基于Kinect深度信息的智能轮椅动态手势识别方法.pdf

(19)中华人民共和国国家知识产权局*CN103390168A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103390168103390168A(43)申请公布日2013.11.13(21)申请号201310302754.8(22)申请日2013.07.18(71)申请人重庆邮电大学地址400065重庆市南岸区黄桷垭崇文路2号(72)发明人张毅徐晓东罗元谢颖(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人赵荣之(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)权权利要求书3页利要求书3页说明书8页说明书8页附图3页附图3页(54)发明名称基于Kinect深度信息的智能轮椅动态手势识别方法(57)摘要基于Kinect深度信息的智能轮椅动态手势识别方法，涉及智能轮椅领域，它采用基于Kinect深度图像信息动态手势识别的方法，具有较强的扩展性，且能解决复杂背景、大面积的肤色干扰等对手势检测造成影响的问题，能够准确有效的分割出手部。后续采用了融合Camshift和Kalman滤波的方法快速有效的跟踪手势，采用了融合的特征提取方法，提高了动态手势识别的准备率，用于基于动态手势识别的智能轮椅控制系统中，可以达到快速、准确的识别动态手势命令，同时能够安全、稳定地控制智能轮椅，实现人与智能轮椅之间自然、直观的人机交互方式。CN103390168ACN103968ACN103390168A权利要求书1/3页1.基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，具体步骤如下：1）Kinect摄像头获取人手的手势视频信号；2）提取步骤1）得到的手势视频信号，采用灰度直方图进行手势分割，定位手部位置；3）采用动态手势跟踪算法获取手势轨迹；4）根据步骤3）中得到的手势轨迹，采用轨迹提取方法，提取手势轨迹方向角作为局部特征，并提取三维质心距函数作为全局特征；5）以步骤4）中得到的局部特征和全局特征作为输入，运用HMM模型进行动态手势的识别。2.如权利要求1所述的基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，步骤2）中采用灰度直方图进行手势分割，定位手部位置的具体方法为：通过灰度直方图中灰度值由大到小变化，寻找像数点剧变较大的灰度值处作为手势区域分割的阈值。3.如权利要求1所述的基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，步骤3）中所述动态手势跟踪算法为融合Camshift算法与Kalman滤波的动态手势跟踪算法，具体方法为：3-1）计算当前帧图像搜索窗口的质心位置设(x,y)为搜索窗中的像素位置，I(x,y)为投影图中(x,y)处的像素值，搜索窗口的零阶矩和一阶矩分别为：其中，M00为零阶矩，M10，M01分别为x和y的一阶矩，可以求得搜索窗口的质心位置为：3-2）重新设置搜索窗的大小s：3-3）将搜索窗口的中心移动到质心，并判断移动距离是否大于预设固定阀值；若移动距离大于预设固定阀值，则返回步骤3-1）；若移动距离小于预设阀值，则进入下一帧图像目标搜索，并转入步骤3-1），直到所有帧图像完成目标搜索，获得手心位置；在新的帧图像中，利用上一帧图像中最终得到的窗口质心位置和零阶矩来设置新的搜索窗口位置和尺寸。4.如权利要求3所述的基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，步骤4）中轨迹提取的具体方法为：2CN103390168A权利要求书2/3页4-1）根据手心位置计算手势运动轨迹4-2）提取手势轨迹方向角作为局部特征；设t和t-1时刻的手心坐标为根据下式就可以计算出手势轨迹的方向角根据所得方向角度，对其进行12方向链码离散化4-3）根据下式提取三维质心距函数作为全局特征；其中：xc,yc表示N个节点的加权质心。5.如权利要求1所述的基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，步骤5）中所述HMM模型采用Baum-Welch算法作为训练方法，具体方法为：保存前一次得出的输出概率结果P(O|λ)，再计算出本次迭代的输出概率结果比较两次的结果，如果有产生，则得到训练模型；具体步骤如下：5-1-1）对HMM模型的参数λ={π,A,B}初始化；5-1-2）输入样本特征序列；5-1-3）利用Baum-Welch算法进行参数重估，得到新模型，并代替原有的模型；5-1-4）若满足收敛条件，即两次比较结果的差值小于预设值，则转入步骤5-5），若不满足收敛条件，则返回步骤5-3）；5-1-5）判断样本是否输入完毕，输入完毕则结束，反之，则返回步骤5-1），并将新的模型作为下一个样本的HMM模型初始化。6.如权利要求5所述的基于Kinect深度信息的智能轮椅动态手势识别方法，其特征在于，步骤5-1-3）中