基于Kinect的手勢(shì)圖像分類器設(shè)計(jì).pdf

1、手勢(shì)識(shí)別具有非常廣泛的應(yīng)用，是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究課題之一。很多傳統(tǒng)的手勢(shì)識(shí)別方法主要依賴于數(shù)據(jù)手套等輔助設(shè)備，或者是基于傳統(tǒng)意義上的彩色(RGB)圖像上的手勢(shì)識(shí)別，不能獲得更多超過(guò)2D圖像以外的信息。而Kinect設(shè)備的問(wèn)世為我們采集深度圖像提供了便利性。本文的主要研究目的在于基于Kinect平臺(tái)上設(shè)計(jì)并實(shí)現(xiàn)一個(gè)手勢(shì)圖像分類器，能識(shí)別出基本的幾種手勢(shì)。在本文中分類器我們采用兩種方法：一種基于隨機(jī)森林(Random-Forest)算法，

2、人工設(shè)計(jì)特征，采用了傳統(tǒng)圖像特征領(lǐng)域的幾種特征，如HOG，LBP等結(jié)合的方式；另外一種則是基于深度學(xué)習(xí)(Deep Learning)算法，采用自主學(xué)習(xí)特征的方式，并在頂端引入分類器進(jìn)行識(shí)別。具體而言，本文的研究工作主要在以下幾個(gè)方面：
　　1：對(duì)通過(guò)Kinect采集得到的視頻流進(jìn)行處理，得到手部彩色(RGB)圖像以及深度(Depth)圖像作為實(shí)驗(yàn)數(shù)據(jù)集；
　　2：對(duì)于初步得到的數(shù)據(jù)集進(jìn)行預(yù)處理，通過(guò)骨骼點(diǎn)等信息去除掉背景噪聲

3、，優(yōu)化手部圖像使之更易于處理；
　　3：根據(jù)研究需要人工進(jìn)行了相應(yīng)的特征設(shè)計(jì)，HOG，LBP等特征參數(shù)的選取，并根據(jù)這些特征設(shè)計(jì)隨機(jī)森林進(jìn)行手勢(shì)圖像識(shí)別，取得了不錯(cuò)的效果；
　　4：基于深度學(xué)習(xí)算法設(shè)計(jì)自主特征學(xué)習(xí)模型，并在整個(gè)網(wǎng)絡(luò)頂端引入分類器進(jìn)行手勢(shì)圖像識(shí)別；
　　5：對(duì)兩種分類器得到的實(shí)驗(yàn)結(jié)果做比較與分析。
　　我們利用手勢(shì)連續(xù)動(dòng)作視頻流提取到了大量正面手勢(shì)圖像，使用深度學(xué)習(xí)方法在測(cè)試數(shù)據(jù)集識(shí)別率達(dá)到了81