手势图像分类方法、装置、计算机设备及存储介质制造方法及图纸

本公开实施例提供一种手势图像分类方法、装置、计算机设备及存储介质，其中，所述方法包括：对输入的多幅手势图像分别进行检测以得到各幅手势图像中指尖的数量，并根据检测出的指尖数量将多幅手势图像划分为若干组别；将各个组别的手势图像分别进行分类训练，以得到各个组别的分类器函数；以及，利用各个组别的分类器函数分别对各个组别的手势图像进行计算，以得到各个组别的手势图像的手势类型分类结果。本公开实施例通过对手势图像进行指尖数量检测将手势图像划分为若干组别，实现了手势图像的初步分类，再基于初步分类结果实现手势图像的手势类型分类，相比于现有的手势图像分类算法，极大地降低了算法的运算量和复杂度，提高了算法处理速度。

【技术实现步骤摘要】
手势图像分类方法、装置、计算机设备及存储介质
本公开涉及通信
，尤其涉及一种手势图像分类方法、一种手势图像分类装置、一种计算机设备以及一种计算机可读存储介质。
技术介绍
手势图像分类拥有诸多应用场景，如游戏、IPTV(InternetProtocolTelevision，网络协议电视)控制等。评价手势图像分类算法的优劣一般有两个指标：一是手势识别准确度，二是手势分类算法的实时性。尤其对于交互类游戏场景，需要在保障精确度的情况下，提升算法运行效率。在相关技术中，手势图像分类算法一般采用Hu矩(几何不变矩)特征进行手势识别，并依据调测的分类器得到分类结果。然而，随着手势种类增多，单纯使用Hu矩分类器的方式进行手势图像分类会使得算法复杂度陡然增加，算法时延会大幅提高。一般情况下，工程中会使用优化的分类器算法(如使用BP(backpropagation，反向传播)神经网络算法、隐马尔科夫算法)对算法复杂度进行优化，但仍不能较大程度降低分类算法运算量。可见，在手势种类较多的情况下，不论使用何种分类算法得到分类器，手势分类复杂程度均会有较大的本文档来自技高网...

【技术保护点】
1.一种手势图像分类方法，其特征在于，包括：/n对输入的多幅手势图像分别进行检测以得到各幅手势图像中指尖的数量，并根据检测出的指尖数量将多幅手势图像划分为若干组别；/n将各个组别的手势图像分别进行分类训练，以得到各个组别的分类器函数；以及，/n利用各个组别的分类器函数分别对各个组别的手势图像进行计算，以得到各个组别的手势图像的手势类型分类结果。/n

【技术特征摘要】
1.一种手势图像分类方法，其特征在于，包括：
对输入的多幅手势图像分别进行检测以得到各幅手势图像中指尖的数量，并根据检测出的指尖数量将多幅手势图像划分为若干组别；
将各个组别的手势图像分别进行分类训练，以得到各个组别的分类器函数；以及，
利用各个组别的分类器函数分别对各个组别的手势图像进行计算，以得到各个组别的手势图像的手势类型分类结果。


2.根据权利要求1所述的方法，其特征在于，所述对输入的多幅手势图像分别进行检测以得到各幅手势图像中指尖的数量，包括：
对输入的多幅手势图像分别进行轮廓检测以得到各幅手势图像的近似轮廓；
对各幅手势图像的近似轮廓进行多边形拟合以得到各幅手势图像的近似轮廓的多边形拟合结果；以及，
根据各幅手势图像的近似轮廓的多边形拟合结果得到各幅手势图像中指尖的数量。


3.根据权利要求2所述的方法，其特征在于，所述根据各幅手势图像的近似轮廓的多边形拟合结果得到各幅手势图像中指尖的数量，包括：
对各幅手势图像的近似轮廓的多边形拟合结果进行凸包检测以得到各幅手势图像的凸形状；以及，
根据预设规则对各幅手势图像的凸形状上的各个点进行筛选，得到所述凸形状上的区间极值点，所述区间极值点的数量为对应手势图像的指尖数量。


4.根据权利要求3所述的方法，其特征在于，所述根据预设规则对各幅手势图像的凸形状上的各个点进行筛选，得到所述凸形状上的区间极值点，包括：
获取各幅手势图像的凸形状上的各个点坐标；
对各幅手势图像的凸形状进行掌心提取以得到各幅手势图像的掌心坐标；
测量各幅手势图像的凸形状上的各个点坐标与对应手势图像的掌心坐标之间的距离，得到各幅手势图像的距离数组；
根据各幅手势图像的距离数组的平均值及手势类型分别设定与各幅手势图像对应的阈值；以及，
基于各幅手势图像的距离数组分别从各幅手势图像的凸形状上的各个点中筛选出比周围预设数量个点距离掌心都远且与掌心间距大于对应阈值的点，作为所述凸形状上的区间极值点。


5.根据权利要求4所述的方法，其特征在于，所述对各幅手势图像的凸形状进行...

【专利技术属性】
技术研发人员：徐佳琪，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京;11