计算机科学 ›› 2019, Vol. 46 ›› Issue (6A): 246-249.

• 模式识别与图像处理 • 上一篇    下一篇

基于手势几何分布特征的手势识别

韩笑, 张晶, 李月龙   

  1. 天津工业大学计算机科学与软件学院 天津300387
  • 出版日期:2019-06-14 发布日期:2019-07-02
  • 通讯作者: 张 晶(1975-),女,博士,副教授,主要研究方向为嵌入式技术、虚拟仿真、人工智能,E-mail:China_ximeng@sohu.com
  • 作者简介:韩 笑(1994-),女,硕士生,主要研究方向为图像处理、模式识别,E-mail:1070109860@qq.com;李月龙(1982-),男,博士,副教授,主要研究方向为图像合成、轮廓模型、机器学习。
  • 基金资助:
    本文受中国博士后科学基金(2015M570228)资助。

Gesture Recognition Based on Hand Geometric Distribution Feature

HAN Xiao, ZHANG Jing, LI Yue-long   

  1. School of Computer Science and Software,Tianjin Polytechnic University,Tianjin 300387,China
  • Online:2019-06-14 Published:2019-07-02

摘要: 针对手势受缩放、旋转的影响导致识别率低的问题,提出了一种基于手势几何分布的特征提取方法用于手势识别。首先对分割后的手势图像进行归一化,并计算手势主方向和手势轮廓的最小外接矩形的宽长比,利用相似度函数进行初步识别,筛选出部分候选手势;再利用轮廓分割法统计手势轮廓点在极坐标内的分布情况,使用修正Hausdorff距离作为相似性度量的方法识别出最终手势。实验结果表明,所提方法能够快速且准确地识别各类手势,平均识别率达到92.89%,误识率降低到3.53%,识别速度较同类算法提高了4.2倍。

关键词: 手势主方向, 几何分布, 特征提取, 轮廓分割, 修正Hausdorff距离, 手势识别

Abstract: Aiming at the problem that gestures are affected by scaling and rotation,resulting in low recognition rate,this paper proposed a feature extraction method based on hand geometric distribution for gesture recognition.Firstly,the segmented gesture image is normalized.Secondly,width-to-length ratio of the minimum circumscribed rectangle of gesture main direction and gesture contour is calculated,and the similarity function is used as preliminary recognition to select some candidate gestures.Finally,contour segmentation method is used to estimate the distribution of gesture contour points in polar coordinates and the modified Hausdorff distance is used as a similarity measure method to identify the final gesture.The experimental results show that the proposed method can identify various gestures quickly and accurately,the average recognition rate reaches 92.89%,the false recognition rate is reduced to 3.53%,and the recognition speed is 4.2 times higher than that of similar algorithms.

Key words: Gesture main direction, Geometric distribution, Feature extraction, Contour segmentation, Modified Hausdorff distance, Gesture recognition

中图分类号: 

  • TP391
[1] 易靖国,程江华,库锡树.视觉手势识别综述[J].计算机科学,2016,43(S1):103-108.
[2] 胡卫谊.基于动态手势的人机交互系统研究[D].武汉:武汉理工大学,2010.
[3] YANG C J,HAN D K,KO H.Continuous hand gesture recogni-tion based on trajectory shape information[J].Pattern Recognition Letters,2017,99(1):39-47.
[4] LI C,XIE C Y,ZHANG B C,et al.Deep Fisher discriminant learning for mobile hand gesture recognition[J].Pattern Recognition,2018,77:276-288.
[5] LI Y,WANG X G,LIU W Y,et al.Deep attention network for joint hand gesture localization and recognition using static RGB-D images[J].Information Sciences,2018,441:66-78.
[6] 余问鼎,刘春,邵雄凯.基于手指几何特征的移动设备视觉手势识别研究[J].黄冈师范学院学报,2015,35(6):74-79.
[7] 巫康伟,袁明新,葛玉婷,等.一种联合几何特征和隐马尔可夫模型的手势识别算法[J].自动化技术与用,2017,36(6):108-111.
[8] 郭桂旭,惠斌,冯剑.基于改进Hausdorff距离的分层景象匹配算法[J].计算机应用研究,2014,31(12):3837-3840.
[9] SHU X,WU X J.A novel contour descriptor for 2D shape matching and its application to image retrieval[J].Image and Vision Computing,2011,29(4):286-294.
[10] MEMO A,MINTO L,ZANUTTIGH P.Exploiting Silhouette Descriptors and Synthetic Data for Hand Gesture Recognition[M].The Eurographics Association,2015.
[11] MEMO A,ZANUTTIGH P.Head-mounted gesture controlled interface for human-computer interaction[J].Multimedia Tools and Applications,2018,77(1):27-53.
[12] 文芳,康彩琴,陈立文.等.基于RGBD数据的静态手势识别[J].计算机与现代化,2018(1):74-77.
[13] 王艳,徐诗艺,谌海云.基于特征距离加权的手势识别[J].计算机科学,2017,44(S1):220-223.
[14] 林水强,吴亚东,陈永辉.基于几何特征的手势识别方法[J].计算机工程与设计,2014,35(2):636-640.
[1] 刘洋, 金忠. 一种结合非局部和多区域注意力机制的细粒度图像识别方法[J]. 计算机科学, 2021, 48(1): 197-203.
[2] 暴雨轩, 芦天亮, 杜彦辉. 深度伪造视频检测技术综述[J]. 计算机科学, 2020, 47(9): 283-292.
[3] 汪亮, 周新志, 严华. 基于GPU的实时SIFT算法[J]. 计算机科学, 2020, 47(8): 105-111.
[4] 梁正友, 何景琳, 孙宇. 一种用于微表情自动识别的三维卷积神经网络进化方法[J]. 计算机科学, 2020, 47(8): 227-232.
[5] 刘肖, 袁冠, 张艳梅, 闫秋艳, 王志晓. 基于自适应多分类器融合的手势识别[J]. 计算机科学, 2020, 47(7): 103-110.
[6] 杨威超, 郭渊博, 李涛, 朱本全. 基于流量指纹的物联网设备识别方法和物联网安全模型[J]. 计算机科学, 2020, 47(7): 299-306.
[7] 蓝章礼, 申德兴, 曹娟, 张玉欣. 一种基图像提取和内容无关图像重构方法研究[J]. 计算机科学, 2020, 47(6A): 226-229.
[8] 周立鹏, 孟利民, 周磊, 蒋维, 董建平. 基于BP神经网络的摔倒检测算法[J]. 计算机科学, 2020, 47(6A): 242-246.
[9] 袁得嵛, 章逸钒, 高见, 孙海春. 基于用户特征提取的新浪微博异常用户检测方法[J]. 计算机科学, 2020, 47(6A): 364-368.
[10] 景雨, 祁瑞华, 刘建鑫, 刘朝霞. 基于改进多尺度深度卷积网络的手势识别算法[J]. 计算机科学, 2020, 47(6): 180-183.
[11] 郑纯军, 王春立, 贾宁. 语音任务下声学特征提取综述[J]. 计算机科学, 2020, 47(5): 110-119.
[12] 邓一姣, 张凤荔, 陈学勤, 艾擎, 余苏喆. 面向跨模态检索的协同注意力网络模型[J]. 计算机科学, 2020, 47(4): 54-59.
[13] 赵楠, 皮文超, 许长桥. 一种面向多维特征分析过滤的视频推荐算法[J]. 计算机科学, 2020, 47(4): 103-107.
[14] 王昆仑, 刘文璨, 何小海, 卿粼波, 吴晓红. 一种用于异常行为检测的运动特征描述子[J]. 计算机科学, 2020, 47(4): 119-124.
[15] 陈立福,刘燕芝,张鹏,袁志辉,邢学敏. 基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法[J]. 计算机科学, 2020, 47(3): 156-161.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 雷丽晖,王静. 可能性测度下的LTL模型检测并行化研究[J]. 计算机科学, 2018, 45(4): 71 -75 .
[2] 孙启,金燕,何琨,徐凌轩. 用于求解混合车辆路径问题的混合进化算法[J]. 计算机科学, 2018, 45(4): 76 -82 .
[3] 张佳男,肖鸣宇. 带权混合支配问题的近似算法研究[J]. 计算机科学, 2018, 45(4): 83 -88 .
[4] 伍建辉,黄中祥,李武,吴健辉,彭鑫,张生. 城市道路建设时序决策的鲁棒优化[J]. 计算机科学, 2018, 45(4): 89 -93 .
[5] 史雯隽,武继刚,罗裕春. 针对移动云计算任务迁移的快速高效调度算法[J]. 计算机科学, 2018, 45(4): 94 -99 .
[6] 周燕萍,业巧林. 基于L1-范数距离的最小二乘对支持向量机[J]. 计算机科学, 2018, 45(4): 100 -105 .
[7] 刘博艺,唐湘滟,程杰仁. 基于多生长时期模板匹配的玉米螟识别方法[J]. 计算机科学, 2018, 45(4): 106 -111 .
[8] 耿海军,施新刚,王之梁,尹霞,尹少平. 基于有向无环图的互联网域内节能路由算法[J]. 计算机科学, 2018, 45(4): 112 -116 .
[9] 崔琼,李建华,王宏,南明莉. 基于节点修复的网络化指挥信息系统弹性分析模型[J]. 计算机科学, 2018, 45(4): 117 -121 .
[10] 王振朝,侯欢欢,连蕊. 抑制CMT中乱序程度的路径优化方案[J]. 计算机科学, 2018, 45(4): 122 -125 .