System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信息识别,特别涉及一种手势识别方法及系统。
技术介绍
1、随着汽车技术的成熟,自动驾驶辅助系统功能越来越广泛,车内布置愈发简洁,手动控件越来越少;
2、导致驾驶者在开车过程中,因操作屏幕而分心的风险逐渐升高。手势识别结合人脸识别功能可及时判断驾驶员状态,在危险状态给予提示;因此各新能源车厂也针对性地推出了一系列的解决方案。从初期的触摸屏界面简化设计,再到电子内外后视镜、智能语音、手势控制等功能的添加,都是辅助驾驶者在开车的时候可以尽可能方便快捷地传达指令,降低驾驶者因操作屏幕而分心的概率,从而保障驾驶员及乘车人的人身安全。
3、综上所述,手势识别技术作为一种用户友好型和人性化的人机交互方式,在诸如服务业,制造业等众多社会重要领域具有很高的商用价值,但是由于其涉及到多学科知识的结合以及不同应用领域的各种需求,开发相应完善的技术仍存在一些难点。因此,研究手势识别方法对提高手势识别的准确率,同时促进手势识别在日常生活中的应用具有重要的意义。
技术实现思路
1、为了解决
技术介绍
中至少一个问题,本专利技术提出一种手势识别方法及系统。
2、为了实现上述目的,本专利技术采用以下技术方案:
3、一种手势识别方法,包括以下步骤:
4、对初始图像进行预处理和分割,得到手势图像;
5、计算手势图像的特征向量并保存;
6、利用支持向量机对已经提取到的特征向量进行训练,得到用于检测手势的识别模型;
8、优选地,对初始图像进行预处理和分割,得到手势图像,包括以下步骤:
9、对初始图像进行增强;
10、将增强后的初始图像转到ycrcb颜色空间;
11、基于ostu阈值法对ycrcb颜色空间的图像进行肤色分割和二值化处理;
12、对二值化处理后的初始图像进行形态处理,得到手势图像。
13、优选地,计算手势图像特征向量并保存,包括以下步骤:
14、对手势图像进行归一化处理,将手势图像的颜色空间统一;
15、获取手势图像所有像素的梯度直方图;
16、将手势图像分为若干个区域块,将每个区域块分为若干细胞单元;
17、基于梯度直方图获得细胞单元的特征算子;
18、基于细胞单元的特征算子得到区域块的特征算子;
19、基于区域块的特征算子得到手势图像的特征向量,最后保存。
20、优选地,利用支持向量机对已经提取到的特征向量进行训练,得到用于检测手势的识别模型,包括以下步骤:
21、比较标准手势图像的特征向量和待识别手势图像的特征向量;
22、设定相似度阈值;
23、若待识别手势图像的特征向量与标准手势图像的特征向量的相似度大于或等于相似度阈值,则对待识别手势图像进行识别训练,得到识别模型。
24、优选地,对待识别手势图像进行识别训练,得到识别模型,包括:
25、
26、式中,αi,αj是拉格朗日算子,yi和yj代表数据点的标签,xi和xj是特征变量,公式中的s.t.是subject to,表示约束条件;w为超平面的范数。
27、一种手势识别系统,包括:
28、预处理单元,用于对初始图像进行预处理和分割,得到手势图像;
29、计算单元,用于计算手势图像的特征向量并保存;
30、训练单元,用于利用支持向量机对已经提取到的特征向量进行训练,得到用于检测手势的识别模型;
31、识别单元,用于通过识别模型识别手势。
32、优选地,所述预处理单元,包括:
33、增强模块,用于对初始图像进行增强;
34、转换模块,用于将增强后的初始图像转到ycrcb颜色空间;
35、处理模块,用于基于ostu阈值法对ycrcb颜色空间的图像进行肤色分割和二值化处理;
36、获取模块,用于对二值化处理后的初始图像进行形态处理,得到手势图像。
37、优选地,所述计算单元包括:
38、归一化模块,用于对手势图像进行归一化处理,将手势图像的颜色空间统一;
39、梯度模块,用于获取手势图像所有像素的梯度直方图;
40、划分模块,用于将手势图像分为若干个区域块,将每个区域块分为若干细胞单元;
41、一级分区模块,用于基于梯度直方图获得细胞单元的特征算子;
42、二级分区模块,用于基于细胞单元的特征算子得到区域块的特征算子;
43、三级分区模块,用于基于区域块的特征算子得到手势图像的特征向量,最后保存。
44、优选地,所述训练单元,包括:
45、比较模块,用于比较标准手势图像的特征向量和待识别手势图像的特征向量;
46、设定模块,用于设定相似度阈值;
47、训练模块,当待识别手势图像的特征向量与标准手势图像的特征向量的相似度大于或等于相似度阈值,则训练模块用于对待识别手势图像进行识别训练,得到识别模型。
48、优选地,所述训练模块包括:
49、
50、式中,αi,αj是拉格朗日算子,yi和yj代表数据点的标签,xi和xj是特征变量,公式中的s.t.是subject to,表示约束条件;w为超平面的范数。
51、本专利技术的有益效果:
52、1、本专利技术通过从采集到的初始图像中采集到手势图像,并对手势图像进行处理和训练,得到手势图像的识别模型,然后通过识别模型对手势图像进行识别,提高了手势识别的准确率;
53、2、本专利技术通过在颜色空间中对初始图像进行分割及二值化处理,能够有效提取清晰的手势图像,为后续训练和识别提供了大量的有效数据;
54、3、本专利技术将图像划分为若干区域块,并将区域块分为若干细胞单元,然后分析每个细胞单元的梯度直方图,得到细胞单元的特征算子,随后合成得到区域块的特征算子,最后合成区域块得到整个图像的特征向量,为识别模型的建立提供了大量训练数据,有利于识别模型的构建。
55、4、本专利技术的识别模型基于大量有效数据进行训练,为手势识别提供了技术支持,准确性高。
56、本专利技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种手势识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种手势识别方法,其特征在于,对初始图像进行预处理和分割,得到手势图像,包括以下步骤:
3.根据权利要求1所述的一种手势识别方法,其特征在于,计算手势图像特征向量并保存,包括以下步骤:
4.根据权利要求1-3任一项所述的一种手势识别方法,其特征在于,利用支持向量机对已经提取到的特征向量进行训练,得到用于检测手势的识别模型,包括以下步骤:
5.根据权利要求4所述的一种手势识别方法,其特征在于,对待识别手势图像进行识别训练,得到识别模型,包括:
6.一种手势识别系统,其特征在于,包括:
7.根据权利要求6所述的一种手势识别系统,其特征在于,所述预处理单元,包括:
8.根据权利要求6所述的一种手势识别系统,其特征在于,所述计算单元包括:
9.根据权利要求6-8任一项所述的一种手势识别系统,其特征在于,所述训练单元,包括:
10.根据权利要求9所述的一种手势识别系统,其特征在于,所述训练模块包括:
【技术特征摘要】
1.一种手势识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种手势识别方法,其特征在于,对初始图像进行预处理和分割,得到手势图像,包括以下步骤:
3.根据权利要求1所述的一种手势识别方法,其特征在于,计算手势图像特征向量并保存,包括以下步骤:
4.根据权利要求1-3任一项所述的一种手势识别方法,其特征在于,利用支持向量机对已经提取到的特征向量进行训练,得到用于检测手势的识别模型,包括以下步骤:
5.根据权利要求4所述的一种手...
【专利技术属性】
技术研发人员:李紫微,邹梦钰,赵文强,
申请(专利权)人:奇瑞新能源汽车股份有限公司,
类型:发明
国别省市:
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。