【文件属性】:
文件名称:模板匹配-stochastic models information theory and lie groups volume 2
文件大小:1.21MB
文件格式:PDF
更新时间:2021-06-11 03:08:00
OpenCV 手势识别
2.1特征提取
1962年,Hu首次提出图像识别的几何矩理论,并证明了
所提出的7个矩对图像的平移、旋转和比例变化均保持不变。
本文即利用几何矩进行特征提取,并应用到手势识别中
去,很好地解决了手势识别过程中手势的旋转、缩放、尺度变
换所带来的问题,使得手势识别系统具有很好的稳定性。
对于二值图像“z,y),其P+g阶几何矩按照式(2)定义:
肛M=∑∑,广以Ⅵ)
一阶矩(加。,p。。)用于确定图像质心(;,歹):
r算2弘Io/^‰
【歹=砌。‰
(2)
(3)
若将坐标原点移至z和y处,就得到了对于图像位移不
变的中心矩:
%=∑∑(石一;)’(),一歹)狄”) (4)
j ,
其中:(x,),)表示图像像素的空间位置坐标,(x,y)为图像质
心。
根据Hu氏理论,通过各种不同级别的几何矩的数学组
合,得到7个特征量。这7个特征量分别是:
妒I=叼20十町02
妒2=(7720—7702)2+477:l
93=(叩30一3叼12)2+(叩03—3叩21)2
妒4=(田30+'712)2+(叼∞+叩2I)2
95=(_,730—3田12)(叼30+可12)[(卵30+_,712)2—
3(q03+叼21)2]+(3田2I一可03)(,72l+田03)
[3(1730+叩12)2一(田2I+叩∞)2]
妒6=(7720一田02)[(刀30+叩12)2一
(5)
(6)
(7)
(8)
(9)
(叼2l+叼03)2]+4叼lI(_,730+叩12)(叼30+叼2I)(10)
妒7=(3叼2I一可03)(田30+'712)[(叩30+田12)2—
3(田03+叩21)2]一(叼30—37712)(_,72I+7703)
[3(_,730+叼12)2一(田2l+’7∞)2] (11)
为了保持几何矩的尺度不变性,为归一化后的几何矩:
果见表l。为了减少计算量,此处提取了手势的轮廓图像进
行计算,这10个手势(见图7中的图(a)~(j))分别表示数
字1一10。考虑到实际效果和计算复杂度,选取前四个矩作
为特征向量,使用这些不变矩特征量组合形成特征空间(妒.,
驴2,驴3,妒4)o
川
,一’
r’)
、\/
(a)手势l
p
(f)手粕
湖
f l
、
(b)手势2
/、.
(~~二)
(g)手势7
y7
、\J
(c)手势3
渤谚
(d)手瓤
刘切
L+=二:
【 /
(e)手势s
令b O
(h)手势8 (i)手势9 (j)手势1()
图7模板手势图像
表1 手势图像的几何不变矩
2.2模板匹配
式(13)定义了输人手势图像与10个模板手势图像中任
一手势之间的距离D。:
7
巩=∑山;№一G。I (13)
其中:Gi为输人手势的七个Hu矩特征分量,妒;为模板手势
的Hu矩特征分量,毗为各特征分量的权值,为了调节特征向
量中各矩分量数量级的不一致,在实际实验中取峨的值为
104、10”、10”、10”。D。即为输人手势与模板手势的特征矩距
离,D肘越小表示越接近识别结果,即找到与输入手势特征距
离最小的模板手势,那么这个手势即为识别结果。
3 实验与结果
具体实验中,请10个实验者在数字视频摄像头前打手
势,每个实验者对10个手势每个手势累计共打6遍,这样采
集到600个手势样本(每个手势对应60组样本),然后分别从
每种手势的60个样本中,任取10个作为学习样本,按上述算
法,计算各手势的几何矩,并取其平均值作为标准值,依此建
立手势库;剩下的50套手势作为测试集。测试结果如表2所
示。
表2手势识别正确率
田。=‰/肘静∽州’ (12) 4
利用上述公式计算图7中模板手势图像的几何矩,其结
数字手势 l 2 3 4 5 6 7 8 9 10
识别率/% 98 100 94 98 100 98 92 98 96 loo
结语
近些年手势识别成为许多学者的研究热点,对于一些需
万方数据