2013InternationalConferenceonVirtualRealityandVisualization，ICVRV 2013。pp. 100-105. doi：10.1109/ ICVRV.2013.24。
我的内容管理
展开
