的好坏直接影响识别率的大小。本文采用算法对手势实时跟踪，在单色背景下取得了良好的跟踪效果。接下来我们对自定义的个数字手势的识别进行了仿真实验，以验证将基于矩特征和对多径向基核函数相结合的算法应用到手势识别的可行性。最后，本文基于平台开发了个简单的手势交互系统咄数字录入系统，将手势识别用于人机交互，实现了对软件的操作。基于计算机视觉的手势跟踪与识别流程图如图所示。图基于计算机视觉的手势跟踪与识别系统流程图手势图像预处理及特征提取实验结果手势图像获取及手势样本库的建立以下是基于接口函数读取视频的主要代码。建立个良好的样本库对于统计识别是非常重要的。对摄像头获取的手势图像进行分割得到的黑白手势图像组成样本库。具体来说，首先进行样本的采集。本文在采集手势样本时限制拍摄背景为单色背景，但允许光照强度发生变化，将拍摄的手势图片统归化为像素大小。然后逐个样本检查，去掉不理想的样本，比如采集样本时候手仅有部分在摄像头视野内，或者分割不理想的情况。为方便后续对样本进行特征提取，把选中的合格样本按定规律批量命名后保存到相应文件夹。本文对的个数字手势进行识别，如图所示，其中图是从摄像头采集的彩色图像，图是对应的分割图片，也就是要保存的手势样本。图采集的数字手势图像图分割得到的数字手势示意图手势图像的预处理本文将手势图像从空间变换到空间色彩窄间转换的效果图请参见图，利用色彩空间亮度和色度分离的特性，在定程度上克服了光照的干扰，然后用最大类间方差法对和通道的图像进行二值化处理。实验结果表明，与通道相比，和色差通道具有更好的分割效果。手势图像的通道通道和通道二值化效果图请参见圈。最大类问方差法的具体流程如下计算归化直方图计算灰度均值计算直方图零阶累积矩和阶累积矩用算法对图像做二值化处理的主要代码如下所示但是用法得到的手势分割图像还存在定的噪声，所以考虑运用形态学的开运算，先膨胀后腐蚀，从而得到较理想的分割效果手势图像的形态学处理效果请参见图。为了对手的区域进行更好的特征提取，文中使用灰度投影法来获取准确的手势区域。具体方式是对经过预处理的二值图像，分别在垂直方向和水平方向采用灰度投影法，从而得到手势在方向和方向的坐标范围姐，。如图所示，是从实时视频中截取的手的图像，为对应的二值化图像，为通过灰度投影确定的准确的手区域。图采用灰度授彩法荻取手所在准确的手区域手势跟踪实验结果及分析手势跟踪系统流程图算法流程图手势跟踪实验图手势跟踪结果我们将算法用于手势的实时跟踪，本实验是在和的环境下，利用接的摄像头采集图像，实验结果见图，图中椭圆内部是待跟踪的手势。用算法对具有特定颜色的甘标进行跟踪，无需计算每帧图像所有像素点的颜色概率分布，只需求出比当搜索窗大砦的区域内的所有像素点的颜色概率分布，这样就大大减少了计算最。实验结果表明，跟踪算法对系统资源要求不高，实时性较好，在实际的交互场景中表现了较强的鲁棒性。实时手势识别实验结果及分析手势识别系统流程在识别手势时首先创建手势库，对图像预处理和特征提取，得到理想的手势分割效果图，并选用矩特征组作为手势图像的特征向量。接下来用支持向量机算法对手势图像进行分类识别，对几种常见的支持向量机多值分类算法基于后验概率的多分类算法以及几种传统的分类方法应用于手势识别的结果做了对比。手势识别流程图见图。图手势识别系统流程图手势跟踪与识别在人机交互中的应用为了验证论文中的手势跟踪识别算法，本文基于平台编写了个简单的数字录入程序，将手势识别应用于人机交互中，实现了从摄像头输入手势对文件的操作。首先新建个程，通过在菜单选，在选项中选，然后选择，添加文件夹下的后即完成设置。本文利用预定义的数字手势，实现了对的操作，我们在程序中定义在文件打开之前，数字手势表示单击鼠标左键，数字手势表示单击鼠标右键，数字手势表示双击鼠标左键，从而实现手势对鼠标的简单控制当文件打开以后数字手势的鼠标单击或双击事件不再有效，此时数字手势表示向文档输入数字，即通过手势识别结果向文档中自动写入相应手势所对应的数字。而定义数字手势始终是关闭文件的手势，所以本系统不能输入数字。详细的数字手势与它所代表的人机交互功能的对照表如表所示。表数字手势与它所代表的人机交互功能的对照表如图所示，是数字录入系统的交互界面。点击启动视频输入按钮，系统就开始通过摄像头捕捉手势并进行识别，进而实现对的简单操作。该手势交互系统的功能如下打开文件的功能首先利用跟踪模块得到的相对位置信息来模拟鼠标移动事件，让鼠标移动到桌面的快捷方式，然后利用数字手势的识别结果模拟鼠标双击事件来打开文件，如图所示保存文件和关闭文件的功能在完成数字录入以后，使用手势来关闭文件。在关闭时弹出是否保存对文档的更改的对话框，此时通过编程实现录入数字的功能停止而数字手势的鼠标单击或双击功能再次被激活，然后结合鼠标移动对应手势跟踪和鼠标左键单击对应数字手势对应的按钮在图应是按钮，在图中应保存按钮，来实现保存这里仅用手势识别还不能在保存文件时任意写入文件名，如图所示图手势交互控控制示意图总结与展望基于手势识别的人机交互是当前智能人机交互的个重要的研究课题。由于基于视觉的手势识别是利用摄像机采集手势信息，无需购买昂贵的设备，再者它在操作时更加自然方便，符合以人为本和自由性的要求，因此对这问题的研究有着重要的理论价值和应用前景。本文在开发环境下，借助开源库，对基于计算机视觉的手势跟踪与识别各个阶段的算法进行了研究与验证，具体内容总结如下在手势图像预处理阶段，为降低光照对手势分割的干扰，选取色彩空间，利用其色度和亮度分离的特性，用最大类间方差算法进行分割，再用形态学方法降噪，仿真实验表明，在变化光照的情况下，本阶段算法的手势分割效果良好。在手势图像特征提取阶段，根据识别对象是手势这特点，提取几何矩作为待识别手势的特征并进行算法有效性的验证，用户按下触摸屏快速移动后松开，由个，多个，个触发，用户长按触摸屏，由多个触发用户按下触摸屏，并拖动，由个，多个触发，我们来试着做个事件的处理吧，方法中每个参数的意义我写在注释中了，需要注意的是事件的处理代码中，除了第个触发的和最后个中包含的坐标等信息外，我们还可以根据用户在轴或者轴上的移动速度作为条件。比如下面的代码中我们就在用户移动超过个像素，且轴上每秒的移动速度大于像素时才进行处理。，参数解释第个最后个轴上的移动速度，像素秒轴上的移动速度，像素秒触发条件轴的坐标位移大于，且移动速度大于个像素秒问题是，这个时候如果我们尝试去运行程序，你会发现我们根本得不到想要的结果，跟踪代码的执行的会发现事件直就没有被捕捉到。这正是开始困扰我的问题，这到底是为什么呢我在讨论组的这个帖子里找到了答案，即我们需要在中之后添加如下句代码。只有这样，才能够处理不同于轻触的即，或者多个，我们同样可以通过定义中的来做到这点。手势识别的视频此网站介绍了智能交警手势识别系统，网上查找数据表明，大多数人对交警手势语言不是很清楚，我的想法是在电动汽车上能够再加上智能交警手势识别系统就更好了。基于视觉的手势自动识别系统研究与应用，手势遥控小车演示以上是我挑选的能较好的诠释我们技术的视频，希望查看更多的手势识别视频，请点击链接国内外生产手势识别软件的厂家全球首款手势控制电脑亮相美国实验结果表明矩特征的旋转平移尺度不变性较好的解决了手势采集时产生的旋转尺度等不确定性问题。在支持向量机多分类方面，分别验证了对多对和决策有向无环图脚等多分类算法在手势识别中的分类性能，并进步研究了的参数优化问题，实验结果表明对多径向基核函数的算法极大提高了手势识别的准确率。同时针对同手势样本属于多个类的错分情况，本文提出将基于后验概率的多分类算法用于手势识别，以概率作为手势分类的输出，在定程度上减少了误判发生，最终测试样本集的识别率达到。在跟踪阶段，针对待跟踪目标是手势以及要保证系统运行的实时性这两个关键因素，本文选择了以色彩信息为特征的算法用于交互场景的手势跟踪，此算法对系统资源要求不高，在仿真实验中表现出较好的实时性和鲁棒性。最后，本文基于平台开发了个简单的数字录入系统，将手势识别应用于人机交互中，实现了从摄像头输入手势对文档的操作。本文的创新点是提出将基于矩特征和对多径向基核函数支持向量机相结合的算法应用到手势识别，并对该算法进行了仿真实验，取得了比较理想的识别效果二是针对个手势样本同时属于多个类的错分情况，提出将基于后验概率的多类分类算法用于手势识别，进步提高了识别率。本文的研究还有需要改进和进步深入的地方。在实时的手势跟踪和识别中我们还需要增加能够识别的手势的种类，并进步提高识别的速度和准确性。基于计算机视觉的手势研究有着重要的理论价值和应用前景，因此我们相信手势识别的研究将会得到更多的关注和发展。附录程序重要部分代码我们先来明确些概念，首先，的事件处理机制是基于监听器来实现的，比我们今天所说的触摸屏相关的事件，就是通过。其次，所有的子类都可以通过等方法来添加对类事件的监听器。第三，般会以接口的方式来提供，其中包含个或多个抽象方法，我们需要实现这些方法来完成等等的操作。这样，当我们给个设置了事件，并实现了其中的抽象方法以后，程序便可以在特定的事件被到该的时候，通过函数给予适当的响应。看个简单的例子，就用最简单的来说明事