基于高階局部自相關的特征提取方法及其在手勢識別中的應用.pdf

1、手勢識別(HGR)是近年來的熱門話題之一。它已被廣泛用于人機交互領域當中。手勢識別技術在用自然裸露的手來描繪的手勢溝通中發(fā)揮著重要作用。
　　手勢系統(tǒng)的主要目標是獲得高識別率。本文主要研究高階局部自相關(HLAC)特征及其提取方法，以建立用于解決HGR系統(tǒng)問題的特征模型。與傳統(tǒng)的特征提取技術相比，高階局部自相關方法具有限制手勢圖像每個像素點的階數(shù)和空間位移的能力。手勢識別仍然存在一些挑戰(zhàn)。首先，我們需要檢測非常多變且被復雜背景包圍

2、的人手。其次，現(xiàn)有技術的計算復雜性較高。第三，因為使用了傳統(tǒng)的特征提取方法，HLAC在手勢識別領域的實用中一次只使用少數(shù)特征。本文旨在提高手勢識別任務的性能和計算效率。本文的主要貢獻和相關成果如下:
　　1.大多數(shù)手勢識別的第一步是手區(qū)域檢測和分割。當涉及復雜的背景和不同的照明時，這是一項特別具有挑戰(zhàn)性的任務。在這樣的環(huán)境中，特別是在動態(tài)手勢的情況下，大多數(shù)手部檢測技術無法獲得精確的手部形狀區(qū)域。我們采用了基于運動檢測的現(xiàn)有技術的

3、組合，并引入了一種新穎的膚色分類器來提高分割精度。運動檢測基于圖像差異和背景減除，膚色檢測通過使用顏色分類技術來完成。實驗結果表明，該方法能有效提高分割精度。
　　2.傳統(tǒng)的高階局部自相關（HLAC）特征提取方法比較復雜，需要較高的計算成本來提取所需數(shù)量的特征。我們改進HLAC方法降低了計算復雜度。提取的HLAC特征與其局部自相關特征固有地相關，并且對移位方差和尺度方差不敏感。因此，關于圖像中的手的特征分布和尺寸的限制被最小化。通

4、過這種方式，計算復雜度顯著降低。實驗結果表明，在低計算成本下，HLAC特征對HGR有很高的識別準確率。
　　3.為了在低計算成本的前提下有效地利用更多的特征，受到深度學習的顯著成功的啟發(fā)，提出了一種分級放樣的低階局部自相關特征提取方法。與原始的HLAC提取方法將所有內(nèi)容計算到一個輸入層不同，該方法的關鍵概念是將HLAC的計算分解為多層網(wǎng)絡。實驗結果表明，與傳統(tǒng)的特征向量相比，改進的具有中等大小的HLAC特征向量具有更強大的判別性信

5、息。
　　4.為了實現(xiàn)更準確的手勢識別，我們引入一種基于HLAC和HOG集成的新特征提取方法。我們研究了每個訓練樣本圖像中HLAC和HOG特征之間的統(tǒng)計關系，并利用這種關系對特征進行分類。為了評估這種方法的表現(xiàn)性能，我們將提出的HLAC-HOG方法分別與顏色直方圖(HOC)，梯度方向直方圖(HOG)，局部二值模式(LBP)和Gabor濾波器等特征提取方法進行對比。利用人工神經(jīng)網(wǎng)絡，對組合的HLAC-HOG特征進行分類，得到了最優(yōu)的