鄒瀟+鄭慶慶+李冰

摘 要：手勢(shì)識(shí)別是人機(jī)交互領(lǐng)域的一種重要手段。針對(duì)現(xiàn)有算法識(shí)別率低，魯棒性弱的問題，本文基于Kinect傳感器獲取的手勢(shì)深度圖像，對(duì)復(fù)雜背景干擾下的手部區(qū)域進(jìn)行分割，然后利用梯度方向直方圖（HOG）對(duì)手部灰度圖像進(jìn)行特征提取，最后利用最小馬氏距離分類器進(jìn)行建模、分類，實(shí)現(xiàn)靜態(tài)手勢(shì)識(shí)別。根據(jù)Kinect傳感器獲取的深度信息結(jié)合閾值分割法，能夠準(zhǔn)確地檢測(cè)手部區(qū)域，為后續(xù)識(shí)別打下良好的基礎(chǔ)。而HOG特征適應(yīng)光照的變化，且具有幾何不變矩的特性。實(shí)驗(yàn)結(jié)果表明，本文提出的手勢(shì)識(shí)別方法在光照變化和復(fù)雜背景干擾下具有較強(qiáng)的魯棒性和較高的識(shí)別率。

關(guān)鍵詞：Kinect傳感器；深度信息；HOG特征；手勢(shì)分割；手勢(shì)識(shí)別

DOIDOI：10.11907/rjdk.172288

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）002-0028-03

0 引言

手勢(shì)識(shí)別具有直觀性、自然性和豐富性的特點(diǎn)，其識(shí)別研究引起了人們極大的關(guān)注，在人機(jī)交互領(lǐng)域成為主流。根據(jù)手勢(shì)采集設(shè)備不同，可以分為基于數(shù)據(jù)手套的手勢(shì)識(shí)別和基于計(jì)算機(jī)視覺的手勢(shì)識(shí)別。基于計(jì)算機(jī)視覺的手勢(shì)識(shí)別無需穿戴數(shù)據(jù)手套，使操作者更加自然地進(jìn)行人機(jī)交互，目前已經(jīng)成為手勢(shì)識(shí)別的研究重點(diǎn)[1-3]。

本文研究對(duì)象是靜態(tài)手勢(shì)，其識(shí)別的一般流程如圖1所示。對(duì)于一幅輸入圖像，首先分割出手部區(qū)域，其次在手部區(qū)域提取某種特征描述子來表示該手勢(shì)的特性，最后采用某種分類方法對(duì)手勢(shì)進(jìn)行識(shí)別。其中手部區(qū)域分割是手勢(shì)識(shí)別的基礎(chǔ)，手勢(shì)輪廓提取的完整度對(duì)后續(xù)手勢(shì)特征的提取以及手勢(shì)識(shí)別有很大影響。由于膚色在顏色空間有很好的聚類特性，目前很多成熟的算法都是基于膚色模型來分割手勢(shì)。例如采用高斯方法，對(duì)復(fù)雜背景有很好的識(shí)別效果，但是高斯模型復(fù)雜，計(jì)算量大，不適合實(shí)時(shí)操作。2010年微軟推出Kinect外設(shè)傳感器，可以獲取深度圖像，根據(jù)人手區(qū)域與背景區(qū)域在深度圖像中具有不同的深度值，利用簡(jiǎn)單的閾值分割法來進(jìn)行手勢(shì)區(qū)域檢測(cè)?；谏疃葓D像的手勢(shì)識(shí)別方法受光照和復(fù)雜背景的干擾小，成為近年來的研究熱點(diǎn)。

靜態(tài)手勢(shì)識(shí)別的各個(gè)模塊如圖1所示，特征提取步驟對(duì)手勢(shì)識(shí)別系統(tǒng)的性能有至關(guān)重要的作用，同時(shí)影響著手勢(shì)識(shí)別的準(zhǔn)確率和效率。手部區(qū)域特征大致分為三類：低層特征、中層特征和高層特征。低層特征從原始的3維空間域或其變換域產(chǎn)生，Keskin[4]等定義了一種像素點(diǎn)深度特征集合來構(gòu)造手勢(shì)特征，這些描述手不同位置信息的特征在一個(gè)大的特征空間里匹配起來非常耗時(shí)。為了減少訓(xùn)練時(shí)間和內(nèi)存消耗，Kuznetsova[5]等提出使用ESF描述子提取手部區(qū)域特征，ESF描述子由點(diǎn)云中隨機(jī)點(diǎn)的直方圖串聯(lián)構(gòu)成。除了深度信息、Haarlet系數(shù)[6]、Gabor系數(shù)[7]和Flusser不變矩[8]也被用來提取有效的旋轉(zhuǎn)和光照不變的手勢(shì)特征，相對(duì)于低層特征的全局性，中層特征通?；诰植棵枋鲎印Ｊ植繀^(qū)域可以劃分成矩形或扇形的細(xì)胞單元，所有細(xì)胞單元中點(diǎn)的直方圖串聯(lián)起來形成局部描述子。高層特征是指細(xì)致的手部輪廓，Ren[9]等用時(shí)間曲線表達(dá)手部形狀，曲線的每一段對(duì)應(yīng)一個(gè)手指，時(shí)間曲線記錄了每個(gè)輪廓頂點(diǎn)到中心點(diǎn)的相對(duì)距離，同時(shí)保存了拓?fù)湫畔ⅰu不變矩具有平移、旋轉(zhuǎn)、縮放不變性。王先軍等[10]利用7個(gè)Hu不變矩進(jìn)行手勢(shì)識(shí)別，取得了較高的識(shí)別率，但是他缺乏局部特征描述。Chang等[11]利用CSS描述子對(duì)簡(jiǎn)單手勢(shì)取得了很好的識(shí)別效果，對(duì)比較復(fù)雜的手勢(shì)卻無能為力，這是由于CSS描述子缺乏全局信息?；旌鲜謩?shì)特征可以結(jié)合不同層次的特征，嵌入局部和全局的信息，例如Liu[12]等人采用了手指、手掌，前臂的平移、旋轉(zhuǎn)和尺度不變?nèi)N幾何特征。為了評(píng)估不同的3維手勢(shì)特征，Sorce[13]等在不同的照明條件下比較了手部邊緣特征與SURF描述子。實(shí)驗(yàn)表明：一方面，除非不依賴光照的邊緣提取算法，否則利用邊緣特征來識(shí)別效果很差；另一方面，基于SURF的特征在可選的光照條件下是最好的。這些實(shí)驗(yàn)結(jié)果能幫助研究者設(shè)計(jì)更有效的手勢(shì)識(shí)別特征。

本文提出一種基于Kinect深度信息，并結(jié)合HOG特征方法對(duì)靜態(tài)手勢(shì)進(jìn)行識(shí)別。首先利用Kinect相機(jī)獲取的深度圖像分割出手勢(shì)區(qū)域，其次提取該區(qū)域的HOG特征，最后采用馬氏距離對(duì)特征進(jìn)行分類，從而實(shí)現(xiàn)手勢(shì)識(shí)別。

1 基于Kinect深度信息的手勢(shì)分割

Kinect是微軟開發(fā)的一款家用視頻游戲主機(jī)XBOX360的體感周邊外設(shè)，是一種3D體感攝像機(jī)[14]。其有3個(gè)鏡頭，中間鏡頭是RGB彩色攝像機(jī)，左右兩邊的鏡頭分別為紅外線發(fā)射器和紅外線CMOS攝影機(jī)所構(gòu)成的3D深度感應(yīng)器，可以同時(shí)獲得一個(gè)場(chǎng)景的RGB圖像和深度圖像。深度圖像是一個(gè)“深度場(chǎng)”，其中每一個(gè)像素的顏色代表了那一點(diǎn)物體到攝像頭的距離，離攝像頭越近的物體越亮。由于采集手勢(shì)時(shí)，人手通常置于攝像頭的最前端，根據(jù)深度閾值能夠有效地將手部圖像分割出來。實(shí)際應(yīng)用中，Kinect傳感器獲得的深度圖像存在一些空洞和噪聲點(diǎn)，尤其在目標(biāo)的邊界處得到的深度值不穩(wěn)定，需要進(jìn)行預(yù)處理。本文采用一種非線性的深度中值濾波算法[15]對(duì)深度圖像預(yù)處理，可以去掉一些孤立的噪聲點(diǎn)，保留手部邊緣。圖2給出了手勢(shì)分割的一個(gè)示例，圖2（a）為Kinect相機(jī)獲取的RGB彩色圖像，圖2（b）為其相應(yīng)的深度圖像，經(jīng)過去噪等預(yù)處理，基于灰度直方圖（如圖2（c）所示）進(jìn)行手勢(shì)分割，得到圖2（d）所示的手部區(qū)域。

2 HOG特征提取

Dalal于2005年提出HOG（梯度方向直方圖）特征，由于該特征對(duì)光照變化和復(fù)雜背景具有較好的魯棒性，在行人檢測(cè)的應(yīng)用中取得了較好的效果。本文將HOG特征用于手勢(shì)識(shí)別，在一幅圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。HOG特征還可以描述整個(gè)手部區(qū)域的灰度變化情況，位置和方向空間的量化可以一定程度上抑制旋轉(zhuǎn)帶來的影響。endprint

手勢(shì)HOG特征的提取步驟如下[16-17]：

（1）將輸入圖像灰度化。

（2）使用一維離散微分模板分別在水平和垂直方向上計(jì)算圖像中每個(gè)像素的梯度Gx（x，y）和Gy（x，y），然后根據(jù)公式（1）得到每個(gè)像素梯度的幅值G（x，y）和方向α（x，y），這主要是為了捕獲輪廓信息，同時(shí)弱化光照的干擾。

（3）將圖像劃分成小的細(xì)胞單元（稱為cell），為cell構(gòu)建梯度方向直方圖，cell中的每個(gè)像素點(diǎn)為直方圖的bin進(jìn)行加權(quán)投票，權(quán)值根據(jù)像素點(diǎn)的梯度幅值進(jìn)行高斯加權(quán)得到。

（4）將若干個(gè)相互連通的cell組成一個(gè)區(qū)間（稱為block），一個(gè)block內(nèi)所有cell的特征向量串聯(lián)起來便得到該block的HOG特征。這些區(qū)間互有重疊，意味著每一個(gè)cell的特征會(huì)以不同的結(jié)果多次出現(xiàn)在最后的特征向量中。

（5）在block中進(jìn)行梯度歸一化得到描述符，即HOG特征。由于局部光照的變化以及前景—背景對(duì)比度的變化，使得梯度變化幅度比較大，需要對(duì)其以L2范數(shù)為因子進(jìn)行歸一化處理。

HOG特征向量的長(zhǎng)度D由圖像大小，cell大小，每個(gè)cell的梯度方向直方圖的bin數(shù)以及block大小和移動(dòng)步長(zhǎng)決定。其計(jì)算方法如公式（2）：

其中，cDim表示每個(gè)cell的特征維數(shù)，bSize表示block大小，cSize表示cell大小，bStep表示移動(dòng)步長(zhǎng)，w和h表示圖像的寬和長(zhǎng)。

3 基于Kinect傳感器和HOG特征的靜態(tài)手勢(shì)識(shí)別

3.1 實(shí)驗(yàn)方法

為了驗(yàn)證本文提出方法的有效性，采集10位志愿者的4種手勢(shì)（即剪刀、石頭、布和另一種任意手勢(shì)），每種手勢(shì)做10遍，得到400個(gè)手勢(shì)樣本，測(cè)試樣本和訓(xùn)練樣本各占總體的1/2，對(duì)前3類手勢(shì)的訓(xùn)練樣本，每類50個(gè)手勢(shì)用同樣的方法提取HOG特征作為模板庫。為了減少HOG特征向量的維數(shù)，將分割出來的手勢(shì)灰度圖像歸一化到64×64像素，cell大小取為8×8像素，每個(gè)cell的特征維數(shù)為9，相鄰2×2個(gè)cell構(gòu)成1個(gè)block，block的移動(dòng)步長(zhǎng)為8個(gè)像素，那么根據(jù)公式（2）求得一幅手勢(shì)圖像的HOG特征為1764維的向量。

在分類判決階段，利用測(cè)試樣本的HOG特征與標(biāo)準(zhǔn)模板之間的馬氏距離最小且不超過某一閾值作為判斷準(zhǔn)則。該閾值由測(cè)試樣本與50個(gè)另一種任意手勢(shì)的訓(xùn)練樣本的HOG特征集的最小距離決定，超過閾值即判斷手勢(shì)無效，返回。馬氏距離針對(duì)所有特征向量均衡處理，而且與尺度無關(guān)，因此采用馬氏距離來計(jì)算測(cè)試樣本與模板之間的相似度是比較合適的[15]，表達(dá)式如公式（3）所示。

其中，x為測(cè)試樣本的HOG特征向量，μ=（μ1，μ2，…，μN(yùn)）T為模板庫特征數(shù)據(jù)計(jì)算出的平均值所組成的一組向量，S為協(xié)方差矩陣。馬氏距離越小，相似度越高。

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中采用MATLABGUI生成一個(gè)操作界面，能夠自動(dòng)識(shí)別隨機(jī)輸入的兩種測(cè)試手勢(shì)，并作出輸贏比較，各種實(shí)驗(yàn)結(jié)果如圖3所示?？梢?，本文方法對(duì)于剪刀、石頭、布這3類手勢(shì)的平均識(shí)別率達(dá)到了98.5%。

4 結(jié)語

近年來，手勢(shì)識(shí)別技術(shù)在人機(jī)交互領(lǐng)域受到越來越多的關(guān)注。本文主要研究了基于Kinect傳感器的靜態(tài)手勢(shì)檢測(cè)與識(shí)別方法，在預(yù)處理階段，利用深度信息進(jìn)行手勢(shì)分割有效地避免了光照和復(fù)雜背景對(duì)檢測(cè)手勢(shì)區(qū)域的干擾，后續(xù)引入的HOG特征具有旋轉(zhuǎn)不變的特性，且適應(yīng)光照變化，因此結(jié)合二者的靜態(tài)手勢(shì)識(shí)別方法獲得了較高的識(shí)別率。本文用來測(cè)試的手勢(shì)比較簡(jiǎn)單，而且采集深度圖像時(shí)，志愿者的手伸到了最前端，使得在預(yù)處理階段就能獲得準(zhǔn)確的手部輪廓，今后的工作將豐富手形的變化，建立一個(gè)完整的手勢(shì)數(shù)據(jù)庫，從而進(jìn)一步提高Kinect傳感器的靜態(tài)手勢(shì)檢測(cè)與識(shí)別方法的推廣。

參考文獻(xiàn)：

[1] 劉陽，尚趙偉.基于Kinect骨架信息的交通警察手勢(shì)識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（3）：157-161.

[2] 劉亞瑞，楊文璐.基于Kinect和變形雅可比-傅里葉矩的手勢(shì)識(shí)別[J].傳感器與微系統(tǒng)，2016，35（7）：48-50.

[3] 周天彤，徐飛林，張旖帆，等.基于unity和kinect的交警手勢(shì)識(shí)別仿真系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制，2016，24（5）：156-159.

[4] C KESKIN， F KIRAC， Y KARA， et al. Randomized decision forests for static and dynamic hand shape classification[J]. IEEE CVPR Workshops，2012：31-36.

[5] A KUZNETSOVA， L LEAL-TAIXE， B Rosenhahn. Real-time sign language recognition using a consumer depth camera[J]. IEEE ICCV Workshops，2014：83-90.

[6] M VAN DEN BERGH， D CARTON， R DE NIJS， et al. Real-time 3D hand gesture interaction with a robot for understanding directions from humans[J]. IEEE RO-MAN，2011：357-362.

[7] N PUGEAULT， R BOWDEN. Spelling it out： real-time ASL finger-spelling recognition[J]. IEEE ICCV， 2012，28（5）：1114-1119.endprint

[8] L GALLO， A PLACITELLI. View-independent hand posture recognition from single depth images using PCA and flusser moments[C]. International Conference on Signal Image Technology and Internet Based Systems，2012：898-904.

[9] Z REN，J YUAN，Z ZHANG. Robust hand gesture recognition based on finger-earth movers distance with a commodity depth camera[C]. ACM International Conference on Multimedia，2011：1093-1096.

[10] 王先軍，白國振，楊勇明.復(fù)雜背景下BP神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件，2013，30（3）：247-249，267.

[11] CHANG C C， LIU CHENGYI， TAIWENKAI. Feature alignment approach for hand posture recognition based on curvature scale space[J]. Neuro-computing，2008，71（10）：1947-1953.

[12] Y LIU，Y YANG，L WANG， et al. Image processing and recognition of multiple static hand gestures for human-computer interaction[J]. ICIG，2013：465-470.

[13] S SORCE，V GENTILE，A GENTILE. Real-time hand pose recognition based on a neural network using Microsoft kinect[C]. IEEE International Conference on Broadband and Wireless Computing， Communication and Applications，2013：344-350.

[14] 羅元，謝彧，張毅.基于Kinect傳感器的智能輪椅手勢(shì)控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].機(jī)器人，2012，34（1）：110-113.

[15] 蒲興成，王濤.基于改進(jìn)Hu矩算法的Kinect手勢(shì)識(shí)別[J].計(jì)算機(jī)工程，2016，42（7）：165-172

[16] 任彧，顧成成.基于HOG特征和SVM的手勢(shì)識(shí)別[J].科技通報(bào)，2011，27（2）：211-214.

[17] 劉淑萍，劉羽，於俊，等.結(jié)合手指檢測(cè)和HOG特征的分層靜態(tài)手勢(shì)識(shí)別[J].中國圖象圖形學(xué)報(bào)，2015，20（6）：0782-0788.endprint