一种基于图像边缘线弯曲度和距离特征的人手识别方法技术

本发明专利技术公开了一种基于图像边缘线弯曲度和距离特征的人手识别方法，包括步骤：获取原始图像；对所述原始图像进行预处理，得到所述原始图像的边缘线图；沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值和弯曲度值；应用弯曲度和距离特征算法，得出具备人手轮廓线弯曲度和距离特征的边缘线路径片段，进而得到疑似人手区域；对得到的全部疑似人手区域逐一进行精确判定，得到确定的人手区域从而得到人手位置信息，完成人手识别。本发明专利技术的弯曲度计算中只需进行求和及相减等简单运算，没有运算量很大的三角函数运算，再通过简单的规则快速找出图像中所有疑似人手区域，大大缩小人手识别算法的运算量，提高了识别效率。

【技术实现步骤摘要】

本专利技术涉及人体智能识别
，尤其涉及一种基于图像边缘线弯曲度和距离特征的人手识别方法。
技术介绍
目前现有的相关技术大致有如下几种：1.基于特征和分类的经典的人手识别方法：这种方法需要步进型对整个图片中每一小片图片都进行特征和分类运算。这种识别方法优点是：算法成熟、识别比较准确，但缺点也很明显：就是运算量巨大，由于特征抽取和分类运算的运算量都很大，在整个图片上进行这种步进型运算的运算量非常大，导致这种方法基本无法放入处于大众消费主流的运算能力受限的低端嵌入式设备。2.基于图像特征+模式匹配的人手识别方法：这个方法的优点是比经典方法快，缺点是受制于模板的数目(模板数目不可能很多)，很难匹配真实世界中人手千变万化的形态；如果模板数量太多这种方法的运算量又会超过前述第一种基于分类器的经典人手识别方法。因此当人手实际姿态和模板库中模板不太一致时(譬如伸缩一个手指)模式匹配的结果就会很不理想，这就是模式匹配方法在人手识别上不是主流方法的原因。3.基于神经网络及自适应学习的方法目前大多数还处于理论阶段，运算量比前述第一种经典算法还高出几个数量级，更不可能将其放在处于大众消费主流的低端嵌入式设备中运行。
技术实现思路
本专利技术的目的在于提供一种基于图像边缘线弯曲度和距离特征的人手识别方法，从而解决现有技术中存在的前述问题。由于深度图像更容易提取图像边缘线，所以本方法更适用于深度图像，当然也可以适用于能够提取图像边缘线的其他彩色图像或黑白图像等图像。为了实现上述目的，本专利技术采用的技术方案如下：一种基于图像边缘线弯曲度和距离特征的人手识别方法，包括以下步骤：S1，获取待进行人手识别的原始图像；S2，对所述原始图像进行预处理，得到所述原始图像的边缘线图；S3，沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值，再计算得到所述取样点的弯曲度值；S4，应用弯曲度和距离特征算法，根据所述取样点与相关取样点的距离特征和/或根据所述取样点的弯曲度值进行计算，得出具备人手轮廓线弯曲度特征和/或具备人手轮廓线距离特征的边缘线路径片段，与得出的所述边缘线路径片段相对应的边缘线图即为疑似人手区域边缘线图；与得出的所述边缘线路径片段相对应的图像即为疑似人手区域图像；S5，对S4中得到的全部疑似人手区域边缘线图和/或疑似人手区域图像逐一进行精确判定，得到确定的人手区域边缘线图和/或确定的人手区域图像，从而得到人手位置信息，完成人手识别。优选的，还包括以下步骤：S6，对S5中得到的确定的人手区域边缘线图和/或确定的人手区域图像进行精细计算识别，得到人手姿态信息。优选的，S1中所述的待进行人手识别的原始图像为待进行人手识别的原始深度图像。优选的，所述S3中所述的沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值，再计算得到所述取样点的弯曲度值，包括以下步骤：遍历所述边缘线图查找边缘线路径，将边缘线路径上取样点序列化并将其坐标值存入数组，计算得到所述边缘线路径上每个所述取样点的弯曲度值并存入所述数组；所述数组的每个元素均包含信息：所述取样点位置坐标值和所述取样点弯曲度值。优选的，S3中计算得到所述边缘线路径上每个所述取样点的弯曲度值的方法包括以下步骤：以待计算取样点为中心取一窗口，用所述窗口内的边缘线路径距离减去所述窗口内边缘线路径两端点的直线距离所得之差作为所述待计算取样点的弯曲度值；如果弯曲度值越大，则所述差值会越大，具体步骤如下：第1步：假设当前取样点的路径/数组索引为i，弯曲度计算参数为cN；第2步：累计从i-cN到i+cN点之间的边缘线路径上的所有相邻两点间距离到dSum；第3步：计算i-cN到i+Cn点的直线距离dDir；第4步：则得出i点的弯曲度值为dSum–dDir。优选的，所述S4中所述的得出具备人手轮廓线弯曲度特征和/或具备人手轮廓线距离特征的边缘线路径片段，中的人手轮廓线弯曲度特征和人手轮廓线距离特征包括以下一种或几种：人手手指区域取样点弯曲度值整体上比其邻近的手掌区域的取样点的弯曲度值高的特征；人手手掌区域取样点弯曲度值低而且有一部分取样点靠近弯曲度值高的手指区域的特征；人手手掌区域弯曲度值低且手掌长度和宽度接近的特征。优选的，S4具体包括以下步骤：根据人手手指区域取样点弯曲度值整体上比其邻近的手掌区域的取样点的弯曲度值高的特点，根据弯曲度值高度先找到疑似手指区间，然后在这个疑似手指区间附近查找疑似人手区间；具体步骤包括：第1步：在边缘线路径上查找所有疑似手指区间；第1.1步根据手指区域取样点的弯曲度值整体上比其邻近手掌区域的取样点的弯曲度值高的特点，在边缘线路径上查找所有疑似手指区间；第1.2步计算边缘路径线上所述疑似手指区间对应的手指区域重心：累加路径上手指区间所有取样点的坐标，除以取样点的个数得到手指区间重心的坐标；第2步：根据第1步得到的手指区间重心的坐标计算出一个或者几个经验位置，并估算人手大小；第3步：在边缘线上路径上从手指区间附近根据第2步算出的经验位置的距离大小取得疑似人手手掌区域；和/或S4具体包括以下步骤：根据人手手掌区域取样点的弯曲度值低而且有一部分取样点靠近弯曲度值高的手指区域的特点，先获取到手掌区域然后再延展获取到整个疑似人手区域；和/或S4具体包括以下步骤：根据人手手掌区域取样点弯曲度低以及手掌长度和宽度接近的特点先获取到手掌区域然后再延展获取到整个疑似人手区域。优选的，S5中精确判定的方法包括以下一种或几种：基于训练好的经典的人手识别模型，对疑似人手区域图像进行特征抽取及分类运算，判定这个疑似人手区域图像是否是真正的手部区域；进一步根据人手轮廓弯曲度和距离的特征，应用更多规则排除疑似人手区域边缘线图集合中的非人手区域边缘线图；利用模式识别方法，排除疑似人手区域边缘线图集合或疑似人手区域图像集合中的非手部区域。优选的，在S6前还包括对待精细化计算识别的所述人手区域图像进行预处理的步骤。本专利技术的有益效果是：使用本专利技术的基于图像边缘线弯曲度和距离特征的人手识别方法，利用人手边缘线弯曲度和距离特征，通过简单的规则快速找出图像中所有疑似人手区域，大大缩小人手识别算法的运算量；本专利技术中用到的弯曲度更能反映边缘线图一段区域内总体弯曲情况，天然对噪音信号影响有抑制作用；而且弯曲度计算中只需进行查表(近距离两点间距离可用查表加速而非平方和的平方根)、求和及相减等简单快速运算，没有曲率计算中的运算量很大的三角函数运算。使其能够运行在处于大众消费主流的嵌入式系统中，为实现AR/VR等设备的人手凌空输入提供了可能。附图说明图1是本专利技术的方法的总体流程示意图；图2是人手轮廓及轮廓位置标识；图3是人手手腕取样点弯曲度特征示意图；图4是人手手掌边缘点弯曲度特征示意图；图5是人手手掌边往指尖弯曲度特征示意图；图6是人手手掌边往指尖弯曲度特征示意图2；图7是人手指尖弯曲度形成高峰特征示意图；图8是人手指尖弯曲度特征示意图；图9是人手手指中部弯曲度特征示意图；图10是人手指蹼区域形成弯曲度高峰特征示意图；图11是人手指蹼区域弯曲度特征示意图；图12是人手指尖往相邻手掌边弯曲度下滑特征示意图；图13是指尖往相邻手掌边弯曲度特征示意图；图14是岔开手指区本文档来自技高网...

【技术保护点】
一种基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，包括以下步骤：S1，获取待进行人手识别的原始图像；S2，对所述原始图像进行预处理，得到所述原始图像的边缘线图；S3，沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值，再计算得到所述取样点的弯曲度值；S4，应用弯曲度和距离特征算法，根据所述取样点与相关取样点的距离特征和/或根据所述取样点的弯曲度值进行计算，得出具备人手轮廓线弯曲度特征和/或具备人手轮廓线距离特征的边缘线路径片段，与得出的所述边缘线路径片段相对应的边缘线图即为疑似人手区域边缘线图；与得出的所述边缘线路径片段相对应的图像即为疑似人手区域图像；S5，对S4中得到的全部疑似人手区域边缘线图和/或疑似人手区域图像逐一进行精确判定，得到确定的人手区域边缘线图和/或确定的人手区域图像，从而得到人手位置信息，完成人手识别。

【技术特征摘要】
1.一种基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，包括以下步骤：S1，获取待进行人手识别的原始图像；S2，对所述原始图像进行预处理，得到所述原始图像的边缘线图；S3，沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值，再计算得到所述取样点的弯曲度值；S4，应用弯曲度和距离特征算法，根据所述取样点与相关取样点的距离特征和/或根据所述取样点的弯曲度值进行计算，得出具备人手轮廓线弯曲度特征和/或具备人手轮廓线距离特征的边缘线路径片段，与得出的所述边缘线路径片段相对应的边缘线图即为疑似人手区域边缘线图；与得出的所述边缘线路径片段相对应的图像即为疑似人手区域图像；S5，对S4中得到的全部疑似人手区域边缘线图和/或疑似人手区域图像逐一进行精确判定，得到确定的人手区域边缘线图和/或确定的人手区域图像，从而得到人手位置信息，完成人手识别。2.根据权利要求1所述的基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，还包括以下步骤：S6，对S5中得到的确定的人手区域边缘线图和/或确定的人手区域图像进行精细计算识别，得到人手姿态信息。3.根据权利要求1所述的基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，S1中所述的待进行人手识别的原始图像为待进行人手识别的原始深度图像。4.根据权利要求1所述的基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，所述S3中所述的沿所述边缘线图的边缘线路径进行遍历，依次得到所述边缘线路径上取样点的坐标值，再计算得到所述取样点的弯曲度值，包括以下步骤：遍历所述边缘线图查找边缘线路径，将边缘线路径上取样点序列化并将其坐标值存入数组，计算得到所述边缘线路径上每个所述取样点的弯曲度值并存入所述数组；所述数组的每个元素均包含信息：所述取样点位置坐标值和所述取样点弯曲度值。5.根据权利要求1所述的基于图像边缘线弯曲度和距离特征的人手识别方法，其特征在于，S3中计算得到所述边缘线路径上每个所述取样点的弯曲度值的方法包括以下步骤：以待计算取样点为中心取一窗口，用所述窗口内的边缘线路径距离减去所述窗口内边缘线路径两端点的直线距离所得之差作为所述待计算取样点的弯曲度值；如果弯曲度值越大，则所述差值会越大，具体步骤如下：第1步：假设当前取样点的路径/数组索引为i，弯曲度计算参数为cN；第2步：累计从i-cN到i+cN点之间的边缘线路径上的所有相邻两点间距离到dSum；第3步：计算i-cN到i+Cn点的直线距离dDir；第4步：则得...

【专利技术属性】
技术研发人员：李志刚，
申请(专利权)人：李志刚，
类型：发明
国别省市：北京;11