一种交警手势识别方法技术

本发明专利技术公开了一种交警手势识别方法，所述交警手势识别方法包括：S1：获取交警手势图像；S2：利用人体姿态估计算法对所述交警手势图像进行处理，得到四种处理图；S3：利用基于平均值的哈希修正算法分别对每种处理图的图像识别结果进行相似度分析，得到分析结果；S4：根据分析结果确定用于图像识别的目标处理图；S5：利用所述目标处理图进行交警手势识别。本发明专利技术能够提取交警手势的特征以便更加精确的表达手势的含义。势的含义。势的含义。

【技术实现步骤摘要】
一种交警手势识别方法


[0001]本专利技术涉及交通
，具体涉及一种交警手势识别方法。

技术介绍

[0002]在社会日益发展的前提下,科技水平的提高，无人驾驶汽车也正在慢慢进入人们的生活中，但与之相关的问题也随之而来。当遇到交通事故、道路阻塞、红绿灯故障等问题时,交警会第一时间来指挥交通,此时无人驾驶汽车对交警手势的识别起到了至关重要的作用。与此同时，各种图像处理的方法层出不穷，于是如何提取交警手势的特征以便更加精确的表达手势的含义成为了一个挑战。

技术实现思路

[0003]本专利技术的目的在于提供一种交警手势识别方法，以能够提取交警手势的特征以便更加精确的表达手势的含义。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]本专利技术提供一种交警手势识别方法，所述交警手势识别方法包括：
[0006]S1：获取交警手势图像；
[0007]S2：利用人体姿态估计算法对所述交警手势图像进行处理，得到四种处理图；
[0008]S3：利用基于平均值的哈希修正算法分别对每种处理图的图像识别结果进行相似度分析，得到分析结果；
[0009]S4：根据分析结果确定用于图像识别的目标处理图；
[0010]S5：利用所述目标处理图进行交警手势识别。
[0011]可选择地，四种所述处理图包括关键点热力图、关键点热力图降噪图、x轴的矢量图和y轴的矢量图。
[0012]可选择地，所述步骤S3包括：
[0013]S31：缩小各处理图的图像尺寸，得到缩小后的图像；
[0014]S32：简化所述缩小后的图像的图像色彩，得到灰度图像；
[0015]S33：计算所述灰度图像的像素的平均值；
[0016]S34：利用差值哈希算法比较所述灰度图像中像素的灰度，得到第一比较结果；
[0017]S35：根据所述平均值，利用均值哈希算法比较所述灰度图像中像素的灰度，得到第二比较结果；
[0018]S36：分别根据所述第一比较结果和所述第二比较结果，利用字符串数值哈希法构造函数，计算所述灰度图像的均值哈希和差值哈希；
[0019]S37：根据所述均值哈希和所述差值哈希，得到基于平均值的哈希值；
[0020]S38：根据各处理图的基于平均值的哈希值，对比各处理图之间的汉明距离；
[0021]S39：根据所述汉明距离，得到相似度分析结果。
[0022]可选择地，所述步骤S31包括：
[0023]去除各处理图的高频和细节，保留各处理图的结构明暗，得到保留后的图像；
[0024]将保留后的图像缩小到9x8的尺寸，得到缩小后的图像。
[0025]可选择地，所述步骤S33包括：
[0026]用遍历累加的方法将所述灰度图像转化为一个矩阵，以此计算所述灰度图像中所有像素的平均值。
[0027]可选择地，所述步骤S34包括：
[0028]分别对各灰度图像中每行像素进行单独对比，像素值大于后一个像素值记作1，相反记作0，得到第一比较结果；其中，各灰度图像有8行，每一行有9个像素和8个差值，所以每幅灰度图像有64位。
[0029]可选择地，所述步骤S35包括：
[0030]将各灰度图像中像素大于所述平均值的记作1，相反记作0，得到第二比较结果。
[0031]可选择地，所述步骤S37包括：
[0032]X3＝α
·
X1+(1
‑
α)
·
X2，α∈(0，1)
[0033]其中，X3表示基于平均值的哈希值，X1表示均值哈希值，X2表示差值哈希值，α表示权重系数。
[0034]可选择地，所述步骤S39中，所述汉明距离通过以下方式获得：
[0035]对比两个相同长度的字之间有多少个不同的位，其汉明距离数值为该不同的位的个数值。
[0036]本专利技术具有以下有益效果：
[0037](1)为了提高图像识别的精度和更加形象的表达出交警手势的形状，本专利技术采用了openpose这一人体姿态估计技术来处理交警手势的图像，处理后得到四种图像；
[0038](2)为了对处理后的图像进行识别和分类，本专利技术综合了均值哈希算法和差值哈希算法的优点，采用了基于平均值的修正哈希对图片进行对比搜索和识别分类，以提高交警手势识别的效率和正确率。
附图说明
[0039]图1为本专利技术交警手势识别方法的流程图；
[0040]图2为人体姿态估计算法(openpose)网络的结构示意图。
具体实施方式
[0041]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0042]本专利技术提供一种交警手势识别方法，参考图1所示，所述交警手势识别方法包括：
[0043]S1：获取交警手势图像；
[0044]S2：利用人体姿态估计算法对所述交警手势图像进行处理，得到四种处理图；
[0045]人体姿态估计简单点来说就是通过恢复人体关节过程用数字形式表达检测和估计人们的姿态动作，从而使计算机获得像人类一样识别各种动作的能力的技术。人体姿态估计不仅作为计算机视觉的基础任务，而且基于现在和未来的发展趋势，都是一个非常值得人们去研究的领域，例如自动驾驶、人机互动、医疗、电影、动画、VR技术等等。
[0046]理解openpose的原理首先要了解部件关联场(PAF)，全称是Part Affinity Fields。它的作用简单可以理解为通过肢体找关键点对人体的肢体进行标注，然后进行分割，最后将其连接。
[0047]在图2中的蓝色部分，利用卷积神经网络中的vgg
‑
19模型的前10层作为输出，并将原始图像处理生成一组部件关联场。为了产生更加精细预测，我们在随后的每个阶段中将上一个阶段的预测与原始图像的特征F相结合。迭代之后，执行置信循环s：关键点(人体关节)，如图2中的ρ
t
部分所示。
[0048]用三个连续的3x3卷积核代替每个7x7卷积核。这么做的目的是为了保留接受域的同时可以减少相当可观的计算时间。前者有2x
‑
1＝97，后者只有51。为了保留了底层特征和高层特征，将网络的非线性层数增加两倍。在2017时，每个阶段都细化了部件关联场和置信图分支。然而，部件关联场改进了置信度图的结果，否则就不成立。也就是说，通过观察PAF通道的输出，可以猜测身体部位的位置。最后用二分图匹配问题代替多人检测问题，并且为了得到更多的匹配使用了匈牙利算法。
[0049]S3：利用基于平均值的哈希修正算法分别对每种处理图的图像识别结果进行相似度分析，得到分析结果；
[0050]具体地，哈希(Hash)也可以叫作成散列。直观的来讲，哈希就是对一串数据x进行处理，得到输出的数据y，而数据y的长度是固定的，这个输出就是散列值。
[0051]哈希函数特点：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交警手势识别方法，其特征在于，所述交警手势识别方法包括：S1：获取交警手势图像；S2：利用人体姿态估计算法对所述交警手势图像进行处理，得到四种处理图；S3：利用基于平均值的哈希修正算法分别对每种处理图的图像识别结果进行相似度分析，得到分析结果；S4：根据分析结果确定用于图像识别的目标处理图；S5：利用所述目标处理图进行交警手势识别。2.根据权利要求1所述的交警手势识别方法，其特征在于，四种所述处理图包括关键点热力图、关键点热力图降噪图、x轴的矢量图和y轴的矢量图。3.根据权利要求1所述的交警手势识别方法，其特征在于，所述步骤S3包括：S31：缩小各处理图的图像尺寸，得到缩小后的图像；S32：简化所述缩小后的图像的图像色彩，得到灰度图像；S33：计算所述灰度图像的像素的平均值；S34：利用差值哈希算法比较所述灰度图像中像素的灰度，得到第一比较结果；S35：根据所述平均值，利用均值哈希算法比较所述灰度图像中像素的灰度，得到第二比较结果；S36：分别根据所述第一比较结果和所述第二比较结果，利用字符串数值哈希法构造函数，计算所述灰度图像的均值哈希和差值哈希；S37：根据所述均值哈希和所述差值哈希，得到基于平均值的哈希值；S38：根据各处理图的基于平均值的哈希值，对比各处理图之间的汉明距离；S39：根据所述汉明距离，得到相似度分析结果。4.根据权利要求3所述的交警手势识别方法，其特征在于，所述步骤S31包括...

【专利技术属性】
技术研发人员：岳伟挺，周佳耀，叶昊楠，张新勇，曹月花，
申请(专利权)人：杭州电子科技大学信息工程学院，
类型：发明
国别省市：