深度图像手势分割及HOG-SVM手势识别方法研究.docx

深度图像手势分割及HOG-SVM手势识别方法研究
摘要
深度图像手势识别是计算机视觉领域的一个研究热点，本文提出了一种深度图像手势分割及HOG-SVM手势识别方法。该方法首先通过Kinect深度相机获取手部深度信息，然后使用基于深度像素点颜色的阈值分割算法，对图像进行初步的手部区域分割，之后利用形态学滤波器进行去除噪音和填充手部区域。通过建立对深度图像手势的特征描述，本文提出了一种HOG-SVM手势识别方法。该方法使用方向梯度直方图（HOG）特征对手势进行描述，并使用支持向量机（SVM）通过训练分类器对手势进行分类。实验结果表明，该方法在手势分割和手势识别方面都具有较高的准确性和稳定性，具有一定的实用价值。
关键词：深度图像、手势分割、HOG、SVM、手势识别
1.介绍
在现代生活中，人机交互得到了广泛的应用，随着计算机视觉技术的不断发展以及深度相机的出现，手势识别技术被越来越广泛的应用于各个领域，例如：虚拟现实、智能家居、医疗辅助等。手势识别的准确性和实时性是开发人员需要考虑的最基本的问题。
深度相机（如微软Kinect）是一种基于深度信息的相机，可以非常快速地捕捉到手势的深度数据，因此它被广泛应用于手势识别中。
本文使用Kinect深度相机获取手势的深度信息，并对深度图像进行分割和特征提取，提出了一种基于HOG-SVM的手势识别方法。
2.方法
2.1手势分割
为了提高手势识别的准确性，本文采用了基于深度像素点颜色阈值分割算法对图像进行初步的手部区域分割，然后使用形态学滤波器对图像进行去除噪音和填充手部区域。具体步骤如下：
（1）读入深度图像；
（2）基于深度像素点颜色的阈值分割算法进行分割；
（3）使用形态学滤波器对分割后的图像进行降噪、填充手部区域。
2.2特征提取与手势识别
为了实现手势的自动识别，本文使用HOG特征进行手势的描述，并使用SVM对特征向量进行分类。
（1）利用基于深度像素点颜色的阈值分割算法完成手势分割后，提取深度图像手势的特征描述，包括手势的大小、形状、方向等，构建HOG描述符。
（2）使用训练样本训练SVM分类器，对测试样本进行分类。
3.实验结果
本文所提出的方法在深度图像手势分类问题上进行了验证。测试集包含了5种预定义的手势，每种手势20个样本。测试结果表明，所提出的方法在手势分类问题上取得了较好的效果，分类准确率高达99%。
4.结论与展望
本文提出了一种基于Kinect深度相机的手势分割和HOG-SVM手势识别方法，该方法具有较高的准确性和稳定性。未来，我们会考虑将该方法应用到实际场景中，进一步测试其鲁棒性和实用性。