一种基于深度图像的DAG—SVMs数字手势识别方法

李孟歆 林佰凤 刘方卉竹

摘要

基于深度图像当然DAG-SVMs数字手势识别方法采用Kinect的骨骼追踪技术对人体手部关节进行跟踪，获取手部关节的深度坐标，将深度骨骼信息融合彩色信息进行手部分割。结合边缘长度矩与Hu不变矩作为数字手势的新特征。通过构建与优化DAG-SVMs分类器，实现了对数字手势的分类识别，仿真实验结果表明，采用基于深度图像的DAG-SVMs数字手势识别方法可以有效降低光照强度干扰，且平均识别率达到98%。

【关键词】骨骼追踪 深度图像 DAG-SVMs 多类分类器 手势识别

1 引言

本文从Kinect传感器采集图像，自行构建数字手势样本库，调用Kinect传感器的骨骼关键点信息，并基于深度阈值与肤色分割法将手势区域从背景中提取出来。计算数字手势参数特征，调用参数对多个分类器进行训练，从而对静态手势所表达数字进行识别，最后输入待测样本，输出识别率。

2 融合深度信息与肤色信息的手部分割

本文将深度骨骼信息与彩色信息进行融合，通过将骨骼节点图像与彩色图像进行重叠获得图像结果，然后根据获取的手部节点空间坐标设定深度阈值。经过深度阈值分割后的图像仍保留了大量背景、服饰、手臂等冗余信息，为了保证之后手势识别的精度，对上述图像在YCrCb颜色空间下进行二次肤色分割，去除非肤色的背景信息。最终得到手势分割图像

3 数字手势的特征提取

3.1 Sobel算子边缘轮廓检测

通过对分割后的图像进行边缘检测，可以最大程度的保留图像目标信息，去除非目标区域，有效降低运算量。图像在边缘区域附近灰度的值有明显的跳变，所得灰度差值很大，而在非边缘的区域内，灰度值无明显变化，这样就过滤掉图像的非极值点，保留图像边界。

3.2 基于手势轮廓的特征向量提取

3.2.1 边缘不变矩

边缘矩是一种图像边缘区域特征，该特征可由这7个几何矩构成一组特征量来表示。这些几何不变量是由图像一阶、二阶等低阶导数的中心距构成的非线性组合，是能够用来描述图像边缘区域特征的算子。，加入具有特定物理意义的边缘长度矩，对图像边缘区域的周长进行统计，来提高手势图像识别的准确率。

3.2.2 边缘长度矩

边缘长度是指数字手势轮廓的周长即手势的边缘检测后的整个连通区域长度。在二维坐标下，设定整个手部连通域的轮廓曲线为H（x，y），在目标轮廓边缘上，把像素看作一个独立的点，边界像素链码的长度之和就是本文所求的边缘长度矩，当链码No为奇数时，其长度记为“1”；当链码Ne值为偶数时其长度记为“2”；边缘周长矩H就表为：

H=Ne+2No （1）

4 DAG-SVMs數字手势识别

DAG-SVMs（有向无环分类器）简称层次分类，对于k类问题，构造

k（k-l）/2个支持向量机，分布于k层结构中。每个内部节点都是一个二分类器，底层节点为最终的分类类别。改进算法的基本思想就是在每次生成有向无环图内节点时，选择最易分离的情况来构造当前节点SVM。在训练阶段，采用一对一SVM（OVO-SVM）多类构建模式，通过根据计算的识别精度值大小，依次进行排序划分，最终构建一个五类分类器。

5 实验结果及分析

本文通过Kinect传感器共采集500张手势图片，自行创建手势样本图库，同时参考文献[5]中改进hu矩手势识别算法，分别采用这两种算法对数字手势待测样本进行识别，将两种算法得到识别准确率，与算法识别各类手势的平均速率进行比较，实验结果仿真图像如图1所示。

本文提出方法的平均识别率达到了97.96%，比文献[5]提高了1.78%。由于增加了特征参数，系统运行时间延长了1.3ms，不会影响系统的实时性。

6 结论

结合深度信息色图像分割方法可以准确的保留图边缘信息，较好地实现了数字手势图像分割，并且与将单一的Hu矩作为图像特征的识别算法相比，结合边缘长度矩与Hu矩作为新的图像特征的识别算法，识别率达到了97.96%，实验结果验证了本文提出方法的有效性。

参考文献

[1] Tubman R，Arif K M.Efficient people search and gesture recognition using a Kinect interfaced mobile robot [C]. IEEE， International Workshop on Advanced Motion Control.IEEE， 2016： 220-226.

[2] Jiang S， Wang Y， Zhang Y，et al. Real Time Gait Recognition System Based on Kinect Skeleton Feature [M]. Computer Vision - ACCV 2014 Workshops. Springer International Publishing，2014： 46-57.

[3]黄国范，李英.基于改进Hu矩的字母手势识别[J].赤峰学院学报（自然版），2013（05）：23-21

[4]Hu M K. Hu，M.K. ：Visua 1 Pattern Recognition by Moment Invariants. IRE Transaction of Information Theory IT-8[J]. Inf ormat ion Theory Ire Transactions on，1962， 8 （02）： 179-187.