基于几何矩和CAMSHIFT的手势识别研究.docx

基于几何矩和CAMSHIFT的手势识别研究
摘要
随着人机交互技术的发展，手势识别已成为一项热门研究领域，其能够实现人与计算机之间的自然交互，提高了人机交互的效率和舒适度。本文结合几何矩和CAMSHIFT算法，提出一种基于这两种算法的手势识别方法，通过对手势的分解、几何特征的提取和CAMSHIFT算法追踪实现手势识别。实验结果表明，该方法能够准确地识别手势，且对光线、位置等因素不太敏感，在手势识别领域具有一定的应用价值。
Abstract
Withthedevelopmentofhuman-computerinteractiontechnology,gesturerecognitionhasbecomeahotresearchfield,whichcanachievenaturalinteractionbetweenhumanandcomputer,improvetheefficiencyandcomfortofhuman-computerinteraction.Inthispaper,weproposeagesturerecognitionmethodbasedongeometricmomentsandCAMSHIFTalgorithm,whichrealizesgesturerecognitionbydecomposinggestures,extractinggeometricalfeaturesandtrackingwithCAMSHIFTalgorithm.Experimentalresultsshowthatthismethodcanaccuratelyrecognizegestures,andisnotverysensitivetofactorssuchaslightingandposition,whichhascertainapplicationvalueinthefieldofgesturerecognition.
前言
在人机交互领域，手势识别被广泛应用于游戏、VR/AR、机器人控制等领域，它可以实现人机的自然交互，减少人机之间的沟通成本和学习难度。根据手势的形态和作用，手势可以分为静态手势和动态手势两种类型。静态手势是通过人在空间中形成的手部、姿态、方向、位置等特定形态进行识别的，而动态手势则是通过人在空间中不同的位置和方向变化所形成的轨迹进行识别的。因此，手势识别主要依赖于手势的形态和动态特征。
本文提出一种基于几何矩和CAMSHIFT算法的手势识别方法，首先通过手势的形态和动态特征进行分解和提取，然后采用几何矩算法对分析后的手势提取几何特征，最后利用CAMSHIFT算法对手势进行追踪和识别。实验结果表明，该方法能够准确地识别手势，且对光线、位置等因素不太敏感，在手势识别领域具有一定的应用价值。
一、手势分解与几何特征提取
手势分解的主要目的是将手势形态分解成各个基本元素，以便于提取手势的特征。具体方法如下：
1.首先将每个手势形态分解为若干个基本元素，例如：手指、手掌、手腕等；
2.然后对每个基本元素采用特定的算法提取几何特征，如区域面积、重心坐标、中心距等；
3.最后，将提取的每个基本元素的特征组合成手势的几何特征，以便于后续的识别和追踪。
几何矩是一种用于表示图像区域几何特征的数学工具，具有旋转、平移和缩放不变性等优良特性，被广泛应用于图像处理与模式识别领域。几何矩算法可以对图像中的形状进行描述和匹配，从而实现形状识别和追踪。在手势识别中，几何矩算法可以用来提取手势的几何特征，包括中心矩、规范化中心矩和Hu不变矩等。
以手掌为例，假设手掌的轮廓已经被提取出来，并存储在一个N×2的数组contour中，其中N是轮廓点的个数。则可以用下面的公式计算手掌的几何矩：
中心距：
m00=sum(contour(1:N,1).*contour(1:N,2));
m10=sum(contour(1:N,1).*contour(1:N,2).^2);
m01=sum(contour(1:N,2).*contour(1:N,1).^2);
重心坐标：
Xcm=m10/m00;
Ycm=m01/m00;
中心矩：
mu20=sum((contour(1:N,1)-Xcm).^2.*contour(1:N,2));
mu02=sum(contour(1:N,1).^2.*(contour(1:N,2)-Ycm).^2);
规范化中心矩：
nu20=mu20/m00^2;
nu02=mu02/m00^2;
Hu不变矩：
eta1=(nu20+nu02)/2;
eta2=((nu20-nu02)^2+4*nu11^2)/2;
eta3=((nu30-3*nu12)^2+(3*nu21-nu03)^2)/2;
eta4=((n