實時手勢檢測跟蹤算法及其應用研究.pdf

1、隨著現代科學技術，特別是計算機技術、通訊技術、電子技術、傳感器技術、控制技術以及人工智能技術的飛速發(fā)展，人機交互技術已經被廣泛地應用到科學研究、工農業(yè)生產、軍事、醫(yī)療衛(wèi)生、交通等許多領域?；谑謩莸娜藱C交互以手勢表達交互意圖，手勢中含有大量的交互信息，同時又符合人的認知習慣，因此，基于手勢的人機交互研究成為了當前研究的熱點，然而由于手不是剛體，存在形變，因此目前很多跟蹤算法在跟蹤過程中經常會出現失誤，影響人機交互結果;另外，是因為使用背

2、景的復雜性，目前的算法在去除背景時還存在一定的不足。盡管微軟推出了Kinect Box360人機交互平臺，具有較好的性能，但成本太高，不利于智能家電等手勢人機方面的應用。因此，一種基于普通攝像頭的人機交互系統(tǒng)不僅具有重要的理論意義，同時也具有重要的經濟價值和應用價值。
　　本文緊密結合實際應用需求，研究了圖像去噪、手勢檢測與手勢跟蹤等算法和相關實現技術，主要內容和創(chuàng)新性貢獻如下:
　　(1)針對高效去除椒鹽噪聲和有效保留圖像

3、細節(jié)的技術要求，提出了一種基于PCNN(Pulse Coupled Neural Network)的自適應窗快速去噪方法ADEN(AdaptiveDenoising method for Extreme Noise)-PCNN。本方法引入了噪聲甄別機制，只對被污染的像素進行去噪處理，因而能夠保證在去噪的同時不損壞圖像信息，使圖像細節(jié)和紋理信息得以有效保留。為了確保圖像質量，在面向圖像降噪的PCNN神經網絡陣列結構中引入了自組織機制，可以

4、自動地估計噪聲的強度信息并進行PCNN網絡中神經元連接方式的自組織轉換。此外，還引入了自適應機制，可根據噪聲強度的估計信息，自動進行濾波次數的優(yōu)選，增強自適應能力。實驗結果表明，此方法較之常規(guī)方法和其他同類方法在去噪效果和保留圖像細節(jié)信息方面具有明顯的優(yōu)勢。
　　(2)為了實現跟背景無關的手勢檢測，設計了基于Cascade AdaBoost技術的手勢分類器。眾所周知，復雜背景下的手勢提取一直是圖像處理領域中的難點，傳統(tǒng)的基于背景差

5、分的目標檢測方法、基于高斯混合模型的背景建模方法、幀間差分法都不能滿足實際中的應用需求。背景差分方法和高斯混合模型的背景建模方法都要求背景固定不變，但在實際過程中，背景經常是變化的，因此，這種方法通常只能在實驗室環(huán)境或要求很嚴格的環(huán)境，還對于面向智能電視的應用環(huán)境而言，這兩種方法都不能勝任;幀間差分法也存在兩個方面的問題，一是要求場景中只有一個運動，二是要求光照要保持恒定，但這對面向智能電視而言的用戶而言這些要求很難保證，此外，基于背景

6、差分的方法不能準確的提取出手勢目標，這將影響后面的跟蹤特征點的提取，導致跟蹤失敗。因此，提出一種與背景無關的手勢目標提取方法對基于手勢的人機交互什么重要。針對此，本文借助人臉檢測技術通過大量的樣本訓練，設計了一種高效、準確、實時的手勢目標檢測方法，該方法具有很強的魯棒性和低的虛警率。
　　(3)提出了自適應的目標跟蹤策略，解決了傳統(tǒng)KLT算法的不足。實驗結果表明，本文算法在跟蹤目標的準確性、可靠性和魯棒性方面要明顯地優(yōu)于KLT算法