基于Kinect的手勢圖像分類器設計.pdf

1、手勢識別具有非常廣泛的應用，是計算機視覺領(lǐng)域的研究課題之一。很多傳統(tǒng)的手勢識別方法主要依賴于數(shù)據(jù)手套等輔助設備，或者是基于傳統(tǒng)意義上的彩色(RGB)圖像上的手勢識別，不能獲得更多超過2D圖像以外的信息。而Kinect設備的問世為我們采集深度圖像提供了便利性。本文的主要研究目的在于基于Kinect平臺上設計并實現(xiàn)一個手勢圖像分類器，能識別出基本的幾種手勢。在本文中分類器我們采用兩種方法：一種基于隨機森林(Random-Forest)算法，

2、人工設計特征，采用了傳統(tǒng)圖像特征領(lǐng)域的幾種特征，如HOG，LBP等結(jié)合的方式；另外一種則是基于深度學習(Deep Learning)算法，采用自主學習特征的方式，并在頂端引入分類器進行識別。具體而言，本文的研究工作主要在以下幾個方面：
　　1：對通過Kinect采集得到的視頻流進行處理，得到手部彩色(RGB)圖像以及深度(Depth)圖像作為實驗數(shù)據(jù)集；
　　2：對于初步得到的數(shù)據(jù)集進行預處理，通過骨骼點等信息去除掉背景噪聲

3、，優(yōu)化手部圖像使之更易于處理；
　　3：根據(jù)研究需要人工進行了相應的特征設計，HOG，LBP等特征參數(shù)的選取，并根據(jù)這些特征設計隨機森林進行手勢圖像識別，取得了不錯的效果；
　　4：基于深度學習算法設計自主特征學習模型，并在整個網(wǎng)絡頂端引入分類器進行手勢圖像識別；
　　5：對兩種分類器得到的實驗結(jié)果做比較與分析。
　　我們利用手勢連續(xù)動作視頻流提取到了大量正面手勢圖像，使用深度學習方法在測試數(shù)據(jù)集識別率達到了81