基于颜色概率模型的实时手势跟踪算法
手势识别算法总结
手势识别算法总结手势识别算法是指通过计算机视觉和模式识别技术，对人的手势进行实时检测和分类的过程。
手势识别算法在人机交互、虚拟现实、智能监控等领域具有广泛的应用前景。
本文将对手势识别算法的基本原理、分类方法、应用领域等进行综述。
手势识别算法的基本原理是利用图像或视频中的人手部分进行检测和分类。
首先，通过图像或视频的采集设备（如摄像头）获得人手的图像序列。
然后，对获得的图像进行预处理，包括背景减除、手势分割、噪声过滤等。
接着，对预处理后的图像进行特征提取，常用的特征包括颜色特征、纹理特征、形状特征等。
最后，通过训练分类器对提取的特征进行分类，得到手势的类别。
手势识别算法可以分为基于2D图像和3D模型的方法。
基于2D图像的方法是指在2D平面上对手势进行检测和分类。
常用的算法包括基于背景减除的方法、基于模板匹配的方法、基于统计学的方法等。
基于背景减除的方法通过建模背景和前景来实现手势分割，然后对分割的手势进行特征提取和分类。
基于模板匹配的方法是指事先构建一系列模板，然后将待识别手势与模板进行匹配，选择匹配最好的模板作为识别结果。
基于统计学的方法是指通过统计的方法计算手势与训练样本之间的相似性，然后选取相似性最高的样本作为识别结果。
基于3D模型的方法是指在3D空间中对手势进行检测和分类。
常用的算法包括基于深度摄像机的方法、基于传感器的方法、基于模型拟合的方法等。
基于深度摄像机的方法通过获取物体与摄像机之间的深度信息，从而实现对手势的精确定位和分类。
基于传感器的方法是指通过手持传感器（如陀螺仪、加速度计等）获取手势的运动轨迹和姿态信息，然后对这些信息进行处理和分类。
基于模型拟合的方法是指通过建立手势模型，然后将待识别手势与模型进行拟合，选取拟合效果最好的模型作为识别结果。
手势识别算法在许多领域具有广泛的应用。
在人机交互中，手势识别可以替代传统的鼠标和键盘输入，提供更直观、自然的交互方式。
在虚拟现实中，手势识别可以实现用户的身体感知和控制，增强虚拟场景的沉浸感。
基于颜色信息的盲道区域检测与跟随算法
４ ）
（ｕ ２）
２１ 混合高斯模型 的参数更新 ． 在视频流 中， 检测出盲道区域 ，同时以检测 出的盲道区 域信 息，更新混合高斯模 型。 如果 检测 出混合高斯模 型中至少有 一个高斯分布与更 新用 的像素值 匹配 ，那么混合 高斯模型的参数更新规则
为：
帧盲道图片进入学 习窗 口时，淘汰最 早进入 Ⅳ 帧盲道 图 片。 每隔一个 固定的时间，以这些 图片为学 习样本重新建立 与更新短期模型。 短期模型的建立 与参数更新如 ３１ ．节所述。 ２ ）长期模型 ：长期模型所采用 的训练样本拥有更长 的 时 间跨度 ，本文使用很长 时间段 内采集 的盲道图片 ，采用 Ｅ （ ｘ ｅｔ ｉ － ｘ ｚｔ ｎ）算法估 计模型参数 。这个 Ｍ Ｅ ｐ ｃ ｔ ｎｍａｉ ａｉ ａｏ ｍｉ ｏ 模型描述 盲道颜色 的一个 比较稳 定的分布 。 部分检测结果如图三所示：
模 ，即：
｝
Ｐ ） ∑ ￣ Ｉ ， ｔ （ ＝ Ｄ ｘ ， ） （
（） １
式 中， 是混合 高斯 模型中高斯分布 的个数 ，一般取 ３ ５ 是像素的值，由红 ，绿 ，蓝三色分量构成 ； 表示 －； 混合模型 中第 个 高斯分布 的权系数的估计值 ； 和 分
图 １算 法流程
盲道 行 走 。因此 ， 道 边 界 的 识 别 和跟 踪 是 实 现 这 ～ 技 术 的 盲 首要问题 。 本文在上述研究的基础上 ，重新设计 了基于颜色
＿ ■
道 （） ｂ 中红 线框 出部 分为提 示盲 道
●
信 息的盲道区域识别 与跟 随算法 ， 侧重 于解决在光照改变与 盲道路面有投射阴影的条件下盲道区域的检测， 识别 出盲道 区域后 ，检测盲道边界信息 ，计算 出位置偏差和方 向偏差 。 算法 框 架 如 图：
基于视觉的实时手势识别及其在演示控制中的应用
ａ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ａ ｂ ｏ ｕ ｔ Ｐ ｏ ｗｅ ｒ Ｐ ｏ ｉ ｎ ｔ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｉ ｎ ｍｕ ｌ ｔ ｉ ｍｅ ｄ ｉ ａ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｕ ｓ ｉ ｎ ｇ Ｏｐ ｅ ｎ ＣＶ ｖ ｉ ｓ ｉ ｏ ｎ ｌ ｉ ｂ ｒ ａ ｒ ｙ ｉ ｎ
Ｓ Ｕ Ｎ Ｊ ｉ ｎ ｇ，ＡＩ Ｊ ｉ ａ Ｏ — ｙ ａ ｎ
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ｏቤተ መጻሕፍቲ ባይዱｆ Ｇｕ ａ ｎ ｇ ｘ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｎａ ｎ ｎ ｉ ｎ ｇ Ｇｕ ａ ｎ ｇ ｘ ｉ ５ ３ ０ ０ ０ ４， Ｃｈ ｉ ｎ ａ ）
ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｄ ｉ ａ ｇ ｒ ａ ｍｓ ａ ｎ ｄ ｃ ｏ ｌ ｏ ｒ ｈ ｉ ｓ ｔ ｏ ｇ ｒ ａ ｍ ｂ ａ ｃ ｋ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ｉ ｏ ｎ ｆ ｉ ｇ ｕ ｒ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｓ ｏ ｆ ｔ ｈ ｅ ｂ ａ ｃ ｋ —
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔ ｈｅ ｓ ｔ ｕｄｙ ｉ ｓ ｂ ａ ｓ ｅ ｄ ｏｎ ｔ ｈｅ ｒ ｅ ａ ｌ — ｔ ｉ ｍｅ ｄｙ ｎａ ｍｉ ｃ ｇｅ ｓ ｔ ｕｒ ｅ ｒ ｅ ｃ ｏ ｇｎ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｃ ｏ ｍｐ ｕｔ ｅ ｒ ｖ ｉ ｓ ｉ ｏ ｎ ｔ ｅ ｃ ｈｎｏ ｌ ｏ ｇｙ ．Ａｎ ｄ ｉ ｔ ｄ ｅ ｓ ｉ ｇｎｓ
基于颜色传感器的目标追踪算法研究
基于颜色传感器的目标追踪算法研究近年来，随着科技的不断进步，人工智能技术在各个领域中得到了广泛应用，其中一种被广泛研究的技术就是基于颜色传感器的目标追踪算法。
这项技术可以在各种场景下追踪目标，包括物体分类、人脸识别等，其基本思想就是通过颜色传感器对图像中的目标进行颜色分析，进而实现目标的持续跟踪和定位。
一、颜色传感器的原理及应用颜色传感器是一种将物体颜色转化成电信号输出的电子元件。
它的原理是通过不同色光合成出需要检测的颜色，再由传感器检测出该颜色，并输出相应电信号。
颜色传感器的应用场景非常广泛，比如自动售货机、手机、电视机等等，都会用到颜色传感器进行物体识别。
二、基于颜色传感器的目标追踪算法基于颜色传感器的目标追踪算法主要分为两个部分：特征提取和追踪匹配。
其基本思想是在视频帧中识别出需要追踪的目标，并根据目标的颜色特征在后续的帧中进行匹配，进而实现目标的持续追踪和定位。
特征提取是指对目标的颜色特征进行提取并进行编码，以便后续的比对和匹配。
通过对目标的颜色进行分析，可以确定相应的颜色模型，如RGB、HSV等，进而对目标的颜色进行描述。
在实际应用中，还可以通过纹理、形状等特征进行识别和编码，以提高目标识别的精度。
追踪匹配是指对目标在视频序列中的位置信息进行追踪和匹配，以确定目标在序列中的运动轨迹。
在匹配过程中，可以采用各种算法，如支持向量机、神经网络等，以提高匹配的准确性和速度。
同时，还可以通过滤波、卡尔曼滤波等算法对目标位置进行预测和修正，以提高追踪的精度和鲁棒性。
三、基于颜色传感器的目标追踪算法的应用在实际应用中，基于颜色传感器的目标追踪算法被广泛运用于各类图像处理和视频分析系统中。
比如在车载摄像头中，可以通过颜色传感器对行人和车辆进行分类和识别，以提高交通安全；在无人机和机器人领域中，可以通过颜色传感器对目标进行追踪和定位，以实现导航和控制。
除此之外，在安防监控和智能家居等领域中，基于颜色传感器的目标追踪算法也被广泛应用。
基于深度学习的手势识别算法设计与实现
基于深度学习的手势识别算法设计与实现人类表达情感和交流信息的一种方式就是使用手势。
手势识别技术可以让计算机自动识别人类手势并转换成数字信息。
基于深度学习的手势识别算法设计与实现已经成为热门研究课题，本文将介绍其原理、应用和未来发展。
一、手势识别基本原理手势识别是一种计算机视觉技术。
计算机视觉指的是让计算机“看懂”图像、视频等视觉信息的技术。
手势识别的流程主要包括手势图像采集、特征提取、分类识别等步骤。
手势图像采集：手势图像采集是手势识别技术的第一步。
通常需要使用相机等设备将人类手势图像进行采集，以获取手势信息。
特征提取：特征提取是手势识别技术的关键步骤。
在这一步骤中，需要对手势图像进行处理，以提取出其中的特征。
特征可以是手势的轮廓、颜色等。
分类识别：分类识别是手势识别技术的最终目标。
在这一步骤中，需要将提取出的特征进行分类，并将其与预定义的手势类别相对应。
通常使用分类器算法进行分类。
二、基于深度学习的手势识别算法深度学习是一种使用多层神经网络进行学习的机器学习技术。
基于深度学习的手势识别算法使用多层神经网络进行特征提取和分类识别，相对于传统的手势识别算法，在准确性和鲁棒性上有很大提升。
基于深度学习的手势识别算法主要包括卷积神经网络（CNN）和循环神经网络（RNN）。
卷积神经网络是一种专门用于处理图像、声音等数据的神经网络。
该网络在结构上类似于视觉皮层，可以通过卷积操作实现对图像特征的提取。
循环神经网络是一种专门用于处理序列数据的神经网络。
该网络通过网络节点之间的循环结构实现对序列数据的处理和学习。
基于深度学习的手势识别算法可以使用各种神经网络结合进行构建，以实现不同的特征提取和分类识别。
三、手势识别算法的应用手势识别算法的应用广泛，包括但不限于：1、交互技术：手势识别技术可以用于人机交互，例如控制电脑、家电等。
2、虚拟现实技术：手势识别技术可以用于虚拟现实技术中的操作和交互。
3、医疗健康：手势识别技术可以用于医疗健康中，例如进行康复训练、姿势纠正等。
基于自适应活动轮廓模型的实时手势跟踪
摘 要 在基 于视 觉的手 势分析 与识别 中， 一个关键环 节是 手势跟踪 。本 文提 出 了基于颜 色信 息的 自适 应活动轮廓
模 并 均 移 法 互 合， 现图 序 实 手 跟 跟踪 法分 两 进行， 应用 值 算 型， 与 值漂 算 相 融 实 像 列的 时 势 踪。 算 为 步 首先 均 漂移 凄 实 现手部区 域的定位， 后基于自 然 适应活动 模型 轮廓 提取手部轮廓。 在跟踪过程中， 轮廓提取为下一帧的区域定莅更
适应收缩与扩 张 ， 提取手部轮廓 。
（ Ｉ ＨＣ） 变得异常活跃 ， 取得了一 定的进展 。总体来 说 ， 并 人机
交互技术 已经从 以计 算机 为中心逐 步转移 到以人为 中心 ， 手 势识别也逐 渐成 为一个研究热点［ 。 １ ］ 手势识 别技 术按照实现途径可分为基于数据手套的手势
识别和基 于计算 机视 觉的手势利 用摄 像机采集 手势信 息 ， 进行识 别 。该方法 不 并
需 要复杂的数据 手套 作 为输入设备 ， 入相对 简单 、 便 ， 输 方 但 识别率 比较底 ， ｆ较差 ， 实时 生 故提高识别率 与实时 ｆ 生 是其关 键
问题 。同时在基 于视 觉的手 势分析 与识别 中 ， 手势 跟踪是 一 个关键 环节 。本 文研 究 了基 于单 目视觉 的 手势跟踪 ， 图像 在
便认定为肤色信息 。本 文采用第 二种 方法获取 肤色信 息 ， 以
VR环境中手势实时辨识方案
VR环境中手势实时辨识方案VR环境中手势实时辨识方案随着虚拟现实（VR）技术的快速发展，人们越来越希望能够在虚拟环境中进行自然的交互体验。
而手势识别作为一种直观、自然的交互方式，逐渐成为了VR环境中的重要技术之一。
本文将介绍一种基于机器学习的手势实时辨识方案，旨在提高VR环境中手势交互的准确性和响应速度。
首先，我们需要收集一组标注好的手势样本作为训练数据。
这些样本可以包括各种常见的手势，如拳头、手掌、点赞等。
为了保证数据的多样性和准确性，我们可以在不同的场景和光照条件下进行收集。
此外，为了提高模型的适应性，还可以引入一些扩充技术，如数据增强和迁移学习。
接下来，我们可以使用深度学习模型进行手势识别的训练。
目前，卷积神经网络（CNN）在图像识别领域取得了巨大的成功，因此可以选择使用CNN作为我们的手势识别模型。
我们可以将手势样本输入到CNN网络中进行训练，通过反向传播算法优化网络参数，以提高模型的准确性。
在训练完成后，我们可以将训练好的手势识别模型应用于VR环境中。
当用户进行手势交互时，我们可以使用VR设备的摄像头来捕捉用户的手部图像。
然后，通过将图像输入到训练好的模型中，我们可以实时辨识用户的手势。
最后，根据识别结果，我们可以触发相应的交互操作，如选择、拖拽等。
为了提高手势识别的实时性和准确性，我们还可以采用一些优化策略。
例如，可以在模型中引入时间序列信息，以捕捉手势的动态变化。
此外，我们还可以通过模型的压缩和量化，来降低模型的计算复杂度和内存消耗，从而提高模型的运行效率。
总之，基于机器学习的手势实时辨识方案可以极大地提高VR环境中手势交互的准确性和响应速度。
通过收集训练数据，训练深度学习模型，并将模型应用于VR环境中，我们可以实现实时的手势识别，并实现更加自然、直观的VR交互体验。
随着技术的不断进步，我们相信手势识别在VR环境中的应用将会越来越广泛。
基于颜色的运动目标快速识别与跟踪
ｌ 目标 识别与 跟踪过程
为了满足实时性与鲁棒性要求 ， 本文对 目标识别 与跟 踪 过程进行了优化 。如图 １所示是本文设 计的 目标识 别及跟 踪过程 ， 首先 ｄｒ ｔ ｏ ｉ ｃ ｈｗ将 Ｕ Ｂ ． ｅｓ Ｓ ２ ０摄像 机 的视 频流在 内存 中帧抓取 ， 获取一幅 Ｒ Ｂ图像 ； 次 ， Ｇ 其 判定 上一次 帧抓 取的
果包含 目标 ， 则根据帧 问强相关性 进入动态窗 口， 缩小 目标
选 区， 然后将动态窗 口内的像素映射到 Ｈ Ｉ Ｓ 颜色空间 ； 然后 ，
在得到的窗口图像 中 目标 识别 ， 当找到 目标像素后 ， 再次进
行动态窗 口分割 ， 分割大小为以能保证 目标完整性的最小窗
红
口尺寸 ， 如没有找到 目标像素 ， 则返 回视屏流进行再 次抓 取 ； 最后 ， 在动态窗 口中将 图像进行 彩色分割 ， 其转换为 一幅 将 二值 图像 （ 将满足 目标 条件 的像 素赋值为 １ 不满足 的赋 值 ， 为Ｏ ， ） 对二值图像进行 区域标记 ， 把不 满足 面积条件 的区域 进行置 ０处理 ， 排除干扰 ， 然后进行 目标质心等参数的计算 ， 以完成 目标跟踪 。
图像 中是否包含 目标 ， 如果此次为首抓帧或上一帧抓取图像
中不包含 目标 ， 则将全局 图像直接映射到 ＨＳ 颜 色空 间， Ｉ 如
识别和阙值分割 。如图 ２ 示 ， 所 如果像素 的 Ｈ Ｓ向量值 落在 弧形 区域 内， 那该像素 点就 属于要找 的颜 色 ， 中弧形 区域 其
是根据色度 Ｈ Ｓ向量 上 、 阚 值确 定 的 。 下
摘 要 ： 自主式移动机器人 对运动 目标进行跟踪 时， 觉 系统主要完成 目标的识别与跟踪 ， 高 目标识 别与 在 视 提
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验表明 , 二者的大小反映了目标的宽度和高度的比 例。
法 , 其基本思想是通过迭代移动附近的数据点到平均值 。 算法的流程是 :
( 1) 在颜色概率分布图中选取大小为 s 的搜索窗 W ; ( 2) W 的中心位于数据点 p ; ( 3) f ( p) 为在点 p 的分布值 , f ′ ( p) 为在点 p 的梯度 , 在搜索 窗 W 中计算数学期望 : Pj | W | j ∈W ( p) / f ( p) p - p ≈ f′ ( 4) 把窗口中心定位在 p ; ( 5) 重复 ( 3) 和 ( 4) 直到 f ′ ( p) 趋于 0 。 p =
1 引言
由于手势具有自然 、 直观和易于学习的特点 , 手势识 别成为人机交互的一个重要发展方向 。动态手势识别主要 可以分为两类 [ 1 ] : 基于三维手建模的方法和基于表观建模 的方法 。前一种方法就是给手或者手指建立三维模型 , 这 种方法非常精细 ,适用所有的手势 。然而 , 参数多 、 复杂庞 大的计算量使得这种方法实现起来非常困难 , 离实际应用 还比较远 。后一种方法就是利用图像序列的变化来识别手 势 ,它的重点是运动引起的图像序列的表观变化 。 基于表观的动态手势识别所要解决的几个主要问题是 手势的分割 、 跟踪 、 特征提取和建模以及手势的识别 。对于 一个实时系统来说 ,手势的分割与跟踪是识别的前提与基
踪的目标是手 ,所以这里的颜色就是肤色 。 计算机图像 处理 中 常 用的 颜 色 空 间有 YUV 、 HSV 、 [6 ] H IS 及 GL HS 等 。由于肤色对 HSV 颜色空间的 H 分量 比较敏感 ,用 HSV 颜色空间中的 H 分量的直方图就可以 建立肤色概率模型 。 具体的步骤如下 :将采集的手肤色样本图的每个像素 从 R GB 空间转换到 HSV 空间 , 统计其 H 分量的直方图 。 设 C ( h) 表示直方图中 H 分量大小为 h 的像素的个数 , M a x[ C ( h) ]表示 C ( h) 的最大值 , 则 H 分量为 w 的像素是 肤色的概率为 p ( w ) = C ( w ) / M a x [ C ( h) ] , h ∈( 0 , 1 ) , H 分 量与肤色概率就建立起了一一对应的关系 。将这个对应关 系保存起来 , 就得到肤色概率查找表 。为了计算方便 , 我们 将肤色概率表中的概率值乘以 255 。图 1a 为 H 分量的直 方图 , 图 1b 为原图 , 图 1c 为肤色概率分布图 。可以看出 , 肤色概率分布图是一个灰度图像 。
s = 23 M 00 / 256 x 2 I ( x , y)
2
( 8)
二阶矩 :
M 20 = M 02 = M 11 =
图1 手图像
6 6
x y x y
( 9) ( 10) ( 11)
6 6y 6 6
x y
I ( x , y)
x y I ( x , y)
一般来说 , 肤色样本应该取自于多个人才有更强的鲁 棒性 , 但即使少量的肤色样本也能取得满意的效果 。一个 误解就是不同皮肤的人应该有不同的肤色模型 , 其实不然 , 在自然光下 , 所有人类几乎具有完全一样的色调 肤的人只是饱和度比白色皮肤的人大一些 。
基于颜色概率模型的实时手势跟踪算法 A Real2 Time Hand Tracking Algo rit hm Based
o n t he Colo ur Pro babilit y Mo del
徐力群 ,吴晓娟
XU Li2qun , WU Xiao2juan ( 山东大学信息科学与工程学院 , 山东 济南 250100) ( School of Information Science and Engineering ,Shandong University ,Jinan 250100 ,China)
3. 3 改进的 CAMSHIFT 算法
在利用 CAMS H IF T 进行手势跟踪过程中 , 遇到了以 下问题 : (1) 由公式 (8) 计算出的搜索窗可能过大 ,这样最后跟 踪结果不会很精确 。 ( 2) 在对手势进行跟踪时 ,一般会出现肤色干扰 , 这给 选择初始化搜索窗带来了麻烦 。例如 ,在图像中同时出现人 手和人脸 ,由于人脸的区域一般会比人手的区域大 ,直接利 用 CAMSHIFT 算法跟踪的结果将会是人脸而不是人手 。 (3) 按照公式 (8) 计算搜索窗的尺寸 s ( 为正方形 ) , 由 于手是柔体 ,易发生形变 , 跟踪结果应该是一个矩形区域 , 而且手旋转或者手朝向摄像头的角度不同时 , 这个矩形区
(1) 选择初始搜索窗 ; (2) 进行上面的 Mean Shift 算法中的 (2) 、 (3) 、 (4) 步 , 并且保 存零阶矩 ; (3) 设置搜索窗的大小为步骤 (2) 中零阶矩的函数 ; (4) 重复 (2) 、 (3) 直到收敛 ( 数学期望的位置移动小于给定的 阈值) 。
设置初始窗的大小 s 和 M 00 的关系为
3 CAMSHIFT 算法
3. 1 Mean Shif t 算法
Mean Shift 算法是一种密度函数梯度估计的非参数方
算 [4 ] :
ol = ow = ( ( m + k) + ( ( m + k) n2 + ( m - k) 2 ) / 2 n2 + ( m - k) 2 ) / 2 ( 13) ( 14)
Address:School of Information Science and Engineerin g ,Shandon g Universit y ,Jinan ,Shandon g 250100 ,P. R. China
44
© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved.
[6 ]
目标长轴的方向角为 [ 4 ] : θ=
arctan 2 ( M11 / M00 - x c y c ) 2 ( M20 / M 00 - x 2 c ) - ( M 02 / M 00 - y c ) 2
( 12)
, 黑色皮
令 m = M20 / M00 - x2 c , n = M 11 / M 00 - x c y c , k = M 02 / M 00 y2 c , 从分布质心起目标的长轴和短轴可以按以下公式计
3
2 颜色概率分布
为了使用 CAMSH IF T 算法跟踪视频序列中特定颜色 的目标 ,需要把每帧图像转化为颜色概率分布图 。由于跟
收稿日期 :2004202223 ; 修订日期 :2004204207 基金项目 : 山东省自然科学基金资助项目 ( Y2001 G04) ; 中国科学院沈阳自动化研究所开放课题基金资助项目 作者简介 : 徐力群 (1978 ) ,男 ,山东曹县人 ,硕士生 , 研究方向为信号与信息处理 、 手势识别 ; 吴晓娟 ,教授 ,博士生导师 , 研究方向 为信号与信息处理 、 模式识别 。 通讯地址 :250100 山东省济南市山东大学信息科学与工程学院吴晓娟 ; Tel : (0531) 8362526 ,13723771730
和 y 的变化范围为搜索窗的范围 H IF T 算法即连续自适应数学期望移动算法 。
与数学期望移动算法只能处理静态分布相比 ,CAMS H IF T 可以处理动态变化的分布 。当视频序列一帧一帧变化时 , 其对应的颜色概率分布图也将变化 ,CAMSH IF T 能够自动 调节搜索窗的大小和位置 ,定位被跟踪目标的中心和大小 , 并且用当前帧定位的结果来预测下一帧图像中目标的中心 和大小 。CAMSH IF T 算法过程如下 :
3
摘 要 : 本文提出了一种改进的 CAMSH IF T 算法 ,实现了对动态手势的实时跟踪 。将图像序列通过一个肤色概率查 找表转换为肤色概率分布图 ,结合运动信息和肤色概率分布 ,初始化一个搜索窗的大小和位置 ,然后对肤色概率分布图进 行迭代运算 ,定位出手势的位置和大小 ,根据计算肤色概率分布图中手势区域的 2 阶矩 ,最终确定感兴趣区域的长度和宽 度 。实验表明 ,本文提出的算法能实时处理视频图像 ,避免了错误跟踪 ,而且跟踪准确精细 。 Abstract : This paper p resent s a modified CAMSH IF T algo rit hm which implement s dynamic hand t racking in a real2time way. Fo r each video f rame , t he raw image is converted to a flesh colo ur p robability dist ributio n image via a flesh colour p robability table. Co nsidering t he hand motion and flesh colour p ro bability dist ribution , t he size and locatio n of a search window are initialized. Then t he size and locatio n of t he hand are determincd via t his algorit hm. The final widt h and height of RO I are found by co mp uting t he second mo ment of t he hand area in t he flesh colo ur p robability dist ribution image. The current size and location of t he t racked hand are repo rted and used to set t he size and location of t he search window in t he next video image. Experiment s show t his met hod is robust to noise and dist racto rs. And it can t rack t he hand accurately in a real2time way. 关键词 : 数学期望移动 ; 连续自适应数学期望移动 ; 手势跟踪 ; 颜色概率分布 Key words :Mean Shift ;CAMSH IF T ;hand t racking ;colour p robability dist ributio n 中图分类号 : TP391. 4 文献标识码 :A 础 ,它的好坏直接影响系统的识别率 。手势跟踪的方法有 很多 ,如利用基于 Kalman 滤波的动态模型的方法 [2 ] 和利 用粒子滤波 ( Particle Filter ) 的方法 [ 3 ] , 但这些方法的计算 量比较大 。为了找到一个快速 、 鲁棒性强的跟踪算法 ,可以 从统计和概率分布上考虑 ,CAMS H IT [4 ] ( Continuously A2 daptive Mean Shift ,简称 CAMSH IT) 就是这样一种算法 。 本文在详细分析该算法以及出现的问题的基础上提出了改 进算法 ,改进的算法提高了抗噪性能 , 防止了错误跟踪 , 并 提高了跟踪的准确度 。