基于深度图像的交警关键手势获取及预处理方法研究

罗昆 孙一蓬

摘要：智能技术在现代社会发展当中十分普及与深入，因而出现了“无人驾驶”技术，此项技术在理论上可以解放人驾车时的双手，通过智能系统来获取路况、交警手势、交通指示牌等信息，再决策驾驶策略，但实际上此项技术目前还没有大范围投入实际应用当中，原因在于其信息获取、识别能力还存在缺陷，对此本文出于改善目的，在深度图像角度上针对“无人驾驶”技术的交警关键手势获取及预处理方法进行分析。

关键词：深度图像；交警关键手势；预处理

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044（2019）06-0178-03

关于“无人驾驶”技术的交警关键手势获取、识别、预处理方法，在早期研究当中主要通过数据手套来实现，即交警佩戴具有图像信息传输功能的手套来指挥交通，而“无人驾驶”技术的智能系统能够获取到实时的图像信息，并在短时间内进行分析处理，最终决策驾驶方案，在理论上这种方法是可行的，但实际上因为早期技术水平不足，其识别精准性不足，说明智能系统的图像信息处理、计算精度不足，因而需要采用一种精确性更高的计算方法来进行改善。

1 早期“无人驾驶”技术交警关键手势获取及预处理方法不足具体表现

早期“无人驾驶”技术单纯在交警关键手势获取及预处理方面稳定性表现良好，但因为精度不够所以可靠性上相对不足。具体来说，不同的交警其因为身高、习惯等其他原因，其做出的关键手势会存在差异，此时早期“无人驾驶”技术交警关键手势获取及预处理方法很难进行准确识别，同时在部分情况下，交警可能会做出一些近似指挥动作的手势，此时智能系统容易受到误导，相应产生错误的驾驶策略[1]。此外，在上述问题表现当中可见，早期“无人驾驶”技术交警关键手势获取及预处理方法的精度存在缺陷，并会导致一些智能决策驾驶方案错误，所以对于交通安全有不利影响。

2 深度图像交警关键手势获取方法

在“无人驾驶”技术基础上，结合深度图像对其中交警关键手势特征、技术优势、步骤、预处理技术进行分析。

2.1 交警关键手势特征

交警关键手势是指交警指挥交通时的手势动作，根据当前交警专业知识得知，关键手势主要分为8种：停止、直行、变道、左转弯、右转弯、减速慢行、左转弯待转和靠边停车，通过这些手势，可以对驾车目标进行引导，完成交通指挥工作。在“无人驾驶”技术基础上，8种交警关键手势会衍生出8种相应的图像信息，而这些信息当中结合交警指挥时的方位得知，其中绝大部分都需要面向进行指挥，因此在无人驾驶车辆角度上，交警关键手势信息不会出现中断、断续现象，全部都具有连续性特征，而在此特征条件下，任意两个关键手势动作的切换，都会出现上百帧的图像信息序列，那么为了确保交警关键手势识别的准确性，就需要智能系统具备识别帧内图像信息的能力。此外，值得注意的是在现代技术水平之下，无人驾驶技术在面对上百帧的图像信息序列时，是无法对每一帧的序列进行直接识别的，所以在技术本身功能上，其准确性依旧存在缺陷，而为了消除缺陷影响，智能系统需要具有关键图像信息特征识别、获取能力，通过这些信息可以为智能化决策提供有利帮助[2]。

2.2 深度图像在交警关键手势获取中的优势

在交警关键手势获取当中，深度图像相较于彩色图像具有以下优势：深度图像得到的图像信息可以排除交警做关键手势的遮挡问题；深度图像在绝大部分情况下，可以提取交警做关键手势时的手臂动作，即使手臂动作与交警身体主干存在倾斜、跨越等情况，手臂信息是区分关键手势、无用手势的重要信息；深度图像在对交警关键手势获取时，映入其获取范围中的交警身体主干灰度值不会发生变化，因为交警介于职业素养会保持直立状态，以避免造成图像干扰，而手臂的灰度值则具有灵活变化的特征，具体动态变化走向由交警手臂动作幅度而定，有利于手势获取的准确性；在识别逻辑之下，结合深度图像获取到的信息，可以分析出手势特征，推断出具体意图，例如当手势图像信息显示手臂上升，则说明交警正在做出手势，再结合逻辑对比手势含义，可区分当前手势是否为关键手势。综合上述说明，深度图像相较于早期的彩色图像，在交警关键手势获取当中具有明显优势[3]。

2.3 深度图像交警关键手势获取步骤

结合前人研究，了解到一种利用深度图像来获取交警关键手势的方法，具体获取步骤分为5步，内容如下。

步骤一：

依照智能系统功能，对深度图像获取的所有图像信息，以视频的方式进行排列，此时就得到了深度视频流，对一系列深度视频流进行深度解析，可以得到视频帧序列。

2.4 深度图像交警关键手势获取结果分析

针对上述像素点序列直方图，以交警关键手势当中的“右转弯手势”为例来进行分析。根据直方图可见，其中横轴代表了深度视频帧序t、纵轴代表了像素点个数nt，在此基础上进行分析得知，首先交警在做出右转弯手势时，其左臂必须向前伸直，且保持平整，该动作需要手臂脱离身体主干，所以会引起像素点发生变化，变化特征为：随着手臂与身体主干脱离幅度增大，在整个动态过程当中像素点变化会持续上涨，而当动作完成且定制之后，像素点的变化则会停止，同时对应像素点的前后像素点也不会发生变化。图2为右转弯关键手势帧示意图。

3 深度图像交警关键手势预处理方法

深度图像交警关键手势预处理方法主要分为3个步骤，即背景去除、中值滤波、归一化处理，具体内容如下所述。

1）背景去除

背景去除在本质上是一种针对某场景，将其中无用信息起初，得到准确信息的一种方法，这种方法具有较高的通用性，所以在本文分析当中可以适用。具体方法上，首先需要采用背景重建方法对背景进行更新，更新之后可以得到新的背景模型，其次根据背景模型当中的参数特征，区分需求信息以及无用信息，最终将无用信息去除即可。但在本文分析当中，常规的背景去除方法并不能对准确性做出保障，所以需要对常规方法进行改良，对此本文主要采用背景差分对背景模型当中的可靠特征、深度图像对光照不敏感的特性、场景不变的训练环境进行计算，在之后步骤当中，主要根据背景差分结果来确定模型当中，目标的具体位置，在改良方法应用之下，可以有效降低距离不同背景物对目标的影响。图3背景差分法框图，图中Ik代表当前图像；Ibk代表背景图像；Dk代表差分运算过程。图4为差分法下的背景差分示意图。

2）中值滤波

在差分法下应用下，可以对深度图像进行优化，但其中还存在噪声问题，那么为了降低噪声影响，需要通过中值滤波来进行处理。中值滤波应用当中，首先需要确定将某像素作为中心待处理为邻域窗口w，其次针对窗口内的像素，根据各像素的灰度值大小进行排列，同时需要确认各像素灰度值的均值，确认后用于代替选择窗口像素点灰度值，最终在窗口移动过程中，就可以实现中值滤波处理。值滤波的表达式如公式（4）。

公式（4）：f（i，j）=median{f（r，s）}[∈]Nf（i，j）。式中f（r，s）代表W中任意像素点的像素值。

3）归一化处理

在最小外接矩形条件下，先对手势实际位置进行确认，之后，在最小外接矩形的四个边界处，设置50个像素间隙，此时就形成了新外接矩形，最终在新外接矩形基础上进行分割，得到手势像素区，按比例缩放后得到120 x 120的归一化图像。图5为归一化处理下的最终图像。

4 结语

本文主要对基于深度图像的交警关键手势获取及预处理方法进行了分析，通过分析得到结论：早期的“无人驾驶”技术，在交警关键手势获取、预处理方法当中均存在准确性不足的问题，所以需要进行改善；在深度图像基础上，了解了交警关键手势获取方法、预处理方法的应用，并对深度图像的优势进行了阐述；根据图5说明本文深度图像预处理法有效。

参考文献：

[1] 华旭奋，孙俊.基于深度信息的手势识别算法研究[J].传感器与微系统，2017（12）：122-125.

[2] VanBang L E，朱煜，赵江坤，等.基于深度图像HOG特征的实时手势识别方法[J].华东理工大学学报，2015，41（5）：698-702.

[3] 瞿暢，沈芳，于陈陈，等.基于Kinect深度图像的腕部及手指活动度测量方法[J].中国生物医学工程学报，2016，35（5）：626-630.

[4] 沈洁.基于手势识别技术的交互式虚拟摄影系统设计与实现[J].现代电子技术，2018（5）：93-96.

【通联编辑：张薇】