本文關鍵詞：基于ARM的Kinect手勢識別研究

  更多相關文章： Kinect ARM 手勢識別 SVM DTW

【摘要】：隨著計算機技術的飛速發(fā)展,基于計算機視覺的手勢識別技術已成為人機交互技術的關鍵技術。基于Kinect深度圖像進行手勢識別技術研究是當今的研究熱點,利用Kinect相機可以同時獲取圖像的彩色和深度信息,將Kinect與嵌入式平臺相結合來研究手勢識別技術,可為可穿戴計算等相關應用提供技術支撐,具有很好的應用價值。本文的主要工作如下:第一,手勢識別技術可以分為:預處理,手勢分割,特征提取和分類識別等幾個步驟。針對每個步驟分析了常用的算法,為后期提出新的算法提供理論基礎。第二,提出一種靜態(tài)手勢識別算法,采用同心圓切割算法獲取手勢個數(shù)特征,結合Hu不變矩的前4個分量作為特征向量,先按手指個數(shù)進行預分類,之后,通過SVM分類器進行分類識別。第三,提出一種動態(tài)手勢識別算法,以歸一化的手指長度作為特征向量,結合新的距離模式——錨定距離,采用DTW LB算法進行手勢序列識別。第四,針對嵌入式Linux平臺,搭建Kinect相機開發(fā)環(huán)境,對兩種手勢識別算法進行移植,實現(xiàn)基于ARM嵌入式平臺的Kinect手勢識別雛形系統(tǒng)。實驗結果表明,算法手勢識別率平均達到80%以上,且滿足了實時性要求。
【關鍵詞】：Kinect ARM 手勢識別 SVM DTW
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-11
• 1 緒論11-16
• 1.1 課題的研究背景和意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 手勢識別技術研究現(xiàn)狀11-13
• 1.2.2 嵌入式平臺圖像處理技術研究現(xiàn)狀13
• 1.2.3 本文的研究內(nèi)容和方法13-14
• 1.3 論文組織結構和章節(jié)安排14-16
• 2 手勢識別技術中的常用方法16-33
• 2.1 引言16
• 2.2 手勢圖像預處理16-18
• 2.2.1 局部平均法16-17
• 2.2.2 中值濾波17
• 2.2.3 高斯濾波17-18
• 2.2.4 圖像二值化18
• 2.3 手勢分割18-23
• 2.3.1 常見的色彩空間介紹18-20
• 2.3.2 基于膚色檢測的分割算法20-23
• 2.3.3 基于深度圖像閾值分割算法23
• 2.4 特征提取23-27
• 2.4.1 手勢簡單形狀描述特征24-25
• 2.4.2 手勢圖像的統(tǒng)計特征25-26
• 2.4.3 手勢圖像的輪廓特征26-27
• 2.5 分類識別27-32
• 2.5.1 模板匹配27-28
• 2.5.2 支持向量機28-29
• 2.5.3 神經(jīng)網(wǎng)絡29-30
• 2.5.4 隱馬爾可夫模型30-31
• 2.5.5 動態(tài)時間歸整31-32
• 2.6 本章小結32-33
• 3 基于Kinect深度圖像的靜態(tài)手勢識別33-45
• 3.1 引言33-34
• 3.2 深度圖像獲取與分割預處理34-38
• 3.2.1 Kinect深度圖像獲取原理34
• 3.2.2 深度圖像閾值分割34-35
• 3.2.3 高斯濾波35-36
• 3.2.4 Canny算子邊緣輪廓提取36-37
• 3.2.5 手臂區(qū)域切除37-38
• 3.3 特征提取38-40
• 3.3.1 手指個數(shù)特征提取38-39
• 3.3.2 Hu不變矩39-40
• 3.4 手勢分類識別40-42
• 3.4.1 手勢預分類41
• 3.4.2 支持向量機分類識別41-42
• 3.5 實驗結果分析42-43
• 3.6 本章小結43-45
• 4 基于Kinect深度圖像的動態(tài)手勢識別45-53
• 4.1 引言45
• 4.2 動態(tài)手勢分割45-47
• 4.2.1 深度閾值預分割45-46
• 4.2.2 手勢區(qū)域細分46-47
• 4.3 特征提取47-48
• 4.4 動態(tài)手勢序列識別48-50
• 4.4.1 DTW算法48-49
• 4.4.2 新的距離模式49-50
• 4.5 改進分層DTW算法手勢序列識別50-51
• 4.6 實驗結果分析51-52
• 4.7 本章小結52-53
• 5 ARM嵌入式平臺的手勢識別53-66
• 5.1 引言53
• 5.2 嵌入式系統(tǒng)與ARM芯片簡介53-55
• 5.2.1 嵌入式系統(tǒng)簡介53-54
• 5.2.2 常見嵌入式操作系統(tǒng)介紹54
• 5.2.3 ARM芯片簡介54-55
• 5.3 ARM嵌入式平臺開發(fā)環(huán)境搭建55-60
• 5.3.1 系統(tǒng)硬件環(huán)境介紹55-56
• 5.3.2 系統(tǒng)軟件環(huán)境介紹56
• 5.3.3 ARM嵌入式開發(fā)平臺的搭建56-60
• 5.4 手勢識別算法在嵌入式平臺上的實現(xiàn)60-63
• 5.4.1 手勢樣本庫的建立61
• 5.4.2 手勢分割及預處理61
• 5.4.3 手勢特征提取61
• 5.4.4 手勢分類識別61-62
• 5.4.5 手勢識別系統(tǒng)實現(xiàn)62-63
• 5.5 實驗結果分析63-65
• 5.5.1 靜態(tài)手勢識別算法實驗結果分析63-64
• 5.5.2 動態(tài)手勢識別算法實驗結果分析64-65
• 5.6 本章小結65-66
• 6 總結與展望66-68
• 6.1 本文總結66-67
• 6.2 未來研究內(nèi)容和展望67-68
• 參考文獻68-72
• 攻讀碩士學位期間發(fā)表的論文及所取得的研究成果72-73
• 致謝73-74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鄧紅莉;楊韜;;基于虛擬現(xiàn)實與手勢識別的人機交互系統(tǒng)[J];中國新通信;2015年05期

2 滕岳;呂勇;毛海波;;基于嵌入式系統(tǒng)的手勢識別[J];現(xiàn)代計算機(專業(yè)版);2015年01期

3 王博龍;房建成;;基于Kinect傳感器的近場手勢識別追蹤系統(tǒng)的實現(xiàn)[J];電子設計工程;2014年13期

4 楊鴻;錢X;戴先中;馬旭東;房芳;;基于Kinect傳感器的移動機器人室內(nèi)環(huán)境三維地圖創(chuàng)建[J];東南大學學報(自然科學版);2013年S1期

5 何超;胡章芳;王艷;;一種基于改進DTW算法的動態(tài)手勢識別方法[J];數(shù)字通信;2013年03期

6 史久根;陳志輝;;基于運動歷史圖像和橢圓擬合的手勢分割[J];計算機工程與應用;2014年22期

7 曹雛清;李瑞峰;趙立軍;;基于深度圖像技術的手勢識別方法[J];計算機工程;2012年08期

8 董立峰;阮軍;馬秋實;汪雷;;基于不變矩和支持向量機的手勢識別[J];微型機與應用;2012年06期

9 翁漢良;戰(zhàn)蔭偉;;基于視覺的多特征手勢識別[J];計算機工程與科學;2012年02期

10 羅元;謝_g;張毅;;基于Kinect傳感器的智能輪椅手勢控制系統(tǒng)的設計與實現(xiàn)[J];機器人;2012年01期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 李外云;基于ARM架構的嵌入式人臉識別技術研究[D];華東師范大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 冷昕;基于ARM的手寫體數(shù)字識別系統(tǒng)設計與實現(xiàn)[D];暨南大學;2015年

2 張好;基于Kinect的手勢識別及其應用[D];大連理工大學;2014年

3 劉陽;基于Kinect的手勢識別技術研究[D];重慶大學;2014年

4 梁喜軍;基于ARM嵌入式平臺的視覺手勢識別技術研究[D];蘭州理工大學;2014年

5 王松林;基于Kinect的手勢識別與機器人控制技術研究[D];北京交通大學;2014年

6 鄭斌玨;基于Kinect深度信息的手勢識別[D];杭州電子科技大學;2014年

7 李長龍;基于Kinect深度圖像的手勢識別研究[D];西華大學;2014年

8 高靜雅;人機交互中的手勢識別技術研究[D];西安電子科技大學;2013年

9 羅娜;基于OpenCV的自然手勢識別與交互系統(tǒng)研究[D];廣東工業(yè)大學;2012年

10 常亞南;基于HMM的動態(tài)手勢識別[D];華南理工大學;2012年

，

本文編號：1097181