手勢識(shí)別技術(shù)介紹基于不同傳感器手勢識(shí)別的分類手勢類型

靜態(tài)手勢識(shí)別（手型）動(dòng)態(tài)手勢識(shí)別（動(dòng)作及軌跡）

RGB相機(jī)紅外相機(jī)（主動(dòng)、被動(dòng)）加速度傳感器深度相機(jī)（雙目、結(jié)構(gòu)光、TOF）靜態(tài)手勢識(shí)別方法基于手勢分割基于手勢檢測

選擇合適的特征

準(zhǔn)備大量訓(xùn)練樣本

算法復(fù)雜度較高算法復(fù)雜度低

難于分割完整的手勢

對(duì)光照比較敏感手勢識(shí)別-基于手勢分割手勢識(shí)別手勢輸入特征提取誤差補(bǔ)償、濾波、預(yù)處理手勢分割、手勢跟蹤、分類、建模訓(xùn)練、匹配手勢識(shí)別-基于手勢分割手勢識(shí)別-基于手勢檢測手勢分類器采集手勢樣本選擇分類算法選擇特征訓(xùn)練訓(xùn)練過程：識(shí)別過程：手勢類別及位置采集圖像手勢分類器多尺度處理分類手勢識(shí)別常用特征-HAARHAAR特征圖中黑色矩形所有像素值的和減去白色矩形所有像素值的和。手勢識(shí)別常用特征-LBPLBP特征將一幅圖片劃分為若干的子區(qū)域，對(duì)每個(gè)子區(qū)域內(nèi)的每個(gè)像素點(diǎn)都提取LBP特征。在每個(gè)子區(qū)域內(nèi)建立LBP特征的統(tǒng)計(jì)直方圖。整個(gè)圖片就由若干個(gè)統(tǒng)計(jì)直方圖組成手勢識(shí)別常用特征-HOG手勢識(shí)別算法-SVM手勢識(shí)別算法-Adaboost手勢識(shí)別算法-Adaboost訓(xùn)練OpenCV中Adaboost算法訓(xùn)練程序opencv_traincascade.exe-datadata-vecpos/pos.vec-bgneg/neg.dat-numPos15200-numNeg27000-numStages19-w18-h30-precalcValBufSize1024-precalcIdxBufSize1024-featureTypeLBP-minHitRate0.9999-maxFalseAlarmRate0.5-modeALL訓(xùn)練樣本Adaboost訓(xùn)練要點(diǎn)積極樣本多樣性積極樣本背景隨機(jī)性消極樣本結(jié)合場景積極樣本旋轉(zhuǎn)特征選擇手勢樣本采集獲取手勢的摳圖將手勢摳圖合成到隨機(jī)背景縮放到合適尺寸Adaboost手勢識(shí)別優(yōu)點(diǎn)速率較快（30-50ms）對(duì)光照不敏感對(duì)不同攝像機(jī)適用性強(qiáng)對(duì)圖像質(zhì)量要求不高Adaboost手勢識(shí)別缺點(diǎn)樣本處理要求高（尺寸，背景，光照，多樣）后期升級(jí)訓(xùn)練困難（手工裁剪或標(biāo)注樣本）存在一定程度誤判率（過擬合與泛化）特征不具有旋轉(zhuǎn)不變形（識(shí)別固定姿態(tài)手勢）Adaboost優(yōu)化方法采集多樣性樣本（20k）將誤判圖片作為消極樣本再訓(xùn)練收集實(shí)際識(shí)別圖片手工裁剪樣本使用其他的方法進(jìn)行二次判斷（膚色驗(yàn)證及SVM）手勢識(shí)別的其他方法深度相機(jī)可分割出手型的二值圖像（手型輪廓），進(jìn)而通過輪廓特征進(jìn)行手勢及動(dòng)作識(shí)別。深度神經(jīng)網(wǎng)絡(luò)通過CNN卷積神經(jīng)網(wǎng)絡(luò)自