手勢跟蹤與識別

摘要

對于人機(jī)交互系統(tǒng)中的手勢識別問題，本文實(shí)現(xiàn)了一種基于膚色分割和模板匹配的人手檢測的方法，以及在單攝像頭條件下進(jìn)行靜態(tài)手勢識別的方法。首先是用膚色分割和模板匹配的方法進(jìn)行人手檢測，然后把檢測結(jié)果作為Camshift算法跟蹤的一個重要目標(biāo)進(jìn)行跟蹤。然后通過擬合手勢圖的外接多邊形，找出其對應(yīng)的手勢缺陷圖，并建立手勢與手勢缺陷圖的一一映射，利用手勢缺陷圖的特征來匹配和識別不同的手勢。實(shí)驗(yàn)表明，該方法能夠在簡單環(huán)境中完成人手的檢測與跟蹤，并且實(shí)現(xiàn)靜態(tài)手勢識別，為進(jìn)一步開發(fā)高效的人機(jī)交互系統(tǒng)奠定了基礎(chǔ)。

關(guān)鍵詞：人手檢測；人手跟蹤；手勢缺陷圖；手勢識別

?

隨著科學(xué)技術(shù)的不斷發(fā)展，人機(jī)交互已經(jīng)成為人們生活中的重要部分。人機(jī)交互有著許多豐富的表現(xiàn)形式，常見的有鼠標(biāo)、鍵盤、觸摸屏、麥克風(fēng)等。傳統(tǒng)的人機(jī)交互有著自身的局限性，已經(jīng)無法滿足人們的需要，進(jìn)而需要開發(fā)出更加新穎和方便的人機(jī)交互方式。手是人體中使用得十分頻繁的部位，手勢具有表現(xiàn)方式簡單，表達(dá)內(nèi)容豐富，具有生動、形象和直觀的特點(diǎn)，自然地成為一種人機(jī)交互方式的研究方向。

然而，正因?yàn)槭謩莸亩嗔x性、多樣性以及時空差異性，使得手勢識別也面臨著巨大的挑戰(zhàn)。手勢模式是一類復(fù)雜多變的模式，手勢識別的效果容易受到膚色、光照、附屬物和手勢多樣性的影響[1]，這些問題很難同時解決，所以對于手勢識別的研究往往針對某個具體的應(yīng)用場景而給出具體的解決方案。

1 手勢識別的關(guān)鍵技術(shù)

?????? 在人機(jī)交互系統(tǒng)中，手勢的跟蹤與識別應(yīng)該滿足以下幾個要求：①實(shí)時性好，避免對高維度特征矢量的計(jì)算，數(shù)據(jù)量大的數(shù)組處理以及復(fù)雜的搜索過程；②足夠的魯棒性。不受識別對象旋轉(zhuǎn)、平移和比例改變以及攝像頭視角改變的影響；③手勢跟蹤的連續(xù)性和自動初始化，能夠在跟蹤失敗后自動恢復(fù)跟蹤，盡量減少人的干預(yù)[2]。

手勢無論是靜態(tài)或動態(tài)，其實(shí)現(xiàn)時首先需進(jìn)行圖像的獲取、手的檢測和分割、手勢的分析，然后進(jìn)行靜態(tài)或動態(tài)的手勢識別。具體流程如圖1所示。

轉(zhuǎn)存失敗重新上傳取消

圖1 手勢識別流程

對于手勢分割和手勢識別這兩個重要步驟，目前常用的一些方法[3]總結(jié)如下。

1.1 手勢分割

手勢分割的根本目的就是對前景手勢區(qū)域和背景區(qū)域進(jìn)行區(qū)分，并將手勢區(qū)域從圖像中分割出來，從而為后續(xù)的手勢特征提取和手勢分類提供保證。因此，手勢分割是整個靜態(tài)手勢識別的基礎(chǔ)，其分割質(zhì)量的好壞會對最終識別的結(jié)果產(chǎn)生直接影響。基于手勢目標(biāo)的顏色、運(yùn)動、紋理、邊緣、亮度等信息[4]，可以較為精確的分割出手勢。

基于膚色的手勢分割? 膚色是人的手勢最具代表性的特征之一，而基于膚色檢測的手勢分割也是目前最為常見的手勢分割方法。由于基于膚色的方法主要對手勢的輪廓、角度、大小、位置等變化并不敏感，同時，其算法復(fù)雜度普遍較低，因而具有良好的實(shí)用性。根據(jù)膚色建模方法的不同，基于膚色的手勢分割方法主要分為兩種類型，即統(tǒng)計(jì)膚色模型方法和物理膚色模型方法。

基于運(yùn)動信息的手勢分割? 對于動態(tài)目標(biāo)的分割而言，運(yùn)動檢測是一種常見的方法。運(yùn)動檢測的基本思路就是在二維的動態(tài)視頻序列中，結(jié)合過去時刻的圖像信息，來完成當(dāng)前時刻運(yùn)動目標(biāo)的定位和提取。目前常見的基于運(yùn)動信息的手勢分割方法主要有三類，即幀間差分法、背景減除法、光流法等。幀間差分法的基本思想就是選取視頻序列中相鄰的若干幀，并進(jìn)行差分運(yùn)算，然后根據(jù)一定的閾值來將運(yùn)動目標(biāo)與背景分離，從而實(shí)現(xiàn)對運(yùn)動目標(biāo)的提取。背景減除法的基本思想與幀間差分法是類似的，首先根據(jù)視頻序列對背景進(jìn)行建模，然后通過對當(dāng)前時刻的圖像與背景模型進(jìn)行差分運(yùn)算，最后根據(jù)一定的閾值來將運(yùn)動目標(biāo)與背景分離，從而實(shí)現(xiàn)對運(yùn)動目標(biāo)的提取。基于光流法的目標(biāo)分割方法一般通過光流場來估計(jì)視頻序列中像素在時域和空域中的變化，從而構(gòu)建出目標(biāo)的運(yùn)動模型，進(jìn)而得到其運(yùn)動的方向、速度等信息。

基于輪廓信息的手勢分割? 輪廓與邊緣是手勢分割的一項(xiàng)重要特征。基于輪廓信息的目標(biāo)分割方法為手勢分割帶來了一個新的突破點(diǎn)。目前常見的基于輪廓信息的手勢分割方法主要有三類，包括邊緣檢測算子、模板匹配、活動輪廓模型等。傳統(tǒng)的提取目標(biāo)輪廓的方法是使用邊緣檢測算子來對圖像中的邊緣進(jìn)行檢測，進(jìn)而確定手勢的輪廓。模板匹配作為一種經(jīng)典的目標(biāo)定位方法，也在手勢分割領(lǐng)域中得到過一定程度的應(yīng)用。模板匹配本質(zhì)上就是將預(yù)設(shè)置的模板放在圖像的一個點(diǎn)上，然后計(jì)算模板此時與圖像的匹配程度，然后遍歷整幅圖像并重復(fù)該過程，從而找到最佳匹配點(diǎn)。

1.2 手勢識別

手勢識別主要有模板匹配、神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型三種方法[5]。模板匹配法主要根據(jù)手勢的幾何特征，即手勢的邊緣和手勢區(qū)域特征，自動提取每一幀特征圖像與模板庫匹配后識別手勢，多用于靜態(tài)手勢識別。神經(jīng)網(wǎng)絡(luò)在靜態(tài)手勢的識別中應(yīng)用較多，其特點(diǎn)為抗干擾、自組織、自學(xué)習(xí)和抗噪聲能力強(qiáng)，可處理不完整的模式并進(jìn)行模式推廣，但對時間序列的處理能力不強(qiáng)，因此在靜態(tài)手勢的識別中使用較多，不用于動態(tài)手勢的識別。隱馬爾可夫模型(Hidden Markov Model，HMM)是一種統(tǒng)計(jì)分析模型，能非常細(xì)致的描述手勢信號的時空變化，適用于動態(tài)手勢的識別。諸多手語識別系統(tǒng)均采用HMM 作為識別技術(shù)。HMM拓?fù)浣Y(jié)構(gòu)具有一般性，使得對手語信號的分析過于復(fù)雜，計(jì)算量過大，速度過慢，故而大多采用離散HMM。

本文主要實(shí)現(xiàn)靜態(tài)手勢的識別，即單幀圖像里手勢表達(dá)的意思，而不對前后幀的手勢作進(jìn)一步的解釋。本文將手勢跟蹤的結(jié)果與手勢的識別這兩個獨(dú)立的步驟聯(lián)系起來，將跟蹤得到的手勢預(yù)測的區(qū)域設(shè)為下一幀圖像識別的感興趣區(qū)域(region of interesting，ROI)；基于Camshift算法，根據(jù)前一幀手勢在圖像中的位置和顏色信息，對手勢在下一幀圖片所處的位置進(jìn)行預(yù)測，主要是基于顏色的統(tǒng)計(jì)信息。它不僅運(yùn)算量小，而且跟蹤和預(yù)測的效果也非常好。通過對ROI區(qū)域進(jìn)行手勢的分割和識別，可以排除背景圖像對手勢的部分干擾，識別過程的計(jì)算量也減小很多。由于每種手勢的邊線都有不同特征。這些不同的特征能很好地反映在手勢的外接多邊形上，因此，可以對不同手勢和外接多邊形建立一個一一映射的關(guān)系；通過建立不同手勢的外接多邊形特征庫，對分割出來的手勢作多邊形擬合，只要將提取出來的多邊形與特征庫中的外接多邊形進(jìn)行匹配就能判斷出手勢的類型。

2 手勢分割與跟蹤

2.1 手勢分割

為了實(shí)現(xiàn)視頻中的人手跟蹤，首先要定位視頻幀中的人手區(qū)域，也就是要進(jìn)行手勢分割。人手區(qū)域的檢測可以采用膚色檢測的方法來實(shí)現(xiàn)，但是，視頻中可能存在人臉及其他與膚色類似的物體，會干擾人手區(qū)域定位。因此，本文采用基于膚色分割和模板匹配的人手檢測方法，首先根據(jù)膚色檢測模型檢測出膚色區(qū)域，然后用預(yù)先準(zhǔn)備好的人手模板對分割出的膚色區(qū)域作匹配，排除非人手區(qū)域，從而實(shí)現(xiàn)人手檢測[6]。

由于 RGB 色彩空間中，三個顏色分量都含有亮度信息，膚色模型容易受到光照變化干擾，為了更好地提取人手的膚色特征，需要將圖像幀從RGB空間轉(zhuǎn)換到其他空間，例如：HSV空間。HSV空間是RGB空間的非線性變換，它將相關(guān)性很強(qiáng)的R、G、B分量轉(zhuǎn)換成相關(guān)性較弱的H、S、V分量，只需要通過H分量的閾值分割，就可以完成膚色區(qū)域的定位。

將人手圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間的效果如圖2所示。可以看出，經(jīng)過色彩空間轉(zhuǎn)換后，人手區(qū)域和背景就很容易區(qū)分開了。設(shè)定H、S閾值將HSV空間圖像轉(zhuǎn)換成二值圖像。

轉(zhuǎn)存失敗重新上傳取消轉(zhuǎn)存失敗重新上傳取消

圖2 圖像從 RGB 色彩空間轉(zhuǎn)換到 HSV 色彩空間的效果

由于人手膚色和臉部膚色或其他背景具有較大的相似之處，直接有上面的方法確定的膚色部分可能會存在其他非人手部分。為進(jìn)一步縮小后續(xù)搜索范圍，可以進(jìn)行去噪處理，然后將面積較大的膚色區(qū)域都列為候選的人手區(qū)域。

在進(jìn)行圖像目標(biāo)檢測與識別的過程中，容易受各種各樣的噪聲干擾，使圖像出現(xiàn)質(zhì)量退化。手勢在整幅圖像中的大小、位置以及質(zhì)量容易受焦距大小、距離、遠(yuǎn)近等方面的影響。由于各攝像機(jī)內(nèi)部處理機(jī)制不同，采集的圖像在計(jì)算機(jī)中的顯示方法也不同。而且，受噪聲干擾，數(shù)字成像可能被強(qiáng)度隨機(jī)變化所破壞。一些常見的噪聲模型與真實(shí)的噪聲類似，如：椒鹽、脈沖和高斯噪聲。這些噪聲都可能會改變已處理數(shù)據(jù)的分析，或可能導(dǎo)致處理手勢識別時出現(xiàn)各種問題。因此，圖像預(yù)處理這項(xiàng)工作在保證采集圖像的質(zhì)量、格式以及手勢大小的一致性上就變得十分重要。經(jīng)過圖像預(yù)處理有效地減少噪聲而形成較高質(zhì)量圖像，有利于進(jìn)一步的圖像操作。圖像預(yù)處理主要通過彩色顏色空間的轉(zhuǎn)換，圖像濾波和圖像縮放處理來完成。

轉(zhuǎn)存失敗重新上傳取消

圖3 最終得出的人手二值化圖像

2.2 手勢跟蹤

得到人手區(qū)域的候選區(qū)后就可以利用準(zhǔn)備好的人手模板對候選區(qū)域進(jìn)行匹配。模板匹配是為了在圖像中識別出已知形狀特征的目標(biāo)物體，使用目標(biāo)物體的形狀特征模板與圖像進(jìn)行匹配，在規(guī)定的相應(yīng)準(zhǔn)則下識別出目標(biāo)物體。將模板圖在被搜圖上滑動，通過比較模板圖與子圖的相似度來確定目標(biāo)位置。檢測出人手的位置后就可以使用Camshift算法來跟蹤人手。

Camshift算法利用目標(biāo)的顏色直方圖模型將圖像轉(zhuǎn)換為顏色概率分布圖，初始化一個搜索窗的大小和位置，并根據(jù)上一幀得到的結(jié)果自適應(yīng)調(diào)整搜索窗口的位置和大小，從而定位出當(dāng)前圖像中目標(biāo)的中心位置，有效地解決了跟蹤目標(biāo)被遮擋或變形的問題，對系統(tǒng)的要求不高，時間復(fù)雜度也不高，在簡單背景條件下有較好的跟蹤效果。其搜索步驟[7]為：

（1）將整個圖像作為搜索區(qū)域；

（2）把檢測出的人手作為初始化搜索窗口；

（3）計(jì)算檢測出的人手區(qū)域的顏色概率分布圖；

（4）調(diào)用 Mean Shift 算法，獲取搜索窗口新的尺寸以及位置；

（5）在下一幀視頻圖像中，用（3）中獲取的值初始化搜索窗的尺寸和位置；

轉(zhuǎn)存失敗重新上傳取消轉(zhuǎn)存失敗重新上傳取消轉(zhuǎn)存失敗重新上傳取消
（6）跳到（3）繼續(xù)運(yùn)行，直到收斂。

圖4 跟蹤效果

從跟蹤效果圖可見，本文提出的方法在較為復(fù)雜的環(huán)境中可以準(zhǔn)確的對人手進(jìn)行跟蹤，并且不會被人臉或其它和人手膚色相近的區(qū)域干擾。

3 靜態(tài)手勢識別

通過靜態(tài)手勢的識別，使系統(tǒng)能夠?qū)Ρ桓檶ο笥幸粋€基本的理解。靜態(tài)手勢的識別是基于輪廓特征的識別，對分割出來的人手作邊緣檢測，得到手勢完整的輪廓邊緣。通過前面的方法能夠得到圖像的手勢分割的二值圖。接著使用一種查找外接邊的搜索方法，通過對手勢輪廓按輪廓點(diǎn)順序進(jìn)行定長掃描，將手勢輪廓線的外接多邊形擬合出來，再根據(jù)幾何特征，進(jìn)行模板匹配，最終完成靜態(tài)手勢識別。

本文使用手勢輪廓及手勢凸缺陷檢測指尖。手勢凸缺陷定義為手勢凸包與手勢外輪廓的差，如圖5所示，由虛線組成的多邊形表示該輪廓的凸包，灰色多邊形表示人手的外輪廓，黑色雙向箭頭表示該凸缺陷中距離凸包的最大距離，P1轉(zhuǎn)存失敗重新上傳取消 點(diǎn)表示該凸缺陷開始的輪廓點(diǎn)，P2轉(zhuǎn)存失敗重新上傳取消 點(diǎn)表示該凸缺陷結(jié)束的輪廓點(diǎn)，P3轉(zhuǎn)存失敗重新上傳取消 點(diǎn)表示該凸缺陷中距離凸包最遠(yuǎn)的輪廓點(diǎn)。有圖可知凸缺陷與手勢指尖息息相關(guān)，能有效地表達(dá)手勢。進(jìn)一步觀察可知，指尖一定在手勢外輪廓附近；與凸包的最大距離滿足一定長度的凸缺陷才是指尖出現(xiàn)的凸缺陷候選集，圖中a凸缺陷是滿足要求的，而b凸缺陷是不滿足要求的；指尖靠近凸缺陷開始及結(jié)束的輪廓點(diǎn)，可以將第一凸缺陷開始的輪廓點(diǎn)以及最后一個凸缺陷結(jié)束的輪廓點(diǎn)分別作為第一個和最后一個指尖；除了第一個以及最后一個凸缺陷外，以當(dāng)前凸缺陷結(jié)束的輪廓點(diǎn)與下一凸缺陷開始的輪廓點(diǎn)的平均作為指尖坐標(biāo)。由此，可以得到指尖的個數(shù)以及位置。

轉(zhuǎn)存失敗重新上傳取消

圖5 手勢缺陷圖

為了得到手勢輪廓缺陷圖，需要先對手勢輪廓進(jìn)行多邊形擬合，得到它的外接多邊形。本文根據(jù)手勢輪廓上相鄰兩點(diǎn)間的凹凸性來進(jìn)行擬合，通過一次遍歷輪廓上的點(diǎn)，對以下方程進(jìn)行判定，將適合的點(diǎn)剔除，剩下的點(diǎn)即為外接多邊形的候選定點(diǎn)：

by=next y-cur y#1轉(zhuǎn)存失敗重新上傳取消

ay ×bx-ax×by#2轉(zhuǎn)存失敗重新上傳取消

ax=pcur.x-pprev.x,ay=pcur.y-pprev.y轉(zhuǎn)存失敗重新上傳取消

bx=pnext.x-pcur.x,by=pnext.y-pcur.y轉(zhuǎn)存失敗重新上傳取消

其中，pcur為當(dāng)前遍歷的輪廓線上的點(diǎn)，pprev、pnext分別表示當(dāng)前點(diǎn)的前一個點(diǎn)和后一個點(diǎn)，ax、ay分別為當(dāng)前點(diǎn)和前一點(diǎn)的x和y坐標(biāo)值差，bx、by分別為當(dāng)前點(diǎn)和后一點(diǎn)指尖的x和y坐標(biāo)值差。

基于輪廓線凹凸行的擬合算法流程如下：

（1）將所有的輪廓線上的點(diǎn)按x坐標(biāo)值大小排序，并找出所有的點(diǎn)中y坐標(biāo)的最大最小值maxY和minY。

（2）將排序后的輪廓點(diǎn)劃分為四部分：首先按照y坐標(biāo)將輪廓線分為上下兩個部分，將上半部分以maxY所在的x坐標(biāo)（即為Xmaxy）劃分為兩個部分，分別記為topLeft（左上）和topRight（右上）；將下半部分以minY所在的x坐標(biāo)（記為Xminy）劃分為兩個部分，分別記為bottomLeft（左下）和bottomRight（右下）。

（3）分別對前一步劃分的四個部分進(jìn)行遍歷：對區(qū)域topLeft將滿足式1<0轉(zhuǎn)存失敗重新上傳取消 ，式2>0轉(zhuǎn)存失敗重新上傳取消 的點(diǎn)剔除；對區(qū)域topRight將滿足式1<0轉(zhuǎn)存失敗重新上傳取消 ，式2<0轉(zhuǎn)存失敗重新上傳取消 的點(diǎn)剔除；對區(qū)域bottomLeft將式1>0轉(zhuǎn)存失敗重新上傳取消 ，式2>0轉(zhuǎn)存失敗重新上傳取消 的點(diǎn)剔除；對區(qū)域bottomRight將滿足式1>0轉(zhuǎn)存失敗重新上傳取消 ，式2>0轉(zhuǎn)存失敗重新上傳取消 的點(diǎn)剔除。剔除后剩下的點(diǎn)即為手勢輪廓線外接多邊形的頂點(diǎn)。

手勢缺陷圖的谷底以及谷底深度的求解就是建立在擬合外接多邊形的基礎(chǔ)之上的，還需要對外接多邊形的每一條邊所對應(yīng)的輪廓線再進(jìn)行一次遍歷，并將滿足以下方程的最大值求出即是該邊所對應(yīng)的谷底：

dx=cur.x=hullcur.x#3轉(zhuǎn)存失敗重新上傳取消

dy=cur.y-hullcur.y#4轉(zhuǎn)存失敗重新上傳取消

depth=dy0×dx+dx0×dy×scale#5轉(zhuǎn)存失敗重新上傳取消

其中，scale為單位化量值，hull_cur和hull_next分別為外接多邊形當(dāng)前遍歷的邊和下一條邊，dx0、dy0分別為外接多邊形當(dāng)前邊的x和y坐標(biāo)的差值，dx、dy分別為當(dāng)前遍歷的輪廓線上的點(diǎn)與hull_cur點(diǎn)之間x和y坐標(biāo)的差值，depth為遍歷點(diǎn)與對應(yīng)邊之間的距離，它的最大值即為該邊對應(yīng)的谷底深度，相應(yīng)的點(diǎn)位谷底。

有了手勢的幾何特征之后，只要將提取出來的多邊形與特征庫中的外接多邊形進(jìn)行匹配就能判斷出手勢的類型。整個靜態(tài)手勢識別過程如圖6所示。

轉(zhuǎn)存失敗重新上傳取消

圖6 靜態(tài)手勢識別流程

4 實(shí)驗(yàn)與分析

本文在windows系統(tǒng)下使用python3 + OpenCV實(shí)現(xiàn)了手勢識別。實(shí)驗(yàn)環(huán)境為實(shí)驗(yàn)室，可以檢驗(yàn)本文算法在普通光照下的準(zhǔn)確性。本文共實(shí)驗(yàn)了五種手勢：A為握拳、B為食指伸長、C為V型手勢、D為三指伸開、E為五指張開。

轉(zhuǎn)存失敗重新上傳取消

圖7 實(shí)驗(yàn)過程記錄

轉(zhuǎn)存失敗重新上傳取消

圖8 手勢及其對應(yīng)的幾何特征（依次為握手、食指伸開、V型手勢、三指伸開、五指伸開）

進(jìn)一步地，為了測試本文算法的有效性，對五種手勢分別測試了100次，記錄了對應(yīng)的識別準(zhǔn)確率，如下表所示。可見整體上有一定的識別效果，但是識別的準(zhǔn)確率不是非常高，特別是V型手勢和三指伸開這兩種情況。可見本文目前所使用的算法還有進(jìn)一步優(yōu)化的需要。

表1 手勢識別結(jié)果

手勢	測試次數(shù)	正確率
A	100	76%
B	100	84%
C	100	65%
D	100	71%
E	100	83%

由此可見，本文對于手勢識別有了初步的成效，能夠進(jìn)行靜態(tài)手勢識別。進(jìn)一步地可以考慮具體的人機(jī)交互應(yīng)用場景，如開發(fā)一個基于手勢的拼圖游戲，通過變換手勢來完成拼圖。A、E手型分別對應(yīng)抓取與松開。手勢為握拳狀態(tài)時，手對應(yīng)的圖片塊被選中（類似鼠標(biāo)左鍵按下），此時可以拖動圖片，選定位置后可以換成手勢E，圖片被松開（類似鼠標(biāo)左鍵松開），B、C、D手勢分別表示將圖片放大、縮小和旋轉(zhuǎn)。

5 結(jié)束語

本文從基于手勢的人機(jī)交互系統(tǒng)設(shè)計(jì)出發(fā)，實(shí)現(xiàn)了一種基于手勢幾何特征的手勢識別。在進(jìn)行手勢跟蹤是，本文使用了基于膚色和模板匹配的改進(jìn)的 Camshift 人手跟蹤算法，以膚色概率分布圖中的模板匹配是否成功作為算法迭代的終止條件，解決了場景中存在大面積類膚色干擾時跟蹤失誤和定位區(qū)域不完整的問題。在進(jìn)行靜態(tài)手勢識別時，使用手勢輪廓缺陷圖作為手勢識別的特征結(jié)構(gòu)，不僅大大減少了計(jì)算量，由于缺陷圖是從整體結(jié)構(gòu)刻畫手勢的結(jié)構(gòu)，所以它還增強(qiáng)了手勢識別的魯棒性。實(shí)驗(yàn)表明，該方法簡單有效，為進(jìn)一步開發(fā)高效的人機(jī)交互系統(tǒng)奠定了基礎(chǔ)。

參考文獻(xiàn)

[1] 趙小川, 趙繼鵬, 范炳遠(yuǎn), et al. 手勢識別技術(shù)研究綜述與應(yīng)用展望[C]// 第十一屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議專刊. 2017.

[2] 徐成, 馬翌倫, 劉彥. 一種基于嵌入式系統(tǒng)實(shí)時交互的手勢識別方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2011, 28(7):2782-2785.

[3] 武霞, 張崎, 許艷旭. 手勢識別研究發(fā)展現(xiàn)狀綜述[J]. 電子科技, 2013, 26(6):171.

[4] 潘丹丹, 柳燦雄, 聶建華. 復(fù)雜背景下的手勢分割及掌心檢測[J]. 工業(yè)控制計(jì)算機(jī), 2016, 29(1):109-110.

[5] 馮志全, 蔣彥. 手勢識別研究綜述[J]. 濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2013, 27(4).

[6] 余鵬飛, 張海科, 李濤. 基于Camshift算法的人手檢測與跟蹤定位方法研究[J]. 信息工程, 2013(5):99-103.

[7] Exner D, Bruns E, Kurz D, et al. Fast and robust CAMShift tracking[C]// Computer Vision & Pattern Recognition Workshops. IEEE, 2010.

?

?

總結(jié)

以上是生活随笔為你收集整理的手势跟踪与识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。