【技术实现步骤摘要】
一种车载手势交互技术
本专利技术专利涉及图像识别和处理领域，尤其是涉及一种车载手势交互技术。
技术介绍
随着科学技术的进步，汽车的功能日益增加，内部的信息系统日趋复杂，对于用户来说，操作也越来越复杂。传统的汽车按钮和触摸屏的操作都需要同时使用眼睛和双手，这对于行车安全会产生影响。而语音交互的方式虽然快速，但是由于行驶中的车辆噪音较大，干扰较多，因而语音的识别不够准确。在汽车内部，使用手势来与汽车进行交互，相当于传统的汽车按钮或者语音交互方式，具有快速、准确，安全，且抗干扰能力强的优点。传统车载手势交互技术中使用的摄像头为rgb摄像头，通过人的手的皮肤的颜色来获取，但这种方式具有局限性，比如黑色人种的手，或者在光线较暗或者夜晚，或者车内座位的颜色对于rgb摄像头的手势识别都有很大的干扰。本专利技术采用深度摄像头，基于运动检测的基本原理来检测运动物体，参照传统的rgb摄像头的运动检测算法，并在此基础上进行改进，可以更好的检测出运动物体。目前一般的深度摄像头提取手掌的方案，都是基于深度阈值的方案，即如果一个物体大于距离值，就丢弃这个物体。但是，在实际的驾驶过程中，用户的手通常都在方向盘的中间或者下方，但不能要求用户在使用产品时，都需要把手提高到超过方向盘的位置，此外，人自身的运动与其他运动的物体也会造成干扰，因此，如何判别一个运动的物体是否为人的手掌，比较困难。本专利技术中，摄像头是从车顶从上向下拍摄，驾驶中处于运动的物体，比如方向盘、人的躯体、头、肩，人的手可以出现在摄像头任意位置。
【技术保护点】
1.一种车载手势交互控制方法，其特征在于，包括如下步骤：/n(1)使用改进的运动物体检测算法来识别运动的物体；/n(2)使用手势识别控制方法，判断步骤(1)中识别的运动物体是否为人类手掌。/n
【技术特征摘要】
1.一种车载手势交互控制方法，其特征在于，包括如下步骤：
(1)使用改进的运动物体检测算法来识别运动的物体；
(2)使用手势识别控制方法，判断步骤(1)中识别的运动物体是否为人类手掌。
2.根据权利要求1所述的控制方法，其特征在于，所述用于识别运动的物体的步骤包括如下步骤：
1.1初始化；
1.2检测像素点是否为运动点；
1.3对运动点进行kmeans聚类；
1.4区域生长；
1.5提取区域；
1.6更新像素点。
3.根据权利要求2所述的控制方法，其特征在于，第2.2中针对每一帧摄像头获取的图像，对于每一个像素点，检测该点是否为运动的像素点，具体包括如下步骤：
2.2.1.将一个计数器a置为0；
2.2.2.计算该像素点当前的深度值与历史记录库中的深度值之差，如果差值大于某一设定好的阈值，则将计数器a加1，；
2.2.3.对历史记录库中该像素点的每一个历史记录均执行步骤2.2.2后，如果计数器a的值大于一个阈值，则将该像素点置为运动点。
4.根据权利要求2至5中任一项所述的控制方法，其特征在于，得到所有运动点之后，执行步骤2.3，对所有运动点进行kmeans聚类，具体包括如下步骤：
2.3.1从所有像素点中任意选择一部分像素点作为初始聚类中心；
2.3.2对于剩余其他像素点，根据它们与2.3.1所述聚类中心的相似度(距离)，分别将它们分配给与其最相似的聚类；
2.3.3重新计算每个所获新聚类的聚类中心，即计算该新聚类中所有对象的均值；
2.3.4计算标准度函数，当满足一定条件时，如函数收敛时，则算法终止，否则递归执行步骤2.3.2、2.3.3、2.3.4从而得到一些类别；
2.3.5步骤2.3.4所述类别，每一个类别中有一个像素中心点以及与它对应的运动像素点，设定一个类别元素个数阈值，去除达不到该阈值的类别，然后为每个运动点分配一个类别流水号。
5.根据权利要求2至6中任一项所述的控制方法，其特征在于，得到所述类别后，执行步骤2.4，进行区域生长，具体包括如下步骤：
2.4.1将已经被检测为运动点的深度值与附近的一个新的待检测像素点进行比较，如果两者深度差值小于一个设定的阈值，则该新的待检测像素点与已经被检测为运动点的的像素点类似，从而将该新像素点设置为运动点；
2.4.2根据步骤2.4.1，如果该新像素点在两个类别中都被判断为新的运动点，则所述两个类别属性相似，从而将所述两个类别合并，且将类别流水号设置为同一类别流水号，直到将所有运动点检测完成。
6.根据权利要求1或2中任一项所述的控制方法，其特征在于判断步骤2.5中提取的图片是否为人的手，如果判断为是手，则更新所述像素点历史的记录信息，从而增大运动点的深度信息变化，如果判断为不是手，则信息保持不变。
7.根据权利要求1至6中任一项所述的控制方法，其特征在于，所述识别的运动物体是否为人类手掌的步骤包括如下步骤：
3.1特征选择与模型训练；
3.2判断目标图像是否为人类手掌。
8.根据权利要求1至7中任一项所述的控制方法，其特征在于，所述步骤3.1包括如下步骤：
3.1.2从待训练数据中选择样本点；
3.1.3对所述所有样本点进行最优划分值计算；
3.1.4基于所述最优划分值计算结果建立与所述样本点对应的随机森林。
9.根据权利要求1至8中任一项所述的控制方法，其特征在于，在所述步骤3.1.2之前包括如下步骤：
3.1.1收集训练数据，通过至少两个摄像机获得待训练的图像，其中至少一个摄像机为深度摄像机，至少一个摄像机为rgb摄像机。
10.根据权利要求1至8中任一项所述的控制方法，其特征在于，在所述步骤3.1.2中，将深度图中的手掌部分作为正样本，将非手掌部分作为负样本，从正样本部分与负样本部分中随机选择相同数目的像素点作为待训练的样本点。
11.根据权利要求1至8中任一项所述的控制方法，其特征在于，所述步骤3.1.3中的最优划分值计算包括如下步骤：
3.1.3.1计算所述样本点各邻域的深度均值；
3.1.3.2计算所述样本点各邻域的深度均值分别与该样本点的深度值的差值；
3.1.3.3计算信息熵；
3.1.3.4获取最优划分值。
12.根据权利要求11所述的控制方法，其特征在于，所述步骤3.1.3.1中的深度均值计算包括如下步骤：
3.1.3.1.1随机选择某个样本点P；
3.1.3.1.2计算以P为中心的正方形邻域的深度值的平均值；
3.1.3.1.3基于所述步骤3.3.1.2的计算方法，计算所有样本点的邻域的深度值的平均值。
13.根据权利要求12所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。