本發(fā)明屬于手勢識別技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)d-p算法與多模板匹配的手勢識別方法。

背景技術(shù)：

隨著計(jì)算機(jī)科學(xué)技術(shù)與人工智能的迅速發(fā)展，人機(jī)交互系統(tǒng)已成為研究的熱點(diǎn)。傳統(tǒng)的以鍵盤、鼠標(biāo)、攝像頭等機(jī)器為中心的交互方式，已經(jīng)不能滿足人類對人機(jī)交互方式的需求，也存在著很多問題日常交流中，人的手勢是一種比較常用且自然的交流、交互方式，是其和外界進(jìn)行交流的重要方式，也是現(xiàn)代和以后的人機(jī)交互技術(shù)領(lǐng)域一個(gè)非常值得深入研究的課題。所以，基于視覺的手勢識別技術(shù)的研究有著相當(dāng)重大的意義。

手勢識別技術(shù)是一項(xiàng)值得深入研究的課題，并且基于計(jì)算機(jī)視覺的手勢識別技術(shù)的探究有著十分廣闊的應(yīng)用前景：

(1)手勢識別是一種三維交互技術(shù)方法，應(yīng)用在虛擬空間交互技術(shù)中，通過手勢和語音來實(shí)現(xiàn)虛擬裝配。

(2)應(yīng)用于多媒體等用戶界面，將基于數(shù)據(jù)手套的手勢與用戶界面結(jié)合，實(shí)現(xiàn)手勢控制家電、視頻游戲等系統(tǒng)。

(3)應(yīng)用于機(jī)器人和機(jī)械手的抓取等方面，在一些水下、火中等危險(xiǎn)環(huán)境下使用手勢進(jìn)行人機(jī)交互。

(4)應(yīng)用于聾啞人或肢體癱瘓等殘障人士日常生活中，使其通過簡單的手勢實(shí)現(xiàn)與計(jì)算機(jī)的交流?；蛘咄ㄟ^手勢實(shí)現(xiàn)對日常家電(臺燈、風(fēng)扇、空調(diào)等)的控制，使其生活更加便利。

由于手是彈性物體，同一種手勢之間會有較大差別，不同手勢之間可能會可相似，不同的人做出的手勢也會不同，且手勢具有較大的冗余信息，在無意識的狀況下會產(chǎn)生非常多的手勢，因此對識別技術(shù)的運(yùn)算能力和識別正確度要求很高?，F(xiàn)有技術(shù)中有很多手勢識別的方法，例如，申請?zhí)枮?01610919465.6的中國發(fā)明專利公開了一種手勢圖像的識別方法及系統(tǒng)，申請?zhí)枮?01510381721.6的中國專利公開了一種手勢識別方法及系統(tǒng)，申請?zhí)枮?01610559968.7的中國專利公開了一種手勢識別方法和裝置。但是，現(xiàn)有技術(shù)中的手勢識別方法還存在以下問題：無法快速識別多手勢變化，識別的準(zhǔn)確率低，實(shí)時(shí)性差，限制了手勢識別的推廣應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于針對上述現(xiàn)有技術(shù)中的不足，提供一種基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其設(shè)計(jì)新穎合理，手勢識別速率高，實(shí)時(shí)性好，手勢識別準(zhǔn)確率高，實(shí)用性強(qiáng)，使用效果好，便于推廣使用。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于，該方法包括以下步驟：

步驟一、手勢圖像的實(shí)時(shí)采集及預(yù)處理：采用攝像頭拍攝手勢圖像視頻流并將圖像視頻流傳送給計(jì)算機(jī)，計(jì)算機(jī)對圖像視頻流的視頻幀進(jìn)行圖像分割預(yù)處理，得到實(shí)時(shí)的手勢輪廓圖像；

步驟二、計(jì)算機(jī)采用改進(jìn)d-p算法對步驟一中得到的實(shí)時(shí)的手勢輪廓圖像進(jìn)行多邊形逼近擬合，具體過程為：

步驟201、設(shè)定特征點(diǎn)選取閾值δ；

步驟202、從手勢輪廓曲線上選取一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)；

步驟203、從起點(diǎn)開始，對手勢輪廓按照搜尋步長進(jìn)行遍歷搜尋，每經(jīng)過一個(gè)搜尋步長，計(jì)算曲線上的點(diǎn)到所述曲線的起點(diǎn)與終點(diǎn)連成的直線之間的距離，并找出曲線上的點(diǎn)到所述直線的最大距離；

步驟204、將步驟203中找出的最大距離與步驟201中設(shè)定的特征點(diǎn)選取閾值δ進(jìn)行比較，當(dāng)最大距離大于或等于特征點(diǎn)選取閾值δ時(shí)，將最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，當(dāng)最大距離小于特征點(diǎn)選取閾值時(shí)，將上次搜尋的終點(diǎn)作為下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直到再找到最大距離大于或等于特征點(diǎn)選取閾值δ的點(diǎn)，將再找到的最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直至回到步驟202中選取的起點(diǎn)時(shí)結(jié)束遍歷搜尋，并確定出了手勢輪廓曲線上的所有特征點(diǎn)；

步驟205、對手勢輪廓曲線上的所有特征點(diǎn)進(jìn)行曲線擬合，得到手勢輪廓多邊形逼近圖；

步驟三、計(jì)算機(jī)采用自適應(yīng)閾值算法對步驟二中得到的手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測，具體過程為：

步驟301、自適應(yīng)的指尖點(diǎn)選取閾值的確定：計(jì)算機(jī)根據(jù)公式計(jì)算得到指尖點(diǎn)選取閾值其中，w為步驟204中確定出的手勢輪廓曲線上的特征點(diǎn)的集合，n為步驟204中確定出的手勢輪廓曲線上的特征點(diǎn)的個(gè)數(shù)，xi為第i個(gè)特征點(diǎn)的橫坐標(biāo)，yi為第i個(gè)特征點(diǎn)的縱坐標(biāo)，x0為手勢輪廓圖像的質(zhì)心的橫坐標(biāo)，y0為手勢輪廓圖像的質(zhì)心的縱坐標(biāo)，i的取值為1～n的自然數(shù)；

步驟302、指尖點(diǎn)的確定：計(jì)算機(jī)以手勢輪廓圖像的質(zhì)心為圓心，指尖點(diǎn)選取閾值為半徑，畫圓，將落在圓外的特征點(diǎn)確定為指尖點(diǎn)，并統(tǒng)計(jì)出指尖點(diǎn)個(gè)數(shù)；

步驟四、計(jì)算機(jī)采用多模板匹配算法對手勢進(jìn)行匹配識別，確定出手勢；具體過程為：

步驟401、根據(jù)指尖點(diǎn)個(gè)數(shù)進(jìn)行手勢初步確定：計(jì)算機(jī)調(diào)取存儲在其中的預(yù)先構(gòu)建的手勢多模板庫，找出手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表，并在所述分類表中找出與步驟302中統(tǒng)計(jì)出的指尖點(diǎn)個(gè)數(shù)相對應(yīng)的手勢多模板庫中的手勢，初步確定出可能匹配的手勢；

步驟402、根據(jù)可能匹配的手勢的數(shù)量進(jìn)行手勢確定：當(dāng)步驟401中確定出的可能匹配的手勢的數(shù)量為1個(gè)時(shí)，將步驟401中確定出的可能匹配的手勢確定為匹配的手勢；當(dāng)步驟401中確定出的可能匹配的手勢的數(shù)量大于1個(gè)時(shí)，執(zhí)行步驟403確定匹配的手勢；

步驟403、根據(jù)hu矩特征值進(jìn)行匹配的手勢確定，具體過程為：

步驟4031、計(jì)算機(jī)調(diào)取存儲在其中的預(yù)先構(gòu)建的手勢多模板庫，找出各個(gè)手勢對應(yīng)的修正后的hu矩特征值；

步驟4032、計(jì)算機(jī)調(diào)用hu矩特征值計(jì)算模塊計(jì)算出步驟一中得到的實(shí)時(shí)的手勢輪廓圖像的hu矩特征值φ1、φ2、φ3、φ4、φ5、φ6、φ7，并根據(jù)公式hk＝|log(|φk|)|計(jì)算得到修正后的手勢輪廓圖像的hu矩特征值h1、h2、h3、h4、h5、h6、h7；其中，k＝1,2,…,7；

步驟4033、計(jì)算機(jī)調(diào)用匹配度比較值計(jì)算模塊計(jì)算實(shí)時(shí)的手勢輪廓圖像與步驟401中確定出的可能匹配的手勢中各個(gè)手勢的匹配度比較值，并將匹配度比較值最小時(shí)對應(yīng)的可能匹配的手勢確定為匹配的手勢；其中，計(jì)算機(jī)根據(jù)計(jì)算公式計(jì)算實(shí)時(shí)的手勢輪廓圖像與步驟401中確定出的可能匹配的手勢中第m個(gè)手勢的匹配度im，為步驟401中確定出的可能匹配的手勢中第m個(gè)手勢對應(yīng)的修正后的hu矩特征值，m的取值為1～m的自然數(shù)，m為步驟401中確定出的可能匹配的手勢的總個(gè)數(shù)。

上述的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于：計(jì)算機(jī)構(gòu)建手勢多模板庫的具體過程為：

步驟a、獲取多個(gè)手勢的輪廓圖像：采用攝像頭拍攝手勢1～10的圖像視頻流并將圖像視頻流傳送給計(jì)算機(jī)，計(jì)算機(jī)對圖像視頻流的視頻幀進(jìn)行圖像分割預(yù)處理，得到手勢1～10中每種手勢的5個(gè)手勢輪廓圖像；其中，每種手勢的5個(gè)手勢輪廓圖像包括手勢的正視輪廓圖像，手勢的向左旋轉(zhuǎn)角度α的輪廓圖像，手勢的向右旋轉(zhuǎn)角度α的輪廓圖像，手勢的側(cè)視圖和手勢的縮放圖；

步驟b、計(jì)算機(jī)采用改進(jìn)d-p算法分別對多個(gè)手勢的輪廓圖像進(jìn)行多邊形逼近擬合，其中，對每個(gè)手勢的輪廓圖像進(jìn)行多邊形逼近擬合的具體過程為：

步驟b01、設(shè)定特征點(diǎn)選取閾值δ′；

步驟b02、從手勢輪廓曲線上選取一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)；

步驟b03、從起點(diǎn)開始，對手勢輪廓按照搜尋步長進(jìn)行遍歷搜尋，每經(jīng)過一個(gè)搜尋步長，計(jì)算曲線上的點(diǎn)到所述曲線的起點(diǎn)與終點(diǎn)連成的直線之間的距離，并找出曲線上的點(diǎn)到所述直線的最大距離；

步驟b04、將步驟b03中找出的最大距離與步驟b01中設(shè)定的特征點(diǎn)選取閾值δ′進(jìn)行比較，當(dāng)最大距離大于或等于特征點(diǎn)選取閾值δ′時(shí)，將最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，當(dāng)最大距離小于特征點(diǎn)選取閾值時(shí)，將上次搜尋的終點(diǎn)作為下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直到再找到最大距離大于或等于特征點(diǎn)選取閾值δ′的點(diǎn)，將再找到的最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直至回到步驟b02中選取的起點(diǎn)時(shí)結(jié)束遍歷搜尋，并確定出了手勢輪廓曲線上的所有特征點(diǎn)；

步驟b05、對手勢輪廓曲線上的所有特征點(diǎn)進(jìn)行曲線擬合，得到手勢輪廓多邊形逼近圖并進(jìn)行存儲；

步驟c、計(jì)算機(jī)采用自適應(yīng)閾值算法對步驟b中得到的多個(gè)手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測，其中，對每個(gè)手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測的具體過程為：

步驟c01、指尖點(diǎn)選取閾值的確定：計(jì)算機(jī)根據(jù)公式計(jì)算得到指尖點(diǎn)選取閾值其中，w′為步驟b04中確定出的手勢輪廓曲線上的特征點(diǎn)的集合，n′為步驟b04中確定出的手勢輪廓曲線上的特征點(diǎn)的個(gè)數(shù)，x′i′為第i′個(gè)特征點(diǎn)的橫坐標(biāo)，yi′為第i′個(gè)特征點(diǎn)的縱坐標(biāo)，x′0為手勢輪廓圖像的質(zhì)心的橫坐標(biāo)，y′0為手勢輪廓圖像的質(zhì)心的縱坐標(biāo)，i′的取值為1～n′的自然數(shù)；

步驟c02、指尖點(diǎn)的確定：計(jì)算機(jī)以手勢輪廓圖像的質(zhì)心為圓心，指尖點(diǎn)選取閾值為半徑，畫圓，將落在圓外的特征點(diǎn)確定為指尖點(diǎn)，并統(tǒng)計(jì)出指尖點(diǎn)個(gè)數(shù)；

步驟d、計(jì)算機(jī)根據(jù)指尖點(diǎn)個(gè)數(shù)對多個(gè)手勢進(jìn)行分類，將指尖點(diǎn)個(gè)數(shù)相同的手勢分為一類，并列出手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表；

步驟e、計(jì)算機(jī)調(diào)用hu矩特征值計(jì)算模塊計(jì)算出各個(gè)手勢的輪廓圖像的hu矩特征值，并計(jì)算出各個(gè)手勢修正后的hu矩特征值，其中，計(jì)算機(jī)計(jì)算第r個(gè)手勢修正后的hu矩特征值采用的計(jì)算公式為k＝1,2,…,7，r的取值為1～50的自然數(shù)。

上述的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于：步驟a中所述角度α的取值為15°。

上述的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于：步驟b02中選取手勢輪廓曲線上最低的一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)。

上述的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于：步驟d中指尖點(diǎn)個(gè)數(shù)共有6種，指尖點(diǎn)個(gè)數(shù)為0的手勢為手勢10，分為第一類；指尖點(diǎn)個(gè)數(shù)為1的手勢為手勢1和手勢9，分為第二類；指尖點(diǎn)個(gè)數(shù)為2的手勢為手勢2、手勢6和手勢8，分為第三類；指尖點(diǎn)個(gè)數(shù)為3的手勢為手勢3和手勢7，分為第四類；指尖點(diǎn)個(gè)數(shù)為4的手勢為手勢4，分為第五類；指尖點(diǎn)個(gè)數(shù)為5的手勢為手勢5，分為第六類。

上述的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，其特征在于：步驟202中選取手勢輪廓曲線上最低的一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1、本發(fā)明將d-p算法進(jìn)行改進(jìn)后應(yīng)用在手勢識別中，并與多模板匹配方法相結(jié)合，能夠快速準(zhǔn)確地識別出手勢，設(shè)計(jì)新穎合理。

2、本發(fā)明采用改進(jìn)d-p算法對手勢輪廓圖像進(jìn)行多邊形逼近擬合后，再進(jìn)行指尖點(diǎn)檢測，能夠準(zhǔn)確地獲得指尖點(diǎn)個(gè)數(shù)，為對手勢按照指尖點(diǎn)個(gè)數(shù)分類奠定了基礎(chǔ)，能夠有效提高手勢識別的準(zhǔn)確率。

3、本發(fā)明采用了先分類再進(jìn)行匹配的方法，能夠良好的減少匹配的次數(shù)，提高手勢匹配的速率。

4、本發(fā)明通過多模板匹配，即對一種手勢的不同種類進(jìn)行匹配，能夠提高識別準(zhǔn)確率，有效地減少了匹配過程中的誤判率。

5、本發(fā)明在構(gòu)建手勢多模板庫時(shí)，也采用了改進(jìn)d-p算法對手勢輪廓圖像進(jìn)行多邊形逼近擬合后，再進(jìn)行指尖點(diǎn)檢測，再根據(jù)指尖點(diǎn)個(gè)數(shù)進(jìn)行分類的方法，與現(xiàn)有技術(shù)中僅僅簡單構(gòu)建出手勢模板庫，進(jìn)行模板匹配的方法相比，能夠有效提高手勢識別的速率和準(zhǔn)確率。

6、本發(fā)明能夠用于手勢控制中，用于控制日常生活用品，如臺燈、風(fēng)扇、空調(diào)、電動窗簾等，還能應(yīng)用于多媒體人機(jī)交互中，實(shí)用性強(qiáng)，使用效果好，便于推廣使用。

綜上所述，本發(fā)明設(shè)計(jì)新穎合理，手勢識別速率高，實(shí)時(shí)性好，手勢識別準(zhǔn)確率高，實(shí)用性強(qiáng)，使用效果好，便于推廣使用。

下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

附圖說明

圖1為本發(fā)明采用的硬件系統(tǒng)的電路連接框圖。

圖2為本發(fā)明手勢識別方法的方法流程框圖。

圖3為本發(fā)明構(gòu)建手勢多模板庫的方法流程框圖。

圖4a為本發(fā)明步驟202中選取進(jìn)行輪廓遍歷搜尋的起點(diǎn)的示意圖。

圖4b為本發(fā)明步驟204中選取進(jìn)行輪廓遍歷的新的起點(diǎn)的示意圖。

圖4c為本發(fā)明步驟204中確定出手勢輪廓曲線上的所有特征點(diǎn)的示意圖。

圖5a為本發(fā)明手勢1～10的手勢輪廓曲線圖。

圖5b為本發(fā)明經(jīng)過步驟二得到的手勢輪廓多邊形逼近圖。

圖5c為本發(fā)明經(jīng)過步驟三得到的手勢輪廓多邊形逼近圖指尖點(diǎn)檢測結(jié)果圖。

圖6為本發(fā)明手勢多模板庫的手勢輪廓圖像。

圖7為本發(fā)明第三類指尖點(diǎn)個(gè)數(shù)為2的手勢示意圖。

附圖標(biāo)記說明:

1—攝像頭；2—計(jì)算機(jī)。

具體實(shí)施方式

如圖1和圖2所示，本發(fā)明的基于改進(jìn)d-p算法與多模板匹配的手勢識別方法，包括以下步驟：

步驟一、手勢圖像的實(shí)時(shí)采集及預(yù)處理：采用攝像頭1拍攝手勢圖像視頻流并將圖像視頻流傳送給計(jì)算機(jī)2，計(jì)算機(jī)2對圖像視頻流的視頻幀進(jìn)行圖像分割預(yù)處理，得到實(shí)時(shí)的手勢輪廓圖像；

步驟二、計(jì)算機(jī)2采用改進(jìn)d-p算法對步驟一中得到的實(shí)時(shí)的手勢輪廓圖像進(jìn)行多邊形逼近擬合，具體過程為：

步驟201、設(shè)定特征點(diǎn)選取閾值δ；

步驟202、從手勢輪廓曲線上選取一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)；

本實(shí)施例中，步驟202中選取手勢輪廓曲線上最低的一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)。這樣的起點(diǎn)選取方法，能夠更加有序高效地進(jìn)行特征點(diǎn)遍歷搜尋，找出所有特征點(diǎn)，提高了手勢識別的速率。例如，如圖4a中的s點(diǎn)。

步驟203、從起點(diǎn)開始，對手勢輪廓按照搜尋步長進(jìn)行遍歷搜尋，每經(jīng)過一個(gè)搜尋步長，計(jì)算曲線上的點(diǎn)到所述曲線的起點(diǎn)與終點(diǎn)連成的直線之間的距離，并找出曲線上的點(diǎn)到所述直線的最大距離；例如，如圖4a所示，步長為曲線sa1，曲線的起點(diǎn)與終點(diǎn)連成的直線為直線sa1，點(diǎn)b為曲線上的一點(diǎn)，計(jì)算點(diǎn)b到直線sa1之間的距離；

步驟204、將步驟203中找出的最大距離與步驟201中設(shè)定的特征點(diǎn)選取閾值δ進(jìn)行比較，當(dāng)最大距離大于或等于特征點(diǎn)選取閾值δ時(shí)，將最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，當(dāng)最大距離小于特征點(diǎn)選取閾值時(shí)，將上次搜尋的終點(diǎn)作為下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直到再找到最大距離大于或等于特征點(diǎn)選取閾值δ的點(diǎn)，將再找到的最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直至回到步驟202中選取的起點(diǎn)時(shí)結(jié)束遍歷搜尋，并確定出了手勢輪廓曲線上的所有特征點(diǎn)；例如，如圖4b所示，曲線bb1上的點(diǎn)到直線bb1上的最大距離小于特征點(diǎn)選取閾值δ，則將b1更新為下一次搜尋的新起點(diǎn)，直到找到最大距離大于特征點(diǎn)選取閾值的點(diǎn)，如在曲線b3b4上出現(xiàn)的點(diǎn)c到直線b3b4上的距離大于特征點(diǎn)選取閾值δ，則將點(diǎn)c作為特征點(diǎn)和下一次搜尋的新起點(diǎn)；如圖4c所示，確定出的手勢輪廓曲線上的所有特征點(diǎn)為點(diǎn)b、點(diǎn)c、點(diǎn)e和點(diǎn)f；

步驟205、對手勢輪廓曲線上的所有特征點(diǎn)進(jìn)行曲線擬合，得到手勢輪廓多邊形逼近圖；例如，如圖5a所示為手勢1～10的手勢輪廓曲線，如圖5b所示為經(jīng)過步驟二得到的手勢輪廓多邊形逼近圖。

douglas-peucker算法(簡稱d-p算法)是由daviddouglas和thomaspeucker于1973年提出的一種曲線抽稀算法，可對曲線大量冗余點(diǎn)進(jìn)行精簡并保留曲線最基本特征。簡單的說，根據(jù)曲線離散度給定一個(gè)初始偏差值，將曲線首尾點(diǎn)相連形成直線，并查詢曲線所有拐點(diǎn)中距離該直線最遠(yuǎn)的點(diǎn)。如果該點(diǎn)與直線的距離小于初始偏差值，則刪除該點(diǎn)并返回；如果該點(diǎn)與直線的距離大于初始偏差值，則保留該點(diǎn)作為特征點(diǎn)，并以曲線首點(diǎn)和該點(diǎn)形成新的直線并重新查詢距離最遠(yuǎn)的點(diǎn)；依此類推，直至搜索完曲線所有點(diǎn)并保留下特征點(diǎn)。d-p算法已是計(jì)算機(jī)圖形學(xué)曲線簡化常規(guī)方法，突出優(yōu)點(diǎn)是可保留曲線最大彎曲形態(tài)的點(diǎn)，但是，如果將其應(yīng)用在手勢識別中，存在的缺點(diǎn)是：通過d-p算法遍歷搜尋曲線特征點(diǎn)時(shí)，不是按照輪廓曲線的順序而進(jìn)行的，即特征點(diǎn)并不是順序出現(xiàn)的。為此，本發(fā)明提出了改進(jìn)d-p算法，改進(jìn)d-p算法與傳統(tǒng)d-p算法相比，搜尋特征點(diǎn)的方法不同，如以上步驟202、步驟203和步驟204所述，改進(jìn)d-p算法先設(shè)定手勢輪廓曲線上的一點(diǎn)為起點(diǎn)，如果在一個(gè)步長中能夠?qū)ふ揖嚯x大于或等于特征點(diǎn)選取閾值的點(diǎn)，就將該點(diǎn)作為特征點(diǎn)以該點(diǎn)作為新的起始點(diǎn)進(jìn)行下一個(gè)步長的尋找；如果該步長中沒有特征點(diǎn)，就繼續(xù)進(jìn)行下一個(gè)步長。改進(jìn)d-p算法搜尋特征點(diǎn)的方法能夠使得特征點(diǎn)是按照輪廓曲線的順序而出現(xiàn)的，應(yīng)用在本發(fā)明中，能夠更加高效地尋找出手勢輪廓曲線上的所有特征點(diǎn)。

步驟三、計(jì)算機(jī)2采用自適應(yīng)閾值算法對步驟二中得到的手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測，具體過程為：

步驟301、自適應(yīng)的指尖點(diǎn)選取閾值的確定：計(jì)算機(jī)2根據(jù)公式計(jì)算得到指尖點(diǎn)選取閾值其中，w為步驟204中確定出的手勢輪廓曲線上的特征點(diǎn)的集合，n為步驟204中確定出的手勢輪廓曲線上的特征點(diǎn)的個(gè)數(shù)，xi為第i個(gè)特征點(diǎn)的橫坐標(biāo)，yi為第i個(gè)特征點(diǎn)的縱坐標(biāo)，x0為手勢輪廓圖像的質(zhì)心的橫坐標(biāo)，y0為手勢輪廓圖像的質(zhì)心的縱坐標(biāo)，i的取值為1～n的自然數(shù)；

步驟302、指尖點(diǎn)的確定：計(jì)算機(jī)2以手勢輪廓圖像的質(zhì)心為圓心，指尖點(diǎn)選取閾值為半徑，畫圓，將落在圓外的特征點(diǎn)確定為指尖點(diǎn)，并統(tǒng)計(jì)出指尖點(diǎn)個(gè)數(shù)；

通過觀察圖5b可知，為了獲得手勢指尖，不能用凸點(diǎn)的個(gè)數(shù)來直接替代指尖點(diǎn)個(gè)數(shù)，因?yàn)樵趯?shí)際情況中，在手勢輪廓多邊形逼近圖中的凸點(diǎn)往往比真正的指尖點(diǎn)個(gè)數(shù)要多。因此，步驟三中提出了采用自適應(yīng)閾值算法進(jìn)行手勢輪廓多邊形逼近圖指尖點(diǎn)檢測的方法，通過對各個(gè)手勢上的凸點(diǎn)和凹點(diǎn)到質(zhì)心的距離的分析，推導(dǎo)出了采用所有特征點(diǎn)到質(zhì)心的歐式距離的平均值作為指尖點(diǎn)選取閾值的方法，先計(jì)算出指尖點(diǎn)選取閾值，再以質(zhì)心為圓心，指尖點(diǎn)選取閾值為半徑，畫圓，將落在圓外的特征點(diǎn)確定為指尖點(diǎn)，對于不滿足閾值的特征點(diǎn)進(jìn)行濾除，能夠獲得準(zhǔn)確的指尖點(diǎn)個(gè)數(shù)，從而能夠有效提高手勢識別的準(zhǔn)確率，為對手勢按照指尖點(diǎn)個(gè)數(shù)分類奠定了基礎(chǔ)。通過指尖篩選后，獲取的手勢輪廓多邊形逼近圖指尖點(diǎn)檢測結(jié)果如圖5c所示。

步驟四、計(jì)算機(jī)2采用多模板匹配算法對手勢進(jìn)行匹配識別，確定出手勢；具體過程為：

步驟401、根據(jù)指尖點(diǎn)個(gè)數(shù)進(jìn)行手勢初步確定：計(jì)算機(jī)2調(diào)取存儲在其中的預(yù)先構(gòu)建的手勢多模板庫，找出手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表，并在所述分類表中找出與步驟302中統(tǒng)計(jì)出的指尖點(diǎn)個(gè)數(shù)相對應(yīng)的手勢多模板庫中的手勢，初步確定出可能匹配的手勢；

步驟402、根據(jù)可能匹配的手勢的數(shù)量進(jìn)行手勢確定：當(dāng)步驟401中確定出的可能匹配的手勢的數(shù)量為1個(gè)時(shí)，將步驟401中確定出的可能匹配的手勢確定為匹配的手勢；當(dāng)步驟401中確定出的可能匹配的手勢的數(shù)量大于1個(gè)時(shí)，執(zhí)行步驟403確定匹配的手勢；

步驟403、根據(jù)hu矩特征值進(jìn)行匹配的手勢確定，具體過程為：

步驟4031、計(jì)算機(jī)2調(diào)取存儲在其中的預(yù)先構(gòu)建的手勢多模板庫，找出各個(gè)手勢對應(yīng)的修正后的hu矩特征值；

步驟4032、計(jì)算機(jī)2調(diào)用hu矩特征值計(jì)算模塊計(jì)算出步驟一中得到的實(shí)時(shí)的手勢輪廓圖像的hu矩特征值φ1、φ2、φ3、φ4、φ5、φ6、φ7，并根據(jù)公式hk＝|log(|φk|)|計(jì)算得到修正后的手勢輪廓圖像的hu矩特征值h1、h2、h3、h4、h5、h6、h7；其中，k＝1,2,…,7；

步驟4032中計(jì)算機(jī)2調(diào)用hu矩特征值計(jì)算模塊計(jì)算手勢輪廓圖像的hu矩特征值時(shí)，采用現(xiàn)有技術(shù)中的hu矩特征值計(jì)算方法，但由于灰度圖像的hu矩特征值數(shù)值非常小，因此再通過采用公式hk＝|log(|φk|)|來對計(jì)算結(jié)果進(jìn)行修正調(diào)整，應(yīng)用在本發(fā)明中，能夠很好地達(dá)到根據(jù)hu矩特征值進(jìn)行匹配的手勢確定的目的。

步驟4033、計(jì)算機(jī)2調(diào)用匹配度比較值計(jì)算模塊計(jì)算實(shí)時(shí)的手勢輪廓圖像與步驟401中確定出的可能匹配的手勢中各個(gè)手勢的匹配度比較值，并將匹配度比較值最小時(shí)對應(yīng)的可能匹配的手勢確定為匹配的手勢；其中，計(jì)算機(jī)2根據(jù)計(jì)算公式計(jì)算實(shí)時(shí)的手勢輪廓圖像與步驟401中確定出的可能匹配的手勢中第m個(gè)手勢的匹配度im，為步驟401中確定出的可能匹配的手勢中第m個(gè)手勢對應(yīng)的修正后的hu矩特征值，m的取值為1～m的自然數(shù)，m為步驟401中確定出的可能匹配的手勢的總個(gè)數(shù)。

步驟4033實(shí)現(xiàn)了采用hu矩特征值比較待識別的手勢與可能識別的手勢的相似度，能夠識別出待識別的手勢。

在手勢識別時(shí)采用單模板匹配算法對手勢進(jìn)行匹配識別，方法簡單易行，但是在實(shí)際情況中，由于每個(gè)人的手勢形狀、大小等的不同，使得手勢識別的誤判率比較高。所以本發(fā)明設(shè)計(jì)實(shí)現(xiàn)了一種多模板匹配算法，通過將待識別手勢與手勢多模板庫中的多個(gè)手勢進(jìn)行對比、匹配，能夠達(dá)到快速且高效的匹配結(jié)果，有效提高了手勢識別的速率和準(zhǔn)確率，減少了手勢誤判率。

以上的步驟四采用了先根據(jù)指尖點(diǎn)個(gè)數(shù)進(jìn)行分類再進(jìn)行多模板匹配的方法，與現(xiàn)有技術(shù)中僅進(jìn)行指尖檢測或僅進(jìn)行模板匹配的手勢識別方法相比，能夠提高手勢識別的速率，且能夠有效減少匹配的次數(shù)，提高手勢匹配的準(zhǔn)確率。

本實(shí)施例中，計(jì)算機(jī)2構(gòu)建手勢多模板庫的具體過程為：

步驟a、獲取多個(gè)手勢的輪廓圖像：采用攝像頭1拍攝手勢1～10的圖像視頻流并將圖像視頻流傳送給計(jì)算機(jī)2，計(jì)算機(jī)2對圖像視頻流的視頻幀進(jìn)行圖像分割預(yù)處理，得到手勢1～10中每種手勢的5個(gè)手勢輪廓圖像；其中，每種手勢的5個(gè)手勢輪廓圖像包括手勢的正視輪廓圖像，手勢的向左旋轉(zhuǎn)角度α的輪廓圖像，手勢的向右旋轉(zhuǎn)角度α的輪廓圖像，手勢的側(cè)視圖和手勢的縮放圖；

本實(shí)施例中，步驟a中所述角度α的取值為15°。角度α的具體取值，考慮了人在做出手勢時(shí)經(jīng)常出現(xiàn)的角度，與實(shí)際更為相符，且這樣的取值能夠提高手勢識別的速率和準(zhǔn)確率。手勢多模板庫的手勢輪廓圖像如圖6所示。總共有50個(gè)不同手勢的模板。

步驟b、計(jì)算機(jī)2采用改進(jìn)d-p算法分別對多個(gè)手勢的輪廓圖像進(jìn)行多邊形逼近擬合，其中，對每個(gè)手勢的輪廓圖像進(jìn)行多邊形逼近擬合的具體過程為：

步驟b01、設(shè)定特征點(diǎn)選取閾值δ′；

步驟b02、從手勢輪廓曲線上選取一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)；

本實(shí)施例中，步驟b02中選取手勢輪廓曲線上最低的一點(diǎn)作為進(jìn)行輪廓遍歷搜尋的起點(diǎn)。這樣的起點(diǎn)選取方法，能夠更加有序高效地進(jìn)行特征點(diǎn)遍歷搜尋，找出所有特征點(diǎn)，提高了手勢識別的速率。

步驟b03、從起點(diǎn)開始，對手勢輪廓按照搜尋步長進(jìn)行遍歷搜尋，每經(jīng)過一個(gè)搜尋步長，計(jì)算曲線上的點(diǎn)到所述曲線的起點(diǎn)與終點(diǎn)連成的直線之間的距離，并找出曲線上的點(diǎn)到所述直線的最大距離；

步驟b04、將步驟b03中找出的最大距離與步驟b01中設(shè)定的特征點(diǎn)選取閾值δ′進(jìn)行比較，當(dāng)最大距離大于或等于特征點(diǎn)選取閾值δ′時(shí)，將最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，當(dāng)最大距離小于特征點(diǎn)選取閾值時(shí)，將上次搜尋的終點(diǎn)作為下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直到再找到最大距離大于或等于特征點(diǎn)選取閾值δ′的點(diǎn)，將再找到的最大距離對應(yīng)的曲線上的點(diǎn)作為特征點(diǎn)和下一次搜尋的新起點(diǎn)，按照搜尋步長繼續(xù)沿手勢輪廓進(jìn)行遍歷搜尋，直至回到步驟b02中選取的起點(diǎn)時(shí)結(jié)束遍歷搜尋，并確定出了手勢輪廓曲線上的所有特征點(diǎn)；

步驟b05、對手勢輪廓曲線上的所有特征點(diǎn)進(jìn)行曲線擬合，得到手勢輪廓多邊形逼近圖并進(jìn)行存儲；

步驟c、計(jì)算機(jī)2采用自適應(yīng)閾值算法對步驟b中得到的多個(gè)手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測，其中，對每個(gè)手勢輪廓多邊形逼近圖進(jìn)行指尖點(diǎn)檢測的具體過程為：

步驟c01、指尖點(diǎn)選取閾值的確定：計(jì)算機(jī)2根據(jù)公式計(jì)算得到指尖點(diǎn)選取閾值其中，w′為步驟b04中確定出的手勢輪廓曲線上的特征點(diǎn)的集合，n′為步驟b04中確定出的手勢輪廓曲線上的特征點(diǎn)的個(gè)數(shù)，x′i′為第i′個(gè)特征點(diǎn)的橫坐標(biāo)，yi′為第i′個(gè)特征點(diǎn)的縱坐標(biāo)，x′0為手勢輪廓圖像的質(zhì)心的橫坐標(biāo)，y′0為手勢輪廓圖像的質(zhì)心的縱坐標(biāo)，i′的取值為1～n′的自然數(shù)；

步驟c02、指尖點(diǎn)的確定：計(jì)算機(jī)2以手勢輪廓圖像的質(zhì)心為圓心，指尖點(diǎn)選取閾值為半徑，畫圓，將落在圓外的特征點(diǎn)確定為指尖點(diǎn)，并統(tǒng)計(jì)出指尖點(diǎn)個(gè)數(shù)；

步驟d、計(jì)算機(jī)2根據(jù)指尖點(diǎn)個(gè)數(shù)對多個(gè)手勢進(jìn)行分類，將指尖點(diǎn)個(gè)數(shù)相同的手勢分為一類，并列出手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表；

本實(shí)施例中，步驟d中指尖點(diǎn)個(gè)數(shù)共有6種，指尖點(diǎn)個(gè)數(shù)為0的手勢為手勢10，分為第一類；指尖點(diǎn)個(gè)數(shù)為1的手勢為手勢1和手勢9，分為第二類；指尖點(diǎn)個(gè)數(shù)為2的手勢為手勢2、手勢6和手勢8，分為第三類；指尖點(diǎn)個(gè)數(shù)為3的手勢為手勢3和手勢7，分為第四類；指尖點(diǎn)個(gè)數(shù)為4的手勢為手勢4，分為第五類；指尖點(diǎn)個(gè)數(shù)為5的手勢為手勢5，分為第六類。例如，如圖7所示為三類，指尖點(diǎn)個(gè)數(shù)為2的手勢，從左到右依次為手勢2、手勢6和手勢8。列出的手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表如表1所示。

表1手勢按指尖點(diǎn)個(gè)數(shù)分類的分類表

步驟e、計(jì)算機(jī)2調(diào)用hu矩特征值計(jì)算模塊計(jì)算出各個(gè)手勢的輪廓圖像的hu矩特征值，并計(jì)算出各個(gè)手勢修正后的hu矩特征值，其中，計(jì)算機(jī)2計(jì)算第r個(gè)手勢修正后的hu矩特征值采用的計(jì)算公式為k＝1,2,…,7，r的取值為1～50的自然數(shù)。

具體實(shí)施時(shí)，步驟b03與步驟203中的搜尋步長可以相等也可以不相等。

步驟a至e中構(gòu)建手勢多模板庫的方法，也采用了改進(jìn)d-p算法對手勢輪廓圖像進(jìn)行多邊形逼近擬合后，再進(jìn)行指尖點(diǎn)檢測，再根據(jù)指尖點(diǎn)個(gè)數(shù)進(jìn)行分類的方法，與現(xiàn)有技術(shù)中僅僅簡單構(gòu)建出手勢模板庫，進(jìn)行模板匹配的方法相比，大大減小了手勢匹配的信息量，能夠有效提高手勢識別的速率和準(zhǔn)確率。將此種構(gòu)建手勢多模板庫的方法與步驟一至四中的手勢識別方法相配合，更進(jìn)一步提高了手勢識別的速率和準(zhǔn)確率，手勢識別時(shí)間能夠減小原來手勢識別所需時(shí)間的三分之一左右。

綜上所述，本發(fā)明采用改進(jìn)d-p算法對攝像頭1拍攝到的手勢圖像進(jìn)行多邊形逼近擬合，再進(jìn)行指尖點(diǎn)個(gè)數(shù)檢測，對應(yīng)找到手勢多模板庫中對應(yīng)的手勢類別，然后再根據(jù)hu矩特征值進(jìn)行匹配的手勢確定，采用這種先分類再進(jìn)行匹配的方法，能夠良好的減少匹配的次數(shù)，提高手勢匹配的速率。并且，通過多模板匹配，即對一種手勢的不同種類進(jìn)行匹配，能夠提高識別準(zhǔn)確率，有效地減少了匹配過程中的誤判率。

以上所述，僅是本發(fā)明的較佳實(shí)施例，并非對本發(fā)明作任何限制，凡是根據(jù)本發(fā)明技術(shù)實(shí)質(zhì)對以上實(shí)施例所作的任何簡單修改、變更以及等效結(jié)構(gòu)變化，均仍屬于本發(fā)明技術(shù)方案的保護(hù)范圍內(nèi)。