几种手部识别算法的研究
基于神经网络的手势识别研究共3篇
基于神经网络的手势识别研究共3篇基于神经网络的手势识别研究1随着人类社会的快速发展，科学技术的进步正在推动着人类的生产力不断提高，人类的生活方式也在不断发生着变化。
现在，随着计算机技术和人工智能技术的不断发展，手势识别技术已经成为人机交互领域的一项重要研究内容。
本文将基于神经网络的手势识别技术进行深入研究。
手势识别技术是一项重要的科技成果。
基于手势识别技术可以为人们带来诸多方便，例如在人机交互、虚拟现实和智能家居等领域得到广泛应用。
然而，传统的手势识别技术往往需要人工对手势进行标记，效率较低，而且对识别结果的准确性也有很大的影响。
为了克服这种困难，科学家们开始发展基于神经网络的手势识别技术。
神经网络是一种模仿人类神经系统的计算模型，具有学习、自适应和泛化能力。
采用神经网络进行手势识别，可以避免需要人工标记的困难，大大提高识别的准确性和效率。
在基于神经网络的手势识别研究中，深度学习技术是一项非常重要的内容。
深度学习技术采用了一种特殊的神经网络结构，使得机器在学习过程中可以自动分析数据中的特征，并进行泛化。
在手势识别中，深度学习技术可以有效地识别手势，并与其他手势进行区分。
基于神经网络的手势识别技术的研究面临着许多挑战。
首先，由于手势的多样性和复杂性，要求机器可以灵活地进行学习与识别，并能够进行泛化。
其次，神经网络的参数较多，需要更大的样本来训练，这可能会导致过拟合问题。
为了解决这些问题，科学家们采用了一些新的方法，例如融合多个神经网络、对神经网络进行精简、利用卷积神经网络和循环神经网络等方法。
在手势识别研究中，数据的选择和预处理同样是十分重要的。
在数据采集过程中，需要采取一些特殊的手段来获取丰富多样的数据，并加以处理，提取出数据中的有用信息。
例如，在采集手势数据时，可以采用RGB、深度相机等多种设备进行采集，并采用滤波、归一化等方法对数据进行处理。
总之，基于神经网络的手势识别技术在人机交互、虚拟现实和智能家居等领域得到了广泛应用。
基于深度学习的手语识别技术研究
基于深度学习的手语识别技术研究一、引言随着深度学习技术的发展和应用，手语识别技术也得到了越来越广泛的应用。
手语识别技术是指通过摄像头等设备获取手部动作信息，通过计算机算法实现对手语的自动识别和翻译。
这种技术已经被应用在残疾人辅助、智能家居、虚拟现实等领域。
本文主要介绍基于深度学习的手语识别技术研究。
文章首先对手语识别技术的现状进行了介绍，然后详细介绍了基于深度学习的手语识别技术的原理和应用。
最后对该技术的优点和不足进行了总结，并提出了未来的研究方向。
二、手语识别技术的现状手语是一种重要的无声交流方式，主要适用于听力障碍人群、语言沟通障碍人群等特殊人群。
手语识别技术可以将手语转换成文字或语言，方便人们进行交流和沟通。
手语识别技术有很多应用场景，如虚拟现实、智能家居等。
传统的手语识别技术一般采用特征提取和分类器构建的方法进行识别。
特征提取有很多种方法，如颜色特征、形态特征、轮廓特征等。
分类器也有很多种，如贝叶斯分类器、支持向量机等。
但是，这种方法存在缺陷，如特征提取不准确、分类器构建困难等。
随着深度学习技术的兴起，基于深度学习的手语识别技术也逐渐应用到实践中。
该技术通过深度学习算法自动学习手语特征，从而避免了传统手语识别技术的缺陷，提高了手语识别的准确率和鲁棒性。
三、基于深度学习的手语识别技术的原理基于深度学习的手语识别技术的流程一般分为三个阶段：数据预处理阶段、卷积神经网络模型训练和分类预测阶段。
1、数据预处理阶段手语识别技术需要大量的训练数据来进行模型的调整和训练。
数据预处理是保证识别准确率的重要环节。
在数据预处理阶段，需要对手语数据集进行数据清洗、数据标注和数据扩增。
数据清洗是指对手语数据进行去噪、亮度均衡和图像增强等预处理操作。
这些操作可以有效减少噪声和提高图像清晰度。
数据标注是对手语数据进行标注，将手语动作和对应的语言或文字标注在手语数据集中。
标注数据是进行深度学习模型训练的必要条件。
数据扩增是指对手语数据进行增加，增加训练数据多样性的方法。
基于凸包算法的指尖识别方法
基于凸包算法的指尖识别方法高晨;张亚军【摘要】针对现有指尖检测方法容易受背景的干扰,并且指尖误判点较多的情况,提出了一种基于凸包分析的指尖检测算法.首先,为减少类肤色背景和光照对手部轮廓提取的影响,采用YCbCr肤色模型和背景差分法相结合的方法提取手部轮廓;然后采用快速凸包算法获得手部轮廓的凸包,并利用凸包顶点和缺陷点计算出掌心的坐标,根据凸包缺陷深度和手指几何特征及曲率特征检测手指指尖;最后采用有灯光和类肤色背景干扰的环境,而不是背景单一的环境进行实验,验证了所提算法的鲁棒性.实验结果表明,该算法可以有效识别出指尖数目和手掌的位置,实现简单的数字手势(0～5)的识别,具有较强的鲁棒性.%Since the conventional fingertip detection method is easily influenced by background and there are too many finger misjudgment points,this paper proposes a detection algorithm based on the analysis of a convex hull.Firstly,in order to reduce the influence of approximate skin background color and light intensity on the extraction of the hand area,we use the YCbCr skin model combined with the background difference method to extract the hand area.We then derive the hand contour convex hull and,finally,use the defects and hull points to obtain the coordinates of the hand palm.Based on the depth of the convex hull defects,the geometric features of fingers and curvature allow detection of the fingertips.In order to verify the robustness of the algorithm developed in this paper,we employed a light and colored background,rather than a single background environment;the results showed that the method can effectively identify the number of fingertipsand the location of the palm,and can also recognize numerical (0 ～ 5) hand gestures,demonstrating its efficacy.【期刊名称】《北京化工大学学报（自然科学版）》【年(卷),期】2017(044)002【总页数】6页(P70-75)【关键词】指尖识别;凸包算法;背景差分法;肤色模型【作者】高晨;张亚军【作者单位】北京化工大学机电工程学院,北京 100029;北京化工大学机电工程学院,北京 100029【正文语种】中文【中图分类】TP301.5手势作为人们常用的表达方式之一，可以快速简单地实现人机交互，代替传统的键盘、鼠标等人机交互设备。
手形识别中手形处理方法的研究
手形识别中手形处理方法的研究摘要：生物特征识别是人类本身具有的生理特征或者行为为前提，借助计算机判断个人身份的技术。
手形识别时生物特征识别的一种方法，以其采集设备简单、识别速度快、稳定性高而成为继指纹识别之后的新的生物特征识别方法。
手形边缘信息的准确提取为手形的识别与认证起到了至关重要的作用。
在手形的采集和提取过程中，外部引入的噪声会降低手形信息提取的准确性。
本文采用改进型中值滤波法和大津法进行自适应阈值搜索，能够快速、准确、有效地提取手形边缘信息的现象。
通过实验验证了这两种方法的优越性，为手形认证做了很好的铺垫。
关键词：手形提取，改进型中值滤波，大津法随着科技的不断发展，人们正在寻求更有效的方法来保证自身信息的安全性。
利用人的生物特征进行身份识别已经成为了保证信息安全的一种重要手段,手形识别作为生物特征识别的重要方法之一,涉及到提取和识别两个重要部分。
其中,手形的提取为手形识别的进行起到了铺垫作用。
手形识别算法分为基于点匹配的方法、模板匹配方法特和征矢量的匹配方法。
由于基于特征矢量的方法和基于模板匹配方法存在误识率高和运算过程复杂的缺点，所以人们目前普遍采用点匹配的方法对手形进行识别,但是这种方法严格要求手形提取的准确性，所以为了保障正确的识别手形，人们必须准确的提取手形信息。
与其他生物特征识别相比，手形识别的优点在于：（1）特征简单，对图像质量要求较低，容易提取。
（2）算法不复杂，容易识别。
（3）易采集，易注册。
手形识别的缺点在于：（1）常用的接触式采集设备用户界面不够友好，指纹的信息易丢失。
（2）光源位置变化和设备引入噪声容易使手形信息缺失。
（3）采集器尺寸问题限制各种年龄人群进行手形识别。
因此，针对上述问题，本文采用非接触式手形采集方法，即以黑色板为背景，用摄像头直接采集板上手形,通过采用改进型中值滤波法和大津自动搜索法对手形的轮廓进行提取。
通过实验证明，这两种算法有效的保留的手部信息，为手形匹配过程奠定了良好的基础。
多模态手部生物特征识别技术分析
多模态手部生物特征识别技术分析作者：夏鹏来源：《电子技术与软件工程》2015年第07期摘要生物特征识别技术即利用人独特的生理以及行为特征为依据，来实现不同人身份的鉴别，减少身份窃取事件的发生。
多模态手部生物特征识别技术，虽然目前作为主要研究方向已经取得了一定的成果，但是在实际应用上来说还存在部分亟需解决的问题，必须要对其做更进一步的研究。
本文分析了手部生物特征识别技术与特点，并对识别技术的实现方式进行了简要分析。
【关键词】多模态手部生态特征识别科学技术的快速发展，使得现在逐渐涌现出更多安全识别技术，其中生物特征识别已经成为最具潜力的身份认证技术之一。
为保证信息与人身安全，需要以提高安全性为前提，对各项识别技术进行更深的研究。
多模态手部生物特征识别技术的实现，需要通过手指生物特征采集系统以及手背静脉采集系统对各项数据的收集，建立新的识别算法，做好关键性技术的管理，实现多模态手部生物特征识别技术的功能。
1 多模态手部生物特征识别技术概述生物特征识别系统一般由传感器、特征提取、匹配以及决策四个模块组成，其中单生物特征组合与多生物特征融合可以体现在任何一个模块，则应用多模态生物特征识别时，可以通过单生物特征多传感器、多生物特征、单生物特征多表达方式、单生物特征多单位以及单生物特征多匹配器几种方式实现[1]。
多模态手部生物特征识别技术，即以人手部为基础，通过掌纹、手形、手指纹理以及静脉等生物特征来达到身份识别的目的。
对于多模态手部生物特征识别技术的研究，需要明确手部各特征识别技术原理以及特点，然后确定相应的采集系统与算法，利用专业技术进行处理，实现多模态手部生物特征识别功能。
2 多种手部生态特征识别技术原理与特点分析2.1 指纹识别指纹即与手掌同侧并位于手指末端皮肤上凹凸相间的乳突状纹理，对于不同人其指纹在几何形态、端点以及分叉点等特征上都存在明显的区别，并且此项特征具有永久性特点，因此可以将其作为一个身份识别的特征，通过验证来确定其身份。
《2024年手语识别系统设计》范文
《手语识别系统设计》篇一一、引言手语是聋人群体主要的交流方式，随着信息技术的飞速发展，手语识别系统的设计变得越来越重要。
然而，手语识别的准确性和效率仍是待解决的挑战。
本文将深入探讨手语识别系统设计的基本概念、目的及重要性，并提供系统设计的全面概述。
二、手语识别系统概述手语识别系统是一种将手语动作转化为文字或语音信息的技术。
该系统主要包括图像采集、预处理、特征提取、模式识别和后处理等几个主要部分。
图像采集是获取手语动作的原始数据，预处理则是对原始数据进行清洗和增强，以便后续的特征提取和模式识别。
特征提取是从预处理后的数据中提取出手语的关键特征，模式识别则是根据这些特征对手语进行分类和识别。
三、手语识别系统设计1. 硬件设计手语识别系统的硬件设计主要包括图像采集设备，如高清摄像头或穿戴式设备。
为了获取更精确的手语数据，我们需要选择高分辨率、高帧率的摄像头。
此外，为了方便用户使用，还可以设计穿戴式设备，如手套或腕带等，以实时捕捉手部动作。
2. 软件设计软件设计是手语识别系统的核心部分，主要包括图像处理算法、特征提取算法和模式识别算法等。
（1）图像处理算法：图像处理算法主要用于对原始图像进行预处理，如去噪、二值化、边缘检测等。
这些算法可以有效地提高图像的清晰度和对比度，为后续的特征提取和模式识别提供更好的数据基础。
（2）特征提取算法：特征提取算法是手语识别的关键技术之一。
常用的特征提取算法包括基于统计的方法、基于机器学习的方法和基于深度学习的方法等。
这些算法可以从图像中提取出手语的关键特征，如手势形状、动作轨迹等。
（3）模式识别算法：模式识别算法是手语识别的核心部分。
常用的模式识别算法包括基于规则的方法、基于统计的方法和基于深度学习的方法等。
这些算法可以根据提取出的特征对手语进行分类和识别。
四、系统实现与优化在系统实现过程中，我们需要对算法进行不断的调试和优化，以提高系统的准确性和效率。
此外，我们还需要考虑系统的实时性和用户体验等因素。
手势识别技术综述
手势识别技术综述作者单位：河北工业大学计算机科学与软件学院内容摘要：手势识别是属于计算机科学与语言学的一个将人类手势通过数学算法针对人们所要表达的意思进行分析、判断并整合的交互技术。
一般来说，手势识别技术并非针对单纯的手势，还可以对其他肢体动作进行识别，比如头部、胳臂等。
但是这其中手势占大多数。
本文通过对手势识别的发展过程、使用工具、目的与市场等进行综述，梳理出手势识别发展的思路，让读者对手势识别有一个总体上的认识，同时也可以让读者在此基础上进行合理想象，对手势识别的未来有一个大体印象。
Abstract:Gesture recognition is an interactive technology using mathematical arithmetic to the analysis,judge and assembly meaning that people want to convey which belongs to computer science and Linguistics.In general, gesture recognition technology is not for simple gestures expressed by hands ,it can also aim to other body movement recognition, such as the head, arm and so on. But the gesture accounted for most of the analysis. In this paper, by describing the development process, tools used , objective and market of gesture recognition , we can sort out the ideas of the development of gesture recognition, and let readers have an overall understanding of gesture recognition. At the same time, it can let the reader imagine that on hand gesture recognition based on reason ,and have a general impression of its future.1.定义说到手势识别，首先要对手势识别中的手势有一个清晰的认知。
基于计算机视觉的手部功能评估模型
基于计算机视觉的手部功能评估模型随着人工智能技术的不断发展，计算机视觉作为其中的一个重要方向，也日益受到关注。
在医疗领域，基于计算机视觉的手部功能评估模型正逐渐成为研究的热点之一。
这一模型的应用范围涉及到康复医学、运动医学以及老年病学等多个领域，对于帮助患者进行手部功能评估和康复治疗具有重要意义。
在本文中，我们将深入探讨基于计算机视觉的手部功能评估模型，分析其意义和应用，并对未来的发展方向进行展望。
一、基于计算机视觉的手部功能评估模型的意义基于计算机视觉的手部功能评估模型，通过利用计算机对手部运动和姿态进行识别和分析，可以实现对患者手部功能的客观评估。
传统的手部功能评估通常依赖于医生的主观判断和患者的自我描述，存在着评估不准确、缺乏客观数据支持等问题。
而引入计算机视觉技术后，可以通过对手部运动轨迹、肌肉协调性等数据的采集和分析，实现对患者手部功能的精准评估，为医生提供科学依据，从而更好地制定康复治疗方案。
基于计算机视觉的手部功能评估模型还可以实现对患者康复治疗过程的跟踪和记录。
通过持续监测患者手部运动状态，可以及时发现康复治疗中的问题和不足，并及时调整治疗方案，以达到更好的治疗效果。
通过对康复治疗过程的数据记录和分析，可以为未来的康复治疗提供宝贵的经验借鉴，不断提高康复治疗的效率和质量。
二、基于计算机视觉的手部功能评估模型的应用基于计算机视觉的手部功能评估模型在康复医学领域有着广泛的应用。
在中风康复治疗中，患者常常出现手部功能受损的情况，传统的康复治疗方法往往效果有限。
而引入基于计算机视觉的手部功能评估模型后，可以通过对患者手部运动状态的实时监测和分析，针对性地制定个性化的康复治疗方案，帮助患者重建受损的手部功能。
基于计算机视觉的手部功能评估模型还在运动医学领域具有重要意义。
运动员经常面临手部损伤和疲劳的情况，传统的评估方法往往需要依靠专业医生进行手动检查，存在着检测不够精准和便利性不高等问题。
如何使用计算机视觉技术进行远距离手势识别
如何使用计算机视觉技术进行远距离手势识别近年来，随着人工智能和计算机视觉技术的不断发展，手势识别技术已经逐渐成为计算机领域的一个热门话题。
手势识别技术的应用范围非常广泛，包括人机交互、机器人控制、虚拟现实等诸多领域。
在远距离的情况下，如何使用计算机视觉技术进行手势识别，不仅可以使得人机交互更加便利，也可以进一步提高机器人控制的精度和效率。
本文将探讨如何使用计算机视觉技术进行远距离手势识别。
一、手势识别技术的基本原理手势识别技术是通过分析人体肢体姿态、运动规律以及手部动作等，来捕捉手势信息并将其转化为计算机可识别的指令或操作。
手势识别技术的基本原理是利用计算机视觉技术和模式识别算法来自动识别人手的位置、方向、大小、形状等信息，并将其转化为计算机可识别的指令。
常用的手势识别技术包括基于RGB摄像头的2D技术，基于深度摄像头的3D技术以及基于传感器和惯性测量单元等传感器的技术。
二、远距离手势识别技术在远距离情况下进行手势识别，主要面临两个问题，即手势的细节问题和受到环境因素的影响问题。
针对手势的细节问题，目前主流的手势识别技术是基于深度摄像头的3D技术。
这种技术可以在不受光照、颜色和纹理等干扰的情况下，对人手的运动轨迹进行捕捉，并且可以识别出较为复杂的手势动作。
同时，基于深度摄像头的手势识别技术还可以通过对距离和方向的测量来实现对手势的三维定位和追踪。
不过，即使采用了深度摄像头的3D技术，仍然需要对手势的细节问题进行处理，以提高识别准确度。
例如，对于某些极端的手势动作，需要特别针对其姿态、大小、形状等特征进行优化，以减少误识别率。
针对环境因素的影响问题，可以采用不同的技术进行解决。
例如，在弱光环境下，可以通过添加前置闪光灯或者红外线灯，提高摄像头的光照强度，以便更好地获取手势信息。
在复杂的背景情况下，可以采用背景差分技术和运动目标检测技术，将手势与背景进行分离，更好地捕捉手势信息。
三、应用场景远距离手势识别技术的广泛应用场景包括人机交互、机器人控制、虚拟现实等诸多领域。
基于LeapMotion的动态手势识别研究
基于LeapMotion的动态手势识别研究摘要：随着科技的发展、时代的进步，手势识别技术已经由理论阶段慢慢转变成产品落地阶段。
但之前普遍研究都采用普通摄像头来获取手势手部特征与运动轨迹特征而无法获取深度三维特征，因此本文采用LeapMotion深度相机进行动态手势识别，通过使用LeapMotion采集动态手语数据并使用HMM模型完成动态手势识别判定。
关键词：人机交互；手势识别；LeapMotion；HMM；1引言近些年，人机交互正在飞速发展，已从键鼠输入交互发展到更为自然的手势交互。
其中基于视觉的手势识别技术更是被广泛应用。
在基于视觉的手势识别领域中，深度相机广受研究者喜爱［1］。
因为它比普通摄像头抗干扰能力强、拥有更高质量的图像分割技术、能提供深度三维特征信息，为后续的动态手势识别提供有效的数据支撑。
2LeapMotion2.1LeapMotion概述LeapMotion是体感传感器公司Leap研发的基于视觉的体感传感器。
它支持PC端和Mac端，用户使用时，挥动手指就可以实现PPT翻页、文章浏览、音乐播放与暂停等功能，也可以在3D空间拼接和拆分模型，还可以进行绘画与书写等等［2］。
它使用了红外摄像技术，它拥有150度超广视野，能有效检测设备上方0.03米至0.6米，可同时追踪10个手指，精度高达0.01毫米，实时捕捉每秒超200帧数据［3］。
它还提供了包含Python、Java等多种开发语言的API接口，方便用户进行二次开发与设计。
2.2LeapMotion设备介绍LeapMotion传感器整体采用了右手直角坐标系。
其中，原点设立于设备的上表面正中心、X轴与设备的长边平行，Z轴与设备的短边平行。
Y轴则垂直于设备的正表面。
LeapMotion一共拥有两个高帧率的广角镜头和四个红外LED。
表面的滤光层对进出光波进行了过滤，只允许红外光波进出，实现了初步的数据处理，降低后期模型运算复杂度；再通过双目广角摄像头捕捉手部关键点三维位置信息，最后建立手部立体模型；3动态手势数据的采集手势追踪的实时性和准确性是动态手势识别中的重点。
- 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)。
几种手部识别算法的研究
作者：毛雷胡涛
来源：《电子技术与软件工程》2013年第18期
摘要：本文将就手部检测问题，提出三种不同算法，分别是基于像素识别算法、基于HSV识别算法、基于皮肤检测识别算法，并对三种算法进行研究探讨。
首先，讨论了肤色在颜色空间中的分布。
得到基于HSV空间和基于YCbCr空间的皮肤检测两种算法。
之后，根据肤色的固定颜色，得到基于像素的识别算法。
探讨了手体轮廓问题的取舍，并对算法进行了改进。
最后对不同形的手进行检测，验证了基于皮肤检测识别算法的有效性。
【关键词】手部检测 HSV空间皮肤检测
1 引言
人与计算机的交互活动越来越成为人们日常生活的一个重要组成部分，特别是最近几年，随着计算机技术的迅猛发展，研究符合人际交流习惯的新颖人机交互技术变得异常活跃，也取得了可喜的进步，这些研究包括人脸识别、面部表情识别、唇读、头部运动跟踪、凝视跟踪、手势识别以及体势识别等等。
总的来说.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，是多媒体、多种模式的交互技术。
而人体手部的识别是人体姿态识别的重要基础。
目前对人体手部的识别主要包括基于皮肤颜色建模、基于连续神经网络与马尔科夫模型的手势识别等等。
人类学家Jablonsk i发现，皮肤反射率与紫外线辐射水平紧密相关，并从生物学上论证了肤色的一致性[1]，可见，采用颜色进行皮肤检测具有统计和物理上的有力依据。
本文主要浅析了基于像素（相似度）、基于HSV、基于皮肤检测人体手部在复杂背景下的识别过程。
识别做成主要包括RGB到HSV模型及YCbCr模型的转化、除噪，最终得到手部区域。
2 几种常见的手部识别算法
2.1 基于像素的手部识别算法
基于像素的手部识别算法具体步骤如图1所示。
选取手上9*9矩阵区域作为种子的颜色，对各像素进行灰度转换并遍历每一个像素，如果当前点与种子灰度值比较接近[2]，即是所需要的像素，计算符合条件的像素点的个数来表示区域面积。
2.2 基于HSV的手部识别算法
HSV表色系包含三个属性：图像的色调（Hue），即表示相应的颜色；饱和度（Saturation），即表示颜色的纯度；亮度（Value），即颜色的亮暗程度。
所以该表色系是分别对图像的色调，饱和度和亮度进行描述的，根据皮肤的固有色调可以提取出皮肤区域。
图像从Rgb表色系转换到hsv表色系固定公式如公式2、3、4[3][9][10]所示。
基于HSV的手部识别算法首先利用中值滤波去噪[4]，然后再转换到HSV空间；接着根据皮肤在 HSV空间的分布做出阈值判断[5]，这里用到了inRange[6]函数，然后进行一下形态学的操作，去除噪声干扰，让手的边界更加清晰平滑，得到的2值图像后用findContours[6]找出手的轮廓，去除伪轮廓并算出区域面积。
其中相关函数介绍如下：
（1）inRange[6]函数：检查输入数组每个元素大小是否在2个给定数值 hsv_min，
hsv_max之间，如果都在对应的范围内hsv_mask对应的那个点的值全为1（0xff），否则为0（0x00）。
（2）findContours[6]函数：找到图像中的轮廓并将轮廓信息存在contours中，便于计算轮廓面积。
基于HSV的手部识别算法流程图如图2所示。
2.3 基于皮肤检测的手部识别算法
肤色检测原理是根据皮肤的固有色彩，在图像中选取相对应的颜色范围作为皮肤颜色。
给定一幅包含人像的彩色图像，将其转换至其它表色系，利用肤色检测算法将皮肤区域以二值图像的形式检测出来并对比算法效果。
在基于皮肤检测的手部识别算法中，将图像转换到YCbCr 表色系下，使用该色彩空间某一分量的阈值，利用该阈值就可以初步对皮肤进行分割得到该表色系下的图像转换成相应的二值图。
YCbCr颜色空间将色彩表示为三个分景。
即亮度Y，蓝色色度Cb和红色色度Cr。
YCbCr 表色系中将亮度信息与色彩信息分开，充分考虑了RGB三个分量在视觉感觉中的不同重要性而确定的。
3 手部识别算法测试结果
本文中使用了Microsoft Visual Studio 2010和Opencv2.4.5对基于像素、HSV和皮肤检测的手部识别算法进行了测试。
首先，利用无背景的测试图作为标准，来计算实际面积，然后，分别用三种识别算法算出识别到有背景的测试图中手部的面积，并实际面积进行比较。
部分测试结果如下图4所示。
对以上五组识别结果进行分析，可以得到识别正确度的对比图，如图5所示。
从图可4和图5以看得以下结论：基于像素识别算法受背景的影响极大，基于HSV识别算法遇到接近皮肤色背景色误差大，基于皮肤检测识别算法效果明显好于前两者。
4 结论
本文首先探讨了手部识别算法的相关算法，然后分别研究了基于像素、基于HSV和基于皮肤检测的手部识别算法原理。
并且对三种手部识别算法进行了实现与测试。
通过多组测试结果比较和基于测试结果数据的分析，我们最后认为基于皮肤检测识别算法得到的区域面积更接近原始面积，基于皮肤检测识别算法效果明显好于前两者。
参考文献
[1]JablonskiN G，Chaplin G. The evolution of hum an skin coloration[J].Journal of Human Evolution，2000.
[2] Michael Reilly，Michelle Poolet. SQL Server 2000 Design&T-SQL Programming Copyright@2001 by The McGraw） Hill Companies Inc，2001.
[3] 冈萨雷斯.数字图像处理（第二版）[M].北京：电子工业出版社，2007.
[4]杨阿妮.神经网络与马尔科夫模型的手势识别[J].电子测量技术，2010.
[5]ChoK M，Jang J H，H ong K S.Adaptive Skin-color filter[J].Pattern Recognition，2001.
[6] Adrian Kaehler/Dr. Gary Rost Bradski. Learning OpenCV，2008.
[7] 左飞，万晋森，刘航.Visual C++数字图像处理开发入门与编程实践[M].北京：电子工业出版社，2008.
[8] Donald Hearn，M.Pauline BakerComputer Graphics.Prentice Hall International，ISBN，1986.
[9] Raphael Gonzalez， Richard E.Woods （2002） Digital Image Processing， 2nd ed. Prentice Hall Press，ISBN 0-201-18075-8，2002.
[10]Pietikainenm M P.Facial skin color modeling//LI S Z，Jainak A K.Handbook of face recognition.Berlin：Springer，2005.
作者单位
湖北民族学院信息工程学院湖北省恩施市 445000。