基于特征圖像全像素灰度值的elm手勢識別算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像分析與識別技術(shù)領(lǐng)域，具體涉及一種基于特征圖像全像素灰度值 的ELM手勢識別算法。
【背景技術(shù)】
[0002] 手勢識別技術(shù)是指通過手的形狀、手的方向或者手的運(yùn)動(dòng)代替鼠標(biāo)、鍵盤等操控 設(shè)備進(jìn)行人機(jī)交互的技術(shù)，當(dāng)前的手勢識別技術(shù)主要有兩大類：基于傳感器加速硬件的手 勢識別技術(shù)和基于視覺信息的手勢識別技術(shù)兩種。前者需要操作者戴上數(shù)據(jù)手套，操作者 做出不同手勢時(shí)，可根據(jù)數(shù)據(jù)手套上各傳感器的數(shù)據(jù)判斷當(dāng)前操作者的手勢和動(dòng)作。這種 方法不受光線等外界因素的影響，因此其抗干擾性能較好，但數(shù)據(jù)手套造價(jià)昂貴，特別是帶 有力反饋的數(shù)據(jù)手套；此外，數(shù)據(jù)手套在一定程度上對人手產(chǎn)生了束縛作用，使得交互不夠 自然，綜合考慮下，數(shù)據(jù)手套具有一定的局限性。后者是直接將人手作為輸入，通過一個(gè)或 多個(gè)視覺傳感器采集手部圖像，并對采集的圖像進(jìn)行預(yù)處理和識別，從而對操作者當(dāng)前的 手勢和動(dòng)作進(jìn)行判斷，給使用者提供了一種更加自然和方便地人機(jī)交互方式，具有更加廣 泛的實(shí)用性，其目前也是業(yè)界關(guān)注和研宄的重點(diǎn)。目前，手勢識別技術(shù)在醫(yī)療輔助、危機(jī)公 關(guān)、災(zāi)難救助和娛樂行業(yè)已得到一定的應(yīng)用，但其廣泛使用還為時(shí)尚早。
[0003] 手勢圖像的特征提取是手勢識別的重要一環(huán)。目前，常見的手勢圖像特征提取的 方法有：利用邊緣特征像素點(diǎn)進(jìn)行特征提取，基于圖像特征包算法對手勢圖像進(jìn)行特征提 取，利用傅里葉算子描述手勢特征，利用手掌和手指的空間分布特性描述手勢特征。利用 邊緣特征像素點(diǎn)進(jìn)行特征提取，不能對尺度、旋轉(zhuǎn)、光照變化保持不變性，必須收集各種情 況下的手勢訓(xùn)練樣本；基于圖像特征包算法對手勢圖像進(jìn)行特征提取，該方法只描述了手 勢圖像的特征點(diǎn)的數(shù)量信息，而忽略了特征點(diǎn)的空間分布特性，對相似手勢的識別效果不 佳；利用傅里葉算子描述手勢特征與利用手掌和手指的空間分布特性描述手勢特征，運(yùn)算 量大，耗時(shí)太長。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于特征圖像全像 素灰度值的ELM手勢識別算法。
[0005] 技術(shù)方案：為解決上述技術(shù)問題，本發(fā)明提供的基于特征圖像全像素灰度值的 ELM手勢識別算法，包括以下步驟： 步驟1，將原始手勢圖像庫進(jìn)行膚色分割、濾波、標(biāo)準(zhǔn)化和特征提取四個(gè)步驟的圖像預(yù) 處理，得到學(xué)習(xí)手勢圖像庫； 步驟2,對學(xué)習(xí)手勢圖像庫進(jìn)行ELM計(jì)算，獲得原始手勢特征庫； 步驟3,對待識別手勢圖像依次進(jìn)行圖像預(yù)處理和ELM計(jì)算，進(jìn)而獲得待識別手勢特 征； 步驟4,基于最大隸屬度思想，將所述待識別手勢特征與原始手勢特征庫進(jìn)行匹配，實(shí) 現(xiàn)對手勢的識別。
[0006] 具體地，所述步驟1及步驟2與步驟3并行執(zhí)行。
[0007] 具體地，所述膚色分割基于單峰高斯模型，通過統(tǒng)計(jì)直接求得顏色空間的色度分 量的均值和方差，從而建立單峰高斯模型，最后利用該模型來判別某像素點(diǎn)是否為膚色。
[0008] 具體地，所述標(biāo)準(zhǔn)化通過逐行、逐列掃描的方法提取手勢矩形區(qū)域，去除對手勢識 別正確性無影響的其他區(qū)域，有利于提高手勢識別的速率?？紤]到手掌區(qū)域是連通區(qū)域，可 忽略壓縮過程中對手勢特征的影響，因此將所述手勢矩形區(qū)域標(biāo)準(zhǔn)化為LXM像素的灰度 圖像。
[0009] 具體地，所述特征提取是從上述的LXM像素的灰度圖像中提取全部像素的灰度 值，并將其直接用于手勢識別建模，與其他手勢識別建模方法相比，去除了復(fù)雜的特征計(jì) 算，同時(shí)保留了圖像特征的不變性。
[0010] 具體地，所述濾波包括形態(tài)學(xué)濾波和塊狀剔除；在圖像經(jīng)過形態(tài)學(xué)濾波之后，圖像 只包含手掌區(qū)域及雜散塊狀區(qū)域，雜散塊狀的面積遠(yuǎn)遠(yuǎn)小于手掌區(qū)域的面積，設(shè)定手掌區(qū) 域面積為S，雜散塊狀的面積為Sl，S2,S3…Si…，當(dāng)S> 20XSi時(shí)，將雜散塊狀區(qū)域設(shè)置 為黑色，即得到只包含手勢姿態(tài)的圖像，當(dāng)S< 20XSi，說明雜散塊狀區(qū)域過大，手勢圖像 被視為無效，需要重新采集手勢圖像。
[0011] 使用時(shí)，首先，用一個(gè)或多個(gè)視覺傳感器采集手勢圖像，并將采集到的手勢圖像傳 送至手勢識別系統(tǒng)作為原始手勢圖像庫，為避免操作者手臂對手勢識別產(chǎn)生不利影響，在 采集原始手勢圖像時(shí)，操作者需要穿著深色衣服。其次，由于顏色信息對方向不敏感，因此 膚色特征對于縮放、旋轉(zhuǎn)、仿射以及形變具有較好的特征不變性，因而基于膚色的手勢檢測 是手勢識別非常重要的一類方法，故而將帶有背景噪聲的原始手勢圖像，通過膚色分割提 取手勢形狀，并將背景設(shè)為黑色，將前景設(shè)為白色，得到二值化的手勢圖像；由于環(huán)境光線 等因素的影響，二值化的手勢圖像存在著一些顆粒狀及塊狀的雜質(zhì)，通過濾波予以處理。再 次，為去除對手勢識別結(jié)果沒影響的多余區(qū)域并獲得規(guī)格一定的二值化手勢圖像，通過行 列灰度值掃描的方法，對濾波后的二值化手勢圖像進(jìn)行手勢矩形區(qū)域提取，并將該手勢矩 形區(qū)域標(biāo)準(zhǔn)化為LXM像素的標(biāo)準(zhǔn)圖像，以獲得LXM個(gè)像素點(diǎn)的灰度值。原始手勢圖像庫 經(jīng)過上述處理，得到了原始手勢圖像庫，接著，用此原始手勢圖像庫進(jìn)行ELM計(jì)算，最終獲 得原始手勢特征庫。最后，待識別手勢圖像同樣經(jīng)過上述的圖像預(yù)處理并進(jìn)行ELM計(jì)算， 獲得了待識別手勢特征，然后，基于"最大隸屬度"思想，當(dāng)輸出層神經(jīng)元數(shù)為N時(shí)，建立不 同手勢的隸屬函數(shù)uAl :I:、uai:3::、? ? ? …、UA；M，對于要測試的樣本s，當(dāng)uAi(^zMAX{ uA1(；x)，UAr:I:，…uAi(；!〇…，}時(shí)，認(rèn)為樣本x屬于，即樣本s屬于Ai類所對應(yīng)的 手勢。
[0012] 有益效果：本發(fā)明將全像素灰度值直接用于手勢識別建模，與其他手勢識別建