董 娜

(華北計(jì)算技術(shù)研究所，北京 100083)

基于彩色圖像的手部特征點(diǎn)自動(dòng)識(shí)別方法

董 娜

(華北計(jì)算技術(shù)研究所，北京 100083)

手部特征點(diǎn)識(shí)別是手部尺寸測(cè)量的關(guān)鍵問題，本文給出了基于彩色圖像的手部特征點(diǎn)自動(dòng)識(shí)別方法。首先，給出了提取手部輪廓的算法，基本原理是利用人體皮膚的色調(diào)特征將手部彩色圖像二值化并提取手部輪廓，其優(yōu)點(diǎn)是圖像二值化過程在YUV空間進(jìn)行，不受測(cè)量個(gè)體膚色差異、光照、遮擋等因素的影響。然后，給出了在手部輪廓線上自動(dòng)識(shí)別全部 25個(gè)特征點(diǎn)方法，針對(duì)特征點(diǎn)的不同特點(diǎn)給出了不同的處理方法，位于指尖以及指縫末端處的特征點(diǎn)，使用了 DOS方法進(jìn)行自動(dòng)識(shí)別，其他特征點(diǎn)則利用統(tǒng)計(jì)得到的經(jīng)驗(yàn)公式進(jìn)行計(jì)算。實(shí)驗(yàn)結(jié)果說明，本文給出的算法在手部特征點(diǎn)的自動(dòng)識(shí)別率和準(zhǔn)確率上都已經(jīng)能夠滿足手部尺寸測(cè)量的需要，并且具有較強(qiáng)的魯棒性，已成功應(yīng)用于未成人和軍人等的手部尺寸測(cè)量系統(tǒng)中。

手部測(cè)量；輪廓提??；特征識(shí)別；手部特征點(diǎn)

0 引言

手部特征點(diǎn)識(shí)別是手部尺寸測(cè)量和手部身份認(rèn)證等的關(guān)鍵問題[1-6]。本文給出基于彩色圖像的手部特征點(diǎn)自動(dòng)識(shí)別方法，該研究以全國(guó)未成年人和軍人等的“手部尺寸自動(dòng)測(cè)量系統(tǒng)”[1]為背景。

由于特征點(diǎn)主要分布在手部的輪廓線上，手部輪廓的提取是手部測(cè)量中非常重要環(huán)節(jié)，得到手部輪廓線后，提取特征點(diǎn)以及計(jì)算測(cè)量項(xiàng)都可以在手部邊界點(diǎn)集序列的基礎(chǔ)上進(jìn)行的。本文第一節(jié)給出了一種在彩色手部圖像中提取手部輪廓的方法。首先利用膚色信息將手與背景區(qū)分出來(lái)，生成二值化圖像；然后利用中值濾波器消除噪聲影響，然后，用邊界跟蹤方法得到手部邊界點(diǎn)集序列，從而得到手部的輪廓點(diǎn)集。

特征點(diǎn)識(shí)別是手部測(cè)量算法所面對(duì)的主要問題，本文第二節(jié)在提取手部輪廓線的基礎(chǔ)上，給出了在手部輪廓線上自動(dòng)識(shí)別全部25個(gè)特征點(diǎn)方法，其中，位于指尖以及指縫末端處的特征點(diǎn)，由于手部輪廓在經(jīng)過這些位置時(shí)方向改變顯著，使用了DOS（Difference of Slopes）[7,8]方法得到輪廓點(diǎn)的曲率特征曲線，然后經(jīng)兩次濾波處理以及閾值分割等方法，最終得到了比較準(zhǔn)確的特征點(diǎn)位置；剩余的特征點(diǎn)則利用手部各個(gè)位置之間的比例關(guān)系在輪廓上進(jìn)行提取。

1 手部特征點(diǎn)定義

手部尺寸測(cè)量系統(tǒng)的輸入為兩幅標(biāo)準(zhǔn)姿態(tài)的手部彩色圖像，姿勢(shì)1為手指并攏，姿勢(shì)2為手指伸開；系統(tǒng)的輸出為特征點(diǎn)的坐標(biāo)和測(cè)量項(xiàng)尺寸，測(cè)量項(xiàng)（如手長(zhǎng)、手寬、食指長(zhǎng)、拇指關(guān)節(jié)寬等）根據(jù)相關(guān)特征點(diǎn)的位置進(jìn)行計(jì)算，因此系統(tǒng)的關(guān)鍵問題為手部特征點(diǎn)的識(shí)別問題，其成功率和準(zhǔn)確程度直接影響到最終的測(cè)量結(jié)果；系統(tǒng)要求在兩個(gè)姿態(tài)下共識(shí)別25個(gè)特征點(diǎn)，其位置和分布如圖2。

圖1 系統(tǒng)的輸入輸出圖

圖2 特征點(diǎn)位置分布圖

2 手部輪廓提取

基于彩色圖像的手部輪廓提取算法的主要步驟如下：（1）色度變換；（2）二值化；（3）中值濾波器濾波；（4）輪廓提取?？紤]到手部區(qū)域與背景區(qū)域的灰度差別不明顯，若直接利用灰度信息來(lái)進(jìn)行二值化會(huì)導(dǎo)致前景和背景區(qū)分效果不好。因此先對(duì)彩色圖像進(jìn)行色度變換，利用彩色信息首先將手部從背景中分割出來(lái)并生成二值化圖像，再經(jīng)濾波處理后，采用輪廓跟蹤算法提取手部輪廓點(diǎn)集序列，從而得到手部輪廓點(diǎn)集。

2.1 色度變換

通過掃描儀掃描產(chǎn)生的原始手部圖像如圖3（a）所示。要提取手部輪廓，首先需要將手部從背景中分割出來(lái)。

圖3 （a）原始手部圖像；（b）原始圖像的灰度圖像；（c）灰度圖像二值化

圖3（b）是圖3（a）對(duì)應(yīng)的灰度圖像，采用一個(gè)合適的閾值對(duì)灰度圖像進(jìn)行分割[9,10]，結(jié)果如 3（c）所示。由于手部和背景的灰度差別不大，可以看到相當(dāng)大一部分背景與手部沒有成功的區(qū)分開。然而在原始的彩色圖像中，用肉眼則可以比較明顯的分辨出兩者之間的差異。因此，應(yīng)該考慮利用手部色彩信息進(jìn)行輪廓提取。

通常的彩色圖像一般采用 RGB色彩模型來(lái)進(jìn)行描述，RGB色彩模型中任何色彩都可由紅、綠、藍(lán)三原色通過不同的比例混合而成。然而，這種顏色的表示方式與人在實(shí)際中解釋顏色的方式是不一致的。人在實(shí)際中觀察一個(gè)物體時(shí)，通常是用色調(diào)、色飽和度以及亮度來(lái)描述顏色。而且，當(dāng)光照和環(huán)境發(fā)生變化時(shí)，同一種顏色的RGB分量會(huì)有顯著不同，但是色調(diào)和色飽和度則不受影響。對(duì)于手部圖像而言，手內(nèi)部光線強(qiáng)的部分與光線弱部分之間RGB分量的差異，就可能會(huì)大于它們與背景色之間RGB分量的差異，這對(duì)于手部分割非常不利。

YUV顏色空間是被廣泛應(yīng)用于電視信號(hào)以及圖像、視頻壓縮領(lǐng)域的另外一種顏色表示方法。其三個(gè)分量中Y分量表示亮度，即所謂灰度值，U、V兩個(gè)分量描述色彩信息，分別表示色度以及飽和度。這種顏色的表示方式與人在實(shí)際中解釋顏色的方式是一致的。

YUV空間跟RGB空間之間為一種線性關(guān)系，可以互相轉(zhuǎn)換，轉(zhuǎn)換公式如下：

其中，U、V兩個(gè)分量在二維坐標(biāo)平面中構(gòu)成了表示色度的矢量；幅角表示色彩的色調(diào)，與光的強(qiáng)度無(wú)關(guān)。

為證實(shí)幅角φ有助于我們區(qū)分手部與背景，我們將圖3（a）由RGB空間變換到Y(jié)UV空間并計(jì)算每一個(gè)點(diǎn)的幅角φ，再將φ做放縮變換映射到 RGB空間中的R分量，G和B分量均取0，生成相應(yīng)的圖像如圖4所示。由此可以看到，手內(nèi)部點(diǎn)與背景點(diǎn)的色調(diào)差異非常顯著，可用于手部分割。

2.2 二值化

利用手部與背景之間色調(diào)的差異，就可以進(jìn)行彩色圖像的二值化。黃色人種的膚色色調(diào)相對(duì)比較固定，經(jīng)驗(yàn)證表明它基本落在（90,150）范圍之內(nèi)。通過對(duì)圖像中的每一個(gè)點(diǎn)都計(jì)算其色調(diào)，然后利用上述閾值范圍進(jìn)行過濾，如果落在閾值范圍之內(nèi)，則將該點(diǎn)設(shè)為黑色，否則設(shè)為白色，得到二值化的黑白圖像如圖4（b）所示。

圖4 （a）原始圖像由RGB空間變換到Y(jié)UV空間；（b）二值化得到的黑白圖像；（c）經(jīng)中值濾波后的圖像

2.3 中值濾波器濾波

二值化后得到的圖像中存在明顯的椒鹽噪聲（白色背景中有許多黑點(diǎn)，同時(shí)手的內(nèi)部有許多白點(diǎn)），如果不進(jìn)行濾波將影響到邊界的提取。由于這類噪聲是非線性的，本文采用中值濾波器對(duì)圖像去噪。對(duì)圖4（b）使用進(jìn)行中值濾波處理后的圖像如圖4（c）所示，4（b）中的噪聲已經(jīng)被濾掉。

2.4 手部輪廓提取

經(jīng)濾波器去噪后的二值圖像已經(jīng)很好地將手部從背景中分離出來(lái)，下一步是在此圖上提取手部輪廓邊界（用有序的手部邊界點(diǎn)集表示）。

手部輪廓提取算法的核心思想[11,12]如下：設(shè)邊界點(diǎn)集為T，初始時(shí)T為空。首先從圖像中取得左上角的第一個(gè)黑點(diǎn)（第一行從左往右掃描得到）做為起始點(diǎn)，這個(gè)點(diǎn)一定是一個(gè)邊界點(diǎn)，記為點(diǎn) A，如圖5所示。A的右，右下，下，左下四個(gè)相鄰點(diǎn)中至少有一個(gè)是它的邊界點(diǎn)，如圖中的點(diǎn) B，將 A和B加入T。從點(diǎn)B開始，按右，右上，上，左上，左，左下，下，右下的順序找8個(gè)鄰域內(nèi)相鄰點(diǎn)中的下一個(gè)不在T中的邊界點(diǎn)，在圖中為點(diǎn)C。如此繼續(xù)進(jìn)行下去，依次將D、E、F、G、H、I等點(diǎn)加入 T，直到找到圖像最右上角的黑點(diǎn)結(jié)束（判斷方法為該點(diǎn)在第一行）。判斷一個(gè)點(diǎn)是不是邊界點(diǎn)比較容易：如果它的上下左右四個(gè)鄰居點(diǎn)都是黑點(diǎn)則不是邊界點(diǎn)，否則是邊界點(diǎn)。比如圖中的點(diǎn)B是邊界點(diǎn)，因?yàn)樗淖筻忺c(diǎn)是白點(diǎn)，而點(diǎn)p就不是邊界點(diǎn)。

圖5 8-鄰域輪廓跟蹤算法

最終，T中的點(diǎn)集即為手部輪廓序列，圖7（a）顯示出了T中全部點(diǎn)所構(gòu)成的手部輪廓。

2.5 實(shí)驗(yàn)結(jié)果及結(jié)論

本文采用彩色掃描儀得到的 25×2幅手部圖像作為實(shí)驗(yàn)數(shù)據(jù)（姿勢(shì)1和2各25幅），圖像亮度有所不同。經(jīng)過整個(gè)算法流程處理，47幅圖像的手部輪廓被成功識(shí)別出來(lái)，成功率為 94%。其中有 45張輪廓識(shí)別準(zhǔn)確完整，準(zhǔn)確率達(dá)到 95.7%。實(shí)驗(yàn)結(jié)果表明該方法完全可以被實(shí)際應(yīng)用。

圖6顯示了兩幅原始手部圖像實(shí)際的處理過程。第1列和第2列分別為姿勢(shì)1和姿勢(shì)2。在手部測(cè)量中利用姿勢(shì)1的圖像來(lái)得到手長(zhǎng)、手寬等項(xiàng)目，因此并不需要指縫處的輪廓。圖6中的每一列的第2、3、4幅圖像分別是第1幅圖像經(jīng)過色度變換及二值化、中值濾波以及輪廓提取后的結(jié)果，可以看到結(jié)果非常準(zhǔn)確，說明本文中提出的方法是不依賴于手的姿勢(shì)的。

3 手部特征點(diǎn)識(shí)別

圖6 二幅典型手部圖像的處理過程及結(jié)果

在手部測(cè)量項(xiàng)目中，全部 21個(gè)測(cè)量項(xiàng)共需要25個(gè)特征點(diǎn)，某些測(cè)量項(xiàng)的計(jì)算使用相同的特征點(diǎn)。全部的特征點(diǎn)分布在手的兩個(gè)姿勢(shì)的圖像中，如圖2所示。自動(dòng)識(shí)別時(shí)需要根據(jù)各個(gè)特征點(diǎn)的特點(diǎn)使用不同的方法進(jìn)行識(shí)別。有些特征點(diǎn)位于整個(gè)手部的最邊緣，例如特征點(diǎn)7位于手的最右側(cè)；有些特征點(diǎn)位于指尖處的最突起處，例如特征點(diǎn) 3；有些特征點(diǎn)位于指縫的最凹陷處，例如特征點(diǎn)13；還有些點(diǎn)沒有顯著的特點(diǎn)，例如特征點(diǎn)18和22。

3.1 手腕部分的去除

由于手腕部分是在測(cè)量中不僅不需要，而且還會(huì)影響后續(xù)特征點(diǎn)的識(shí)別，為此需要在已得到的輪廓點(diǎn)集中去掉屬于手腕部分，這可以通過提取手腕部分與手掌部分的兩個(gè)連接點(diǎn)來(lái)完成。參見圖7（a），這兩個(gè)點(diǎn)具有如下特點(diǎn)：當(dāng)邊界點(diǎn)在經(jīng)過它們時(shí)方向改變比較顯著。取邊界上任意點(diǎn)與它前面第ω個(gè)點(diǎn)、后面第N個(gè)點(diǎn)形成兩條連線，若記連線之間的夾角為 α，則 α在兩個(gè)連接點(diǎn)處會(huì)明顯小于在手腕部分的其他點(diǎn)處。通過利用計(jì)算夾角的方法，分別從左上角和右上角出發(fā)，取N＝20，從第21個(gè)點(diǎn)開始，逐一向后計(jì)算該點(diǎn)與它前面的第20個(gè)點(diǎn)以及它后面的第20個(gè)點(diǎn)的兩條連線的夾角，如果夾角小于了一個(gè)閾值，則認(rèn)為已經(jīng)到達(dá)了連接點(diǎn)。得到了兩個(gè)連接點(diǎn)后，在已經(jīng)得到的邊界點(diǎn)集中去除掉左側(cè)連接點(diǎn)前面的所有點(diǎn)以及右側(cè)連接點(diǎn)后面的所有點(diǎn)，即完成了手腕部分的去除。圖7（b）給出了去除手腕部分后的結(jié)果。

圖7 （a）手部輪廓有序點(diǎn)集；（b）去除腕部的輪廓有序點(diǎn)集

3.2 特征點(diǎn)的識(shí)別

參見圖2（a），姿勢(shì)1需要提取7個(gè)特征點(diǎn)。其中，特征點(diǎn)1、2在去除手腕中已經(jīng)得到，也即是手部輪廓點(diǎn)集的起點(diǎn)和終點(diǎn)；3、4、5、6是邊界上方向改變比較顯著的特征點(diǎn)，可以利用點(diǎn)的曲率來(lái)識(shí)別，使用曲率的好處在于可以分析手部輪廓在形狀上所具有的特征信息，同時(shí)不需要旋轉(zhuǎn)手部使其對(duì)準(zhǔn)坐標(biāo)系，我們采用 DOS方法[6,7]來(lái)發(fā)現(xiàn)曲率最大的點(diǎn)。參見圖8，DOS方法步驟如下：在任意點(diǎn)處，取前后兩個(gè)大小均為ω的向量，計(jì)算它們之間的夾角θ。即：取這個(gè)點(diǎn)的前面第ω個(gè)點(diǎn)與后面第ω個(gè)點(diǎn)，分別與該點(diǎn)組成2個(gè)向量v1和v2，則v1和 v2的夾角：

取ω=20，從第ω個(gè)點(diǎn)開始，依次對(duì)手部輪廓點(diǎn)集中的每一個(gè)點(diǎn)計(jì)算其θ角的值，得到一個(gè)θ值的序列，以輪廓點(diǎn)的序號(hào)為橫坐標(biāo)，以點(diǎn)的θ值為縱坐標(biāo)，得到的手部輪廓曲率圖，參見圖9。

圖8 計(jì)算夾角θ的方法

理想情況下，輪廓曲率圖中每一個(gè)尖銳的突起處就是手部邊緣方向改變最顯著的點(diǎn)，它們要么是指尖，要么是兩個(gè)手指指縫處點(diǎn)。但是實(shí)際情況是：（1）輪廓曲率圖可能存在著兩個(gè)連續(xù)的尖銳突起，這是由于指縫處在兩個(gè)手指末端都有方向改變顯著的位置；（2）由于噪聲的影響存在許多小突起。

可以通過濾波來(lái)處理上述兩類噪聲。（1）首先選用核（kernel）為2ω的高斯濾波器來(lái)做一次濾波，它能夠平滑圖像中突起處的波形（但是連續(xù)的突起情況仍然是存在的），還能夠消除圖像中平緩部分的噪聲波動(dòng)，參見圖10。（2）使用均值濾波器對(duì)經(jīng)高斯濾波處理后的θ值序列再進(jìn)行一次濾波，此時(shí)圖像已經(jīng)達(dá)到理想要求，參見圖11。

由于已經(jīng)做過兩次濾波處理，如果這時(shí)直接用尖峰點(diǎn)作為特征點(diǎn)就可能會(huì)帶來(lái)偏差，因?yàn)榇藭r(shí)的尖峰點(diǎn)的值已經(jīng)不是真實(shí)的θ值，需要進(jìn)行修正。一種可取的方法是對(duì)θ選取一個(gè)適當(dāng)?shù)拈撝祦?lái)分割圖像，這樣圖像中的每個(gè)突起部分都會(huì)被截出左右2個(gè)交點(diǎn)，最終用這兩個(gè)點(diǎn)的中點(diǎn)作為實(shí)際的特征點(diǎn)。這個(gè)過程比直接用尖峰點(diǎn)準(zhǔn)確，過程的示意圖可以參照?qǐng)D12。

圖9 用DOS方法得到的輪廓曲率圖

圖10 高斯濾波后的輪廓曲率圖

圖11 均值濾波后的輪廓曲率圖

圖12 經(jīng)閾值截?cái)嗟氖植枯喞蕡D

依照上述步驟，姿勢(shì)1的3～5三個(gè)特征點(diǎn)和姿勢(shì) 2的 8～16九個(gè)特征點(diǎn)都是位于指尖或指縫末端的，可以通過DOS方法得到，如圖13所示。

在圖13的姿勢(shì)1中，中指和無(wú)名指之間指縫處的末端點(diǎn)（特征點(diǎn) 6）并沒有被算法識(shí)別出來(lái)。這是因?yàn)樽藙?shì)1中除拇指外的其他四指過于并攏，輪廓提取算法不能識(shí)別指縫為手部輪廓，從而在得到的手部輪廓中，除拇指外的四個(gè)手指的輪廓被連在一起。參見圖13中藍(lán)線表示的識(shí)別出的手部輪廓線。

圖13 使用DOS方法得到的特征點(diǎn)

特征點(diǎn)6的計(jì)算可以采用如下方法：由于兩個(gè)姿勢(shì)的手部圖像來(lái)自同一只手，中指的形狀在兩幅圖像中應(yīng)該是一樣的，從而中指和無(wú)名指之間指縫處的末端點(diǎn)與中指指尖點(diǎn)的相對(duì)位置應(yīng)該是不變的。也就是說，姿勢(shì)1中特征點(diǎn)6與5的相對(duì)位置，與姿勢(shì)2中特征點(diǎn)13與12的相對(duì)位置是相同的。這樣，從姿勢(shì)2中識(shí)別特征點(diǎn)12和13后，計(jì)算出它們之間的相對(duì)位移，然后即可從姿勢(shì)1中根據(jù)已識(shí)別的特征點(diǎn)5得到特征點(diǎn)6的位置。

姿勢(shì)1中的特征點(diǎn)7（尺側(cè)掌骨點(diǎn)），可以通過掃描該圖像最右點(diǎn)得到。

對(duì)于姿勢(shì)2中特征點(diǎn)17、18和19，由于手部輪廓在經(jīng)過這三個(gè)點(diǎn)處并沒有顯著的彎曲，因此采用DOS方法不能識(shí)別這三個(gè)點(diǎn)。此三個(gè)點(diǎn)可以根據(jù)統(tǒng)計(jì)學(xué)方法給出的經(jīng)驗(yàn)公式來(lái)求。每根手指的指尖點(diǎn)到左右兩個(gè)指縫末端點(diǎn)的輪廓分別具有一個(gè)外側(cè)面（大拇指?jìng)?cè)）和一個(gè)內(nèi)側(cè)面（小拇指?jìng)?cè)），經(jīng)大量人體數(shù)據(jù)統(tǒng)計(jì)，拇指、食指和小指的根部外側(cè)面長(zhǎng)度比內(nèi)側(cè)面長(zhǎng)度長(zhǎng)15%左右?；谶@個(gè)特性，假設(shè)特征點(diǎn)i的位置用iP表示，在姿勢(shì)2的輪廓點(diǎn)集中，拇指根部外側(cè)特征點(diǎn)17可以通過拇指的指尖點(diǎn)（特征點(diǎn)8）和拇指內(nèi)側(cè)的指縫處末端點(diǎn)（特征點(diǎn)9）來(lái)計(jì)算：

同理，食指和小指的根部外側(cè)特征點(diǎn) 18與 19也可以得到。

剩下的 6個(gè)特征點(diǎn) 20～25跟特征點(diǎn) 17、18和19有類似的特點(diǎn)，即它們都是手指關(guān)節(jié)處褶紋的端點(diǎn)，除此之外沒有其它顯著的特征。因此同樣也只有尋找特殊的方法以近似的得到它們的位置。觀察拇指可以發(fā)現(xiàn)，它被關(guān)節(jié)處的褶皺分成了上下兩個(gè)部分，我們把它們近似的看作是等長(zhǎng)的；同理食指被兩個(gè)關(guān)節(jié)分割成近似等長(zhǎng)的三段。首先，將拇指上的特征點(diǎn)8、9以及17連接成一個(gè)三角形，特征點(diǎn)9與特征點(diǎn)17這條邊上的中點(diǎn)，與特征點(diǎn)8的連線構(gòu)成了三角形的一條中線。取這條中線上的中點(diǎn)做垂線，與拇指兩側(cè)的輪廓都必定有一個(gè)交點(diǎn)，則取這兩個(gè)交點(diǎn)分別作為特征點(diǎn) 20和特征點(diǎn) 21，如圖14所示。同理，食指上特征點(diǎn)10、11以及18也組成了一個(gè)三角形，取它中線上的1/3處和2/3處分別做垂線，與食指兩側(cè)輪廓的交點(diǎn)分別作為特征點(diǎn)22、23以及特征點(diǎn)24和25。

圖14 特征點(diǎn)20-25的識(shí)別方法

經(jīng)過上述以不同方法組成的整個(gè)特征點(diǎn)識(shí)別流程的處理后，兩幅圖像中得到的全部特征點(diǎn)可以在圖20中清楚的看到。從肉眼來(lái)判斷識(shí)別的結(jié)果是相當(dāng)準(zhǔn)確的。

圖15 全部25個(gè)特征點(diǎn)的識(shí)別結(jié)果

4 實(shí)驗(yàn)結(jié)果及結(jié)論

我們?nèi)?lái)自 50個(gè)人的兩個(gè)姿勢(shì)的手部圖像共100幅圖像作為實(shí)驗(yàn)數(shù)據(jù)集，有96幅圖像的輪廓提取成功。

由于特征點(diǎn)識(shí)別的前提條件是具有完整且準(zhǔn)確的手部輪廓數(shù)據(jù)，因此我們只取輪廓提取成功的手部圖像的輪廓點(diǎn)集來(lái)進(jìn)行特征點(diǎn)識(shí)別，96幅圖像的全部特征點(diǎn)均被成功識(shí)別出來(lái)。因此特征點(diǎn)識(shí)別算法的成功率為100%。其中，7幅圖像中含有識(shí)別不準(zhǔn)確（超出誤差允許范圍）的特征點(diǎn)，均為手指自然伸展姿勢(shì)的圖像。若以特征點(diǎn)為單位，識(shí)別的特征點(diǎn)總數(shù)為1200個(gè)（7*48+18*48），其中被準(zhǔn)確識(shí)別（在誤差允許范圍之內(nèi)）的有1178個(gè)，因此特征點(diǎn)識(shí)別算法的準(zhǔn)確率為98.17%。

分析算法沒有準(zhǔn)確識(shí)別的22個(gè)特征點(diǎn)時(shí)發(fā)現(xiàn)，它們均是使用統(tǒng)計(jì)學(xué)方式得到的，即來(lái)自特征點(diǎn)17-25。這說明采用曲率特征曲線的方法是非常準(zhǔn)確的，而由于基于統(tǒng)計(jì)學(xué)的方法本身就來(lái)自于對(duì)大量數(shù)據(jù)的統(tǒng)計(jì)，因此雖然多數(shù)情況下能夠比較準(zhǔn)確，但因不同人的手的形狀形存在差異，基于統(tǒng)計(jì)學(xué)的方法不可能保證全部準(zhǔn)確。

從實(shí)驗(yàn)結(jié)果可以看到，整個(gè)手部特征點(diǎn)識(shí)別算法在成功率（識(shí)別率）和準(zhǔn)確率上都已經(jīng)能夠滿足實(shí)際的需要，因此被手部尺寸測(cè)量系統(tǒng)所采用。

5 總結(jié)與展望

本文采用基于特征方法和統(tǒng)計(jì)相結(jié)合的方法來(lái)自動(dòng)識(shí)別手部特征點(diǎn)。在將來(lái)的工作中可以考慮采用基于模板變形和匹配等方法來(lái)提高特征點(diǎn) 17-25的識(shí)別率。

[1]羅仕鑒, 朱上上, 孫守遷.人體測(cè)量技術(shù)的現(xiàn)狀與發(fā)展趨勢(shì)[J].人類工效學(xué), 2002, 8(2): 31-34.Luo Shijian, Zhu Shangshang, Sun Shouqian.The Actuality and Trend of Anthropometry[J].Chinese Ergonomics, 2002, 8(2): 31-34.

[2]張錚, 王艷平, 薛桂香.數(shù)字圖像處理與機(jī)器視覺[M].北京: 人民郵電出版社, 2010.

[3]鞠里.基于彩色圖像的手部測(cè)量系統(tǒng)的研究與實(shí)現(xiàn)[D].北京航空航天大學(xué), 2004.

[4]Comaniciu D., Meer P.Robust analysis of feature spaces: Color image segmentation.In: Proc.of the IEEE Conf.on Computer Vision and Pattern Recognition (CVPR).1997, 750-755.

[5]Sanchez Reillo R., Sanchez-Avila C., Gonzalez-Marcos A.Biometric Identification Through Hand Geometry Measurements[J].IEEE Trans, PAMI, 2000, 22(10): 1168-117.

[6]Jain A., Arun Ross.A Prototype Hand Geometry based Verification System.Proc.of 2nd Inter.Conf.on Audio and Video based Biom.Person Auth: AVBPA, 1999, 166-171.

[7]O’Gorman L.Curvilinear Feature Detection from Curvature Estimation.Proceedings of the 9th International conference on Pattern Recognition, 1988, 1116-1119.

[8]Guilherme Boreki, Alessandro Zimmer.Hand Geometry: A New Approach for Feature Extraction.Fourth IEEE Workshop on Automatic Identification advanced Technologies, 2005, 149-154.

[9]楊達(dá), 王孝通, 徐冠雷, 等．一種基于圖像分割和圖像拼接技術(shù)的全天空云量估計(jì)方法[J].新型工業(yè)化, 2014, 4(8): 15-21.

[10]吳進(jìn), 宋驍, 張金煥．霧天退化圖像的增強(qiáng)技術(shù)研究[J]．新型工業(yè)化, 2014, 4(2): 39-44.

[11]吉亞泰.基于DSP的圖像采集與處理系統(tǒng)的研究與設(shè)計(jì)[J].軟件, 2013, 34(2): 22-25.

[12]鐘彩.邊緣檢測(cè)算法在圖像預(yù)處理中的應(yīng)用[J].軟件, 2013, 34(1): 158-159.

Automatic Identification of Hand Feature Points on Color Images

DONG Na
(CETC 15 Institute, Beijing 100083, China)

Hand feature points identification is a key problem of hand size measurement.This paper provides a novel method to automatically identify hand feature points.First, an algorithm of hand contour extraction is presented in this paper, which uses the skin hue to binarize the hand color image and extracts the hand contour in YUV color space.The advantage of this approach is that the image binarization process will not be affected by individual differences of hand color, ill-lumination and partial occlusion of light.Then, this paper provides an approach to automatically identify all 25 hand feature points from the hand contour.This paper gives two types of processing methods to identify different feature points: (1) The feature points located on finger tips and finger webs are identified with the DOS method; (2) other feature points are computed with statistical formulas.The results show that the algorithm provided in this paper could not only meet the requirements of hand size measurement system both in recognition rate and in precision, but also possess strong robustness.It has been applied successfully in the hand size measurement systems of non-adults and soldiers.

Hand measurement; Contour extraction; Feature recognition; Hand feature points

TP391.4

A

10.3969/j.issn.1003-6970.2017.03.020

董娜，女，(1983-)，工程師，主要從事研究方向?yàn)橛?jì)算機(jī)圖像處理。

本文著錄格式：董娜.基于彩色圖像的手部特征點(diǎn)自動(dòng)識(shí)別方法[J].軟件，2017，38（3）：97-103