手势识别总结

LOGO手势识别技术介绍基于不同传感器手势识别的分类手势类型静态手势识别（手型）动态手势识别（动作及轨迹）RGB相机红外相机（主动、被动）加速度传感器深度相机（双目、结构光、TOF）静态手势识别方法基于手势分割基于手势检测选择合适的特征准备大量训练样本算法复杂度较高算法复杂度低难于分割完整的手势对光照比较敏感手势识别-基于手势分割手势识别手势输入特征提取误差补偿、滤波、预处理手势分割、手势跟踪、分类、建模训练、匹配手势识别-基于手势分割手势识别-基于手势检测手势分类器采集手势样本选择分类算法选择特征训练训练过程：识别过程：手势类别及位置采集图像手势分类器多尺度处理分类手势识别常用特征-HAARHAAR特征图中黑色矩形所有像素值的和减去白色矩形所有像素值的和。手势识别常用特征-LBPLBP特征1.将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征。2.在每个子区域内建立LBP特征的统计直方图。整个图片就由若干个统计直方图组成手势识别常用特征-HOG手势识别算法-SVM手势识别算法-Adaboost手势识别算法-Adaboost训练OpenCV中Adaboost算法训练程序opencv_traincascade.exe-datadata-vecpos/pos.vec-bgneg/neg.dat-numPos15200-numNeg27000-numStages19-w18-h30-precalcValBufSize1024-precalcIdxBufSize1024-featureTypeLBP-minHitRate0.9999-maxFalseAlarmRate0.5-modeALL训练样本opencv_createsamples.exe-infopos.dat-vecpos.vec-num15400-w18-h30pauseAdaboost训练要点积极样本多样性积极样本背景随机性消极样本结合场景积极样本旋转特征选择手势样本采集获取手势的抠图将手势抠图合成到随机背景缩放到合适尺寸Adaboost手势识别优点速率较快（30-50ms）对光照不敏感对不同摄像机适用性强对图像质量要求不高Adaboost手势识别缺点样本处理要求高（尺寸，背景，光照，多样）后期升级训练困难（手工裁剪或标注样本）存在一定程度误判率（过拟合与泛化）特征不具有旋转不变形（识别固定姿态手势）Adaboost优化方法采集多样性样本（20k）将误判图片作为消极样本再训练收集实际识别图片手工裁剪样本使用其他的方法进行二次判断（肤色验证及SVM）手势识别的其他方法深度相机可分割出手型的二值图像（手型轮廓），进而通过轮廓特征进行手势及动作识别。深度神经网络通过CNN卷积神经网络自动选取特征进行识别，样本量巨大（100k以上）。手势数据集构建比较困难，目前没有很好地手势识别应用。谢谢！结语首页