《手势识别总结》由会员分享,可在线阅读,更多相关《手势识别总结(22页珍藏版)》请在金锄头文库上搜索。
1、LOGO手手势识别技技术介介绍2021/6/42021/6/4基于不同传感器基于不同传感器手势识别的分类手势识别的分类 手势类型手势类型l 静态手势识别(手型)静态手势识别(手型)l 动态手势识别(动作及轨迹)l RGB相机相机l 红外相机(主动、被动)l 加速度传感器l 深度相机(双目、 结构光、 TOF)静态手势识别方法静态手势识别方法基于手势分割基于手势分割 基于手势检测基于手势检测l 选择合适的特征l 准备大量训练样本l 算法复杂度较高l 算法复杂度低l 难于分割完整的手势l 对光照比较敏感手势识别手势识别-基于手势分割基于手势分割手势识别手势识别手势输入手势输入特征提取特征提取误差补
2、偿、滤波、预处理预处理手势分割、手势跟踪、分类、建模训练、匹配手势识别手势识别-基于手势分割基于手势分割手势识别手势识别-基于手势检测基于手势检测手势分类器手势分类器采集手势采集手势样本样本选择分类选择分类算法算法选择特选择特征征训练训练过程:识别过程:手势类别及手势类别及位置位置采集图像采集图像手势分类手势分类器器多尺度多尺度处理处理分类手势识别常用特征手势识别常用特征-HAARHAAR特征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。手势识别常用特征手势识别常用特征-LBPLBP特征特征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
3、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手势识别常用特征-HOG手势识别算法手势识别算法-SVM手势识别算法手势识别算法-Adaboost手势识别算法手势识别算法-Adaboost训练训练OpenCV中中Adaboost算法算法训练程序训练程序opencv_traincascade.exe -data data -vec pos/pos.vec opencv_traincascade.exe -data data -vec pos/pos.vec -bg neg/neg.dat -numPos 15200 -numNeg 27000 -numStage
4、s 19 -bg neg/neg.dat -numPos 15200 -numNeg 27000 -numStages 19 -w 18 -h 30 -precalcValBufSize 1024 -precalcIdxBufSize 1024 -w 18 -h 30 -precalcValBufSize 1024 -precalcIdxBufSize 1024 -featureType LBP -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -featureType LBP -minHitRate 0.9999 -maxFalseAlarmRate 0.5
5、 -mode ALL-mode ALL训练样本训练样本opencv_createsamples.exe -info pos.dat -vec pos.vec opencv_createsamples.exe -info pos.dat -vec pos.vec -num 15400 -w 18 -h 30 pause-num 15400 -w 18 -h 30 pauseAdaboost训练要点训练要点积极样本多样性积极样本多样性积极样本背景随机性积极样本背景随机性消极样本结合场景消极样本结合场景积极样本旋转积极样本旋转特征选择特征选择手势样本采集手势样本采集获取手势的抠图获取手势的抠图将手势
6、抠图合成到随机背景将手势抠图合成到随机背景缩放到合适尺寸缩放到合适尺寸Adaboost手势识别优点手势识别优点速率较快(速率较快(30-50ms30-50ms)对光照不敏感对光照不敏感对不同摄像机适用性强对不同摄像机适用性强对图像质量要求不高对图像质量要求不高Adaboost手势识别缺点手势识别缺点样本处理要求高(尺寸,背景,光照,多样)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)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)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)特征不具有旋转不变形(识别固定姿态手
7、势)Adaboost优化方法优化方法采集多样性样本(采集多样性样本(20k20k)将误判图片作为消极样本再训练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(肤色验证及使用其他的方法进行二次判断(肤色验证及SVMSVM)手势识别的其他方法手势识别的其他方法深度相机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。进行手势及动作识别。深度神经网络深度神经网络通过通过CNNCNN卷积神经网络自动选取特征进行识别,样本量巨大卷积神经网络自动选取特征进行识别,样本量巨大(100k100k以上)。手势数据集构建比较困难,目前没有很好地以上)。手势数据集构建比较困难,目前没有很好地手势识别应用。手势识别应用。谢谢 谢!谢!结语结语首页部分资料从网络收集整理而来,供大家参考,感谢您的关注!