手势识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106155327A(43)申请公布日2016.11.23(21)申请号201610621775.X(22)申请日2016.08.01(71)申请人乐视控股（北京）有限公司地址100025北京市朝阳区姚家园路105号3号楼10层1102申请人乐视云计算有限公司(72)发明人公绪超(74)专利代理机构北京商专永信知识产权代理事务所(普通合伙)11400代理人方挺黄谦(51)Int.Cl.G06F3/01(2006.01)G06K9/00(2006.01)权利要求书2页说明书9页附图5页(54)发明名称手势识别方法和系统(57)摘要本发明提供一种手势识别方法和系统,涉及计算机视觉技术领域。其中，手势识别方法包括：对输入图像进行多方向梯度提取以形成多个不同的梯度图像；基于卷积神经网络金字塔对所述多个不同的梯度图像进行判别以得出初始结果集；对判别得出的所述初始结果集进行融合以得到手势的最终判别结果。进一步地，由于以描述手势图像的多方向梯度图像为基础，融入神经网络及证据理论联合判别的思想，充分提高了手势识别的精度，即使在外部环境与肤色场景相似、图片质量模糊的情况下都可以有良好的识别效果。CN106155327ACN106155327A权利要求书1/2页1.一种手势识别方法，包括：对输入图像进行多方向梯度提取以形成多个不同的梯度图像；基于卷积神经网络金字塔对所述多个不同的梯度图像进行判别以得出初始结果集，其中，所述卷积神经网络金字塔包括基于对多个不同梯度的手势图像进行深度学习得到；对判别得出的所述初始结果集进行融合以得到手势的最终判别结果。2.根据权利要求1所述的方法，所述基于卷积神经网络金字塔对所述多个不同的梯度图像进行判别以得出初始结果集还包括：对每一个梯度图像采用相应的梯度的卷积神经网络与多种不同手势样本进行相似度判别，其中，每一梯度的卷积神经网络包括在相应梯度下对多种不同手势图像进行深度学习得到；基于多种不同梯度的卷积神经网络金字塔对所述多个不同的梯度图像判别的多个初始结果形成初始结果集。3.根据权利要求1或2所述的方法，所述对判别得出的所述初始结果集进行融合以得到手势的最终判别结果包括：若所述初始结果集中存在某种手势的一个或多个初始结果大于阈值时，确定所述某种手势为最终判别结果；若不存在时，则结合证据理论对判别得出的所述初始结果集采用多个结果一致的投票进行融合以得到手势的最终判别结果。4.根据权利要求1或2所述的方法，在所述对输入图像进行多方向梯度提取形成多个不同的梯度图像之前还包括：对原始图像进行滤波和锐化形成输入图像，其中，所述原始图像包括手轮廓图像。5.根据权利要求1或2所述的方法，所述多方向梯度提取包括X方向、Y方向和四十五度方向梯度提取。6.一种手势识别系统，包括：多梯度提取模块，配置用于对输入图像进行多方向梯度提取以形成多个不同的梯度图像；判别模块，配置用于基于卷积神经网络金字塔对所述多个不同的梯度图像进行判别以得出初始结果集，其中，所述卷积神经网络金字塔包括基于对多个不同梯度的手势图像进行深度学习得到；结果融合模块，配置用于对判别得出的所述初始结果集进行融合以得到手势的最终判别结果。7.根据权利要求6所述的系统，所述判别模块还包括：对每一个梯度图像采用相应的梯度的卷积神经网络与多种不同手势样本进行相似度判别，其中，每一梯度的卷积神经网络包括在相应梯度下对多种不同手势图像进行深度学习得到；基于多种不同梯度的卷积神经网络金字塔对所述多种不同的梯度图像判别的多个初始结果形成初始结果集。8.根据权利要求6或7所述的系统，所述结果融合模块包括配置用于：若所述初始结果集中存在某种手势的一个或多个初始结果大于阈值时，确定所述某种2CN106155327A权利要求书2/2页手势为最终判别结果；若不存在时，则结合证据理论对判别得出的所述初始结果集采用多个结果一致的投票进行融合以得到手势的最终判别结果。9.根据权利要求6或7所述的系统，所述系统还包括预处理模块，配置用于对原始图像进行滤波和锐化形成输入图像，其中，所述原始图像包括手轮廓图像。10.根据权利要求6或7所述的系统，所述多方向梯度提取包括X方向、Y方向和四十五度方向梯度提取。3CN106155327A说明书1/9页手势识别方法和系统技术领域[0001]本发明涉及计算机视觉技术领域，尤其涉及一种手势识别方法和系统。背景技术[0002]现在基本是鼠标、键盘和触控的时代，不过另一种手势控制技术正在兴起，这个技术根据的原理很简单，就是摄像头捕捉手势，然后利用手势控制机器运作。可以让人们摆脱键盘、鼠标和触控的空间限制。[0003]在基于图像识别的人机交互场景中，对手势动作的有效识别能够有效的操作机器运作，给用