【技术实现步骤摘要】
本专利技术属于人机交互，具体涉及一种超轻量远距离的静态手势识别方法。
技术介绍
1、静态手势识别是通过对手部静止姿态进行分析和识别，实现对手势的理解和解释，从而实现人机交互的一种技术。一般用于智能家居、智能会议大屏、智能教育等智能设设备。
2、目前静态手势识别技术主要分为传统方法和基于深度学习方法两种。传统方法一般通过肤色分割、边缘检测等图像处理方法，提取手部轮廓，然后利用模板匹配、隐马尔科夫模型、多类随机森林分类器、多层感知机等方法对手部区域进行分类，但不同场景的环境噪声对识别效果影响很大，其次考虑到手部区域在画面中的成像大小，在识别距离上受到很大限制，一旦距离稍远，手部区域在画面中成像面积占比很小，传统方法无法做到有效识别。基于深度学习的方法能够自动提取特征，通过高度抽象的学习可以更好地发现训练数据内在规律，更好地拟合样本空间数据，并对未知数据具有很好泛化能力，抗干扰能力强，但随着任务难度的加大，需要加深网络的深度和宽度来学习更加抽象的高级特征表示，而随之引入的额外的参数量和计算量非常不利于深度学习模型在低算力硬件平台的部署，无法做到实时处理。
3、对于静态手势识别任务，由于人手是表面不光滑的弹性物体，容易产生阴影，随着识别距离的增加，这些噪声很容易导致某些非目标手势与目标手势相似，从而造成误识别；并且不同手势之间的主要区分特征在于手指与手掌的位置关系和空间姿态，从像素占比上来讲，手指在手部图像上占比很小，这也导致在模型训练过程中降采样后，网络底层特征图中的手指的特征信息很少，所以如何精准定位手势并识
技术实现思路
1、为解决现有技术中存在的技术问题，本专利技术的目的在于提供一种超轻量远距离的静态手势识别方法。
2、为实现上述目的，达到上述技术效果，本专利技术采用的技术方案为：
3、一种超轻量远距离的静态手势识别方法，包括以下步骤：
4、首先，将捕获到的视频帧送入人体检测模型进行人体定位，获得人体区域图像；
5、然后，将所有人体区域图像送入目标手势检测模型来对目标手势进行定位，获得目标手势区域图像；
6、最后，将所有目标手势区域图像送入目标手势分类模型来对目标手势进行分类识别。
7、进一步的，将捕获到的视频帧送入人体检测模型进行人体定位，获得人体区域图像的步骤包括：
8、步骤s11，获取图像数据
9、从单目摄像头实时捕获的视频流中每隔n帧提取一张图像；
10、步骤s21，将步骤s11提取到的图像进行图像预处理，再送入人体检测模型进行人体检测，检测结果包含当前帧预处理后图像上出现的每个人体各自的区域坐标位置以及置信度，将坐标还原映射到当前帧原始图像上获得实际人体坐标位置；
11、步骤s31，利用步骤s21获得的当前帧实际人体坐标位置信息在步骤s11获得的原始图像上提取各自的人体区域图像。
12、进一步的，步骤s21中，将步骤s11提取到的图像进行图像预处理的步骤包括：
13、步骤s2021，对原图宽高进行比较，找到原图的最长边，将短边用灰色进行像素填充至与最长边等长，将原图由矩形填充至正方形；
14、步骤s2022，对步骤s2021经像素填充后的正方形原图进行等比缩放，缩放至人体检测模型输入图像分辨率大小，然后对所有像素点进行均值方差归一化；
15、步骤s2023，对步骤s2022经归一化的图像进行颜色通道转换，由bgr转换为rgb，并将图像维度由h、w、c转换为c、h、w，其中，h为图像的高度，w为图像的宽度，c为图像的颜色通道数，至此得到人体检测模型的输入图像。
16、进一步的，步骤s31包括以下步骤：
17、步骤s2031，去除冗余重叠检测框，对步骤s21检测到的所有人体区域坐标位置信息进行nms非极大值抑制处理，剔除低置信度的重叠检测框，每个目标只保留iou大于预设阈值并且置信度大于预设阈值且最高的检测框；
18、步骤s2032，对步骤s2031处理后的人体检测框映射回对应在步骤s11中原图上，得到实际在原图上的人体检测框；为避免检测框未将人手完整地包含在内，对检测框的大小进行微调，将检测框的宽高等比放大0.3倍，再从原图中裁出微调后的人体检测框区域，得到步骤s11中原图中所有有效人体区域图像。
19、进一步的，将人体区域图像送入目标手势检测模型来对目标手势进行定位，获得目标手势区域信息的步骤包括：
20、步骤s41，将步骤s2032提取到的有效人体区域图像进行图像预处理；
21、步骤s51，将步骤s41预处理后的图像送入目标手势检测模型进行手势检测，检测结果包含每个人体区域图像上存在的目标手势各自的区域坐标位置以及置信度；
22、步骤s61，对步骤s51检测到的所有目标手势区域坐标位置信息进行处理，获得目标手势区域信息。
23、进一步的，步骤s41中，将步骤s2032提取到的有效人体区域图像进行图像预处理的步骤包括：
24、步骤s3041，分别对步骤s2032提取到的所有有效人体区域图像的宽高进行比较，找到人体区域图像的最长边，将短边用灰色进行像素填充至与最长边等长，将人体区域图像由矩形填充至正方形；
25、步骤s3042，对步骤s3041经像素填充后的正方形人体区域图像进行等比缩放，缩放至目标手势检测模型输入图像分辨率大小，然后对所有像素点进行均值方差归一化；
26、步骤s3043，对步骤s3042经归一化的图像进行颜色通道转换，由bgr转换为rgb，并将图像维度由h、w、c转换为c、h、w，其中，h为图像的高度，w为图像的宽度，c为图像的颜色通道数，至此得到目标手势检测模型的输入图像。
27、进一步的，步骤s61中，对步骤s51检测到的所有目标手势区域坐标位置信息进行处理，获得目标手势区域信息的步骤包括：
28、步骤s3061，去除冗余重叠检测框，对步骤s51检测到的所有目标手势区域坐标位置信息进行nms非极大值抑制处理，剔除低置信度的重叠检测框，每个目标只保留iou大于预设阈值并且置信度大于预设阈值且最高的检测框；
29、步骤s3062，对步骤s3061处理后的目标手势检测框映射回对应在步骤s11中原图上，得到实际在原图上的目标手势检测框；为避免检测框未将手指完整地包含在内，对检测框的大小进行微调。
30、进一步的，对检测框的大小进行微调的步骤包括：
31、先计算出目标手势检测框的中心点坐标以及宽高，然后进行比较，找到最长边，选取最长边为边长，结合中心点坐标，将步骤s3061中原图上的目标手势检测框修正为正方形检测框，并将检测框的宽高等比放大0.3倍，再从原图中裁出微调后的目标手势检测框区域，得到步骤s11中原图中所有有效目标手势区域图像。
32、进一步的，将所有目标手势区域图本文档来自技高网...
【技术保护点】
1.一种超轻量远距离的静态手势识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种超轻量远距离的静态手势识别方法，其特征在于，将捕获到的视频帧送入人体检测模型进行人体定位，获得人体区域图像的步骤包括：
3.根据权利要求2所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤S21中，将步骤S11提取到的图像进行图像预处理的步骤包括：
4.根据权利要求2所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤S31包括以下步骤：
5.根据权利要求1所述的一种超轻量远距离的静态手势识别方法，其特征在于，将人体区域图像送入目标手势检测模型来对目标手势进行定位，获得目标手势区域信息的步骤包括：
6.根据权利要求5所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤S41中，将步骤S2032提取到的有效人体区域图像进行图像预处理的步骤包括：
7.根据权利要求6所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤S61中，对步骤S51检测到的所有目标手势区域坐标位置信息进行处理，获得目标手
8.根据权利要求7所述的一种超轻量远距离的静态手势识别方法，其特征在于，对检测框的大小进行微调的步骤包括：
9.根据权利要求1所述的一种超轻量远距离的静态手势识别方法，其特征在于，将所有目标手势区域图像送入目标手势分类模型来对目标手势进行分类识别的步骤包括：
10.根据权利要求9所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤S71中，将步骤S3062提取到的有效目标手势区域图像进行图像预处理的步骤包括：
...【技术特征摘要】
1.一种超轻量远距离的静态手势识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种超轻量远距离的静态手势识别方法，其特征在于，将捕获到的视频帧送入人体检测模型进行人体定位，获得人体区域图像的步骤包括：
3.根据权利要求2所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤s21中，将步骤s11提取到的图像进行图像预处理的步骤包括：
4.根据权利要求2所述的一种超轻量远距离的静态手势识别方法，其特征在于，步骤s31包括以下步骤：
5.根据权利要求1所述的一种超轻量远距离的静态手势识别方法，其特征在于，将人体区域图像送入目标手势检测模型来对目标手势进行定位，获得目标手势区域信息的步骤包括：
6.根据权利要求5所述的一种超轻量远距离的静态手势识别方法，其...
【专利技术属性】
技术研发人员：王亮，杨悦，黄正林，王欢良，
申请(专利权)人：苏州奇梦者科技有限公司，
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。