文政穎，王旭輝，于海鵬

（1 河南工程學院 軟件學院 鄭州 451191；2 河南工程學院 計算機學院，鄭州 451191）

0 引 言

隨著計算機視覺跟蹤和信息識別技術的發(fā)展，結合計算機視覺參數分析，建立視覺融合下的連續(xù)幀變換下動態(tài)手勢識別模型，根據視覺變化參數和遮擋參數分析，實現動態(tài)手勢識別，并將動態(tài)手勢算法應用在監(jiān)控、智能交通、機器人控制規(guī)劃等領域中，提高動態(tài)手勢識別和智能檢測能力，相關的動態(tài)手勢方法在計算機視覺領域中具有重要意義［1］。

傳統(tǒng)方法中，連續(xù)幀變換下動態(tài)手勢識別方法主要有主成分分析方法、模板匹配方法、聯合自相關檢測方法等，結合對連續(xù)幀變換下動態(tài)手勢特征檢測和匹配分析結果，結合視覺跟蹤，實現連續(xù)幀變換下動態(tài)手勢識別［2－3］。文獻［4］提出基于約束光照變化下的連續(xù)幀變換下動態(tài)手勢識別方法，結合Harris 角點檢測，實現連續(xù)幀變換下動態(tài)手勢檢測識別，但該方法識別的精度較高，時間開銷較大；文獻［5］提出基于最佳特征匹配的連續(xù)幀變換下動態(tài)手勢識別方法，結合匹配濾波檢測，實現識別，提高檢測精度，但該方法的系統(tǒng)穩(wěn)定性不好，對連續(xù)動作變化下的手勢識別能力不好。

針對上述問題，本文提出一種基于融合視覺不變矩參數表征的動態(tài)手勢識別方法。首先，采用圖像處理和視覺融合分析技術進行連續(xù)幀變換下動態(tài)手勢特征采集和信息預處理；其次，對動態(tài)手勢特征參數檢測分析，提取動態(tài)手勢圖像的模糊特征分量，采用空間輪換變換方法，結合融合視覺不變矩參數表征方法，實現動態(tài)手勢的參數檢測和識別；最后，進行仿真測試分析，表明本文方法在提高動態(tài)手勢識別能力方面具有優(yōu)越性能。

1 連續(xù)幀變換下動態(tài)手勢視覺圖像采集及預處理

1.1 連續(xù)幀變換下動態(tài)手勢視覺圖像采集

采用圖像處理和視覺融合分析技術進行連續(xù)幀變換下動態(tài)手勢特征采集和信息預處理，通過匹配濾波檢測方法，構建動態(tài)手勢的參數檢測模型，結合分區(qū)域特征匹配方法進行動態(tài)手勢視覺圖像的分塊檢測，通過字典集模塊匹配，構建動態(tài)檢測和分布式融合模型，采用相關性融合方法進行動態(tài)手勢視覺圖像的特征檢測和聚類處理［6］，得到動態(tài)手勢圖像的隨機背景子塊分布和背景字典集，如圖1 所示。

圖1 動態(tài)手勢圖像的隨機背景子塊分布和背景字典集Fig.1 Random background sub－ block distribution and background dictionary set of dynamic gesture image

根據圖1 所示動態(tài)手勢圖像的隨機背景子塊分布特征，初始化前景字典［7］，手動獲取第一幀目標參數，得到動態(tài)手勢圖像的采集和視覺更新模型，如圖2 所示。

圖2 動態(tài)手勢圖像的采集和視覺更新模型Fig.2 Dynamic gesture image acquisition and visual update model

在第一幀手動截取動態(tài)手勢特征圖像模板尺度，按m × n的大小進行無標記連續(xù)幀變換下動態(tài)手勢特征識別［8］，采用等間隔特征匹配方法，得到動態(tài)手勢圖像子塊，∈Rl×M，i＝1：M，其中l(wèi)＝m × n為子塊的維數。將動態(tài)手勢圖像的前景字典Φtarget∈Rl×M匯聚為一個灰度不變矩。由于目標的外觀會不斷變化，得到圖像的隨機分布序列∈Rl×N，i＝1：N，圖像的背景字典Φbca∈Rl×N，采用隨機概率密度分析，得到動態(tài)手勢圖像的分辨率權重，式（1）：

采用模板匹配，得到動態(tài)手勢圖像的狀態(tài)特征分布最優(yōu)解，式（2）：

其中，G（x，y；t）是當前幀下動態(tài)手勢圖像檢測的觀測區(qū)域；Gy為模板的像素坐標；Gx是隨機分布不變矩；?u為仿射不變函數，該函數由參數σ決定，根據上述分析，構建圖像的梯度融合模型，得到梯度特征增量c（x，y），式（3）：

構建了連續(xù)幀變換下動態(tài)手勢圖像的采集和信息融合模型，根據模糊度特征檢測結果，實現對連續(xù)幀變換下動態(tài)手勢圖像的檢測和特征識別［9］。

1.2 連續(xù)幀變換下動態(tài)手勢圖像降噪處理

通過匹配濾波檢測方法，實現動態(tài)手勢圖像的增強和濾波檢測，去除干擾分量，提高圖像的空間分辨率。根據圖像信息融合分布檢測，得到動態(tài)手勢視覺圖像的分區(qū)域特征，匹配過程如圖3 所示。

圖3 動態(tài)手勢視覺圖像的分區(qū)域特征匹配過程Fig.3 Sub－regional feature matching process of dynamic gesture visual image

假設連續(xù)幀變換下動態(tài)手勢視覺圖像的灰度像素集為（i，j），以此為像素中心，根據運動動作軌跡的特征量進行動作變換［10］，在銳化模板匹配集下，得到動態(tài)手勢視覺圖像的檢測分量，式（4）：

其中，T為采樣時間；a為邊緣幅值；bm為邊界區(qū)域輪廓特征量。

為了降低連續(xù)幀變換下動態(tài)手勢視覺圖像軌跡特征識別的誤差，結合平均幀間距離來度量參數分析，進行像素重構，得到連續(xù)幀變換下動態(tài)手勢動作位置誤差，式（5）：

其中，σθ（k）為幀點誤差；σx（k）為幀輸出交叉項；σy（k）為插值系數。

插值重建得到重建運動片段rm，提取動態(tài)手勢視覺圖像W的R、G、B分量，設om，rm分別為原始運動序列和重構運動序列，相應得到動態(tài)手勢視覺圖像的濾波檢測輸出，式（6）：

其中，0＜t ＜1 表示采樣序列；qi為手勢的動態(tài)誤差；t1為第一幀采樣點；t2為第二幀采樣點。

設定RGB 分量分別為AR、AG、AB和WR、WG、WB，根據上述分析，構建了動態(tài)手勢視覺的降噪模型。根據圖像降噪結果，提高圖像的動態(tài)識別能力。

2 動態(tài)手勢識別優(yōu)化

2.1 手勢特征提取

根據圖像信息融合分布檢測，建立動態(tài)手勢特征分析模型，采用高分辨的特征變換和模糊度檢測方法，得到特征參數分布集，式（7）：

其中，t1＜t ＜t2，t為t1和t2時刻之間的幀序號，p（t1）和p（t2）分別為不同采樣點的關聯維數，采用連續(xù)幀變換檢測方法，得到特征參數融合分解結果，式（8）：

其中，Rf為幀干擾項，表示視覺圖像的像素特征點在方向上的濾波輸出。

構建動態(tài)手勢動作圖像信息檢測的模板匹配函數f（gi）為式（9）：

其中，c1為連續(xù)幀變換系數；為動態(tài)手勢視覺檢測分量；ρj為匹配參數；ε為空間自由度系數，由此獲得圖像信息的背景差分量。

在圖像的分布域中，采用融合視覺不變矩參數表征方法，實現連續(xù)幀變換下動態(tài)手勢的參數檢測和識別，得到特征提取輸出，式（10）～式（12）：

其中，wj為聯合信息熵，d（omi，rmi）表示原始視覺圖像第i幀和重構運動第i幀之間的歐氏距離。

2.2 動態(tài)手勢檢測輸出

在提取動態(tài)手勢圖像模糊特征分量的基礎上，采用空間輪換變換方法，實現對連續(xù)幀變換下動態(tài)手勢的不變矩特征檢測，考慮視覺圖像的灰度像素級f，圖像的模糊運動序列誤差定義為式（13）：

其中，Dp（om，rm）描述動態(tài)手勢視覺圖像的位置誤差；Dv（om，rm）表示關節(jié)速率之差；u是調整動態(tài)手勢視覺速率差的比例。

采用灰度不變矩特征分解方法得到圖像的任意灰度像素點為（x，y），得到動態(tài)手勢視覺融合輸出，式（14）：

姿態(tài)變換特征概率權重ρi可以通過對連續(xù)幀變換下動態(tài)手勢視覺的區(qū)域特征分布量化集Si(i＝1，2，…，M) 求得，動態(tài)手勢視覺圖像的像素點子集輸出為式（15）：

其中，A為視覺圖像三維尺度信息，t（x）為視覺圖像采樣間隔。

人體動作的軌跡分布場為式（16）：

其中，ft(i，j，k) 為融合視覺不變矩，求得動態(tài)手勢視覺特征增量Δτ，式（17）：

動態(tài)手勢特征識別輸出為式（18）、式（19）：

其中，σ為關聯分布集，Δu為動態(tài)手勢動作分量。

綜上分析，構建連續(xù)幀變換下動態(tài)手勢動作圖像的識別模型，實現對動態(tài)手勢的不變矩特征檢測，融合視覺不變矩參數表征方法，實現動態(tài)手勢的參數檢測和識別。

3 實驗測試

采用Matlab 仿真實驗驗證本文方法在實現動態(tài)手勢的參數檢測識別中的應用性能，動態(tài)手勢采集的圖像樣本數為200 幅圖像，幀變換的速率為290 BPS／s，聯合關聯匹配數λ 設定為0.01，采用512×512 像素點作為訓練集，基本手勢動作樣本如圖4 所示。

以圖4 的手勢動作作為測試樣本序列，實現動態(tài)手勢視覺分析識別，識別結果如圖5 所示。

圖4 基本手勢動作樣本Fig.4 Basic gesture action sample

分析圖5 可知，本文方法能有效實現對連續(xù)幀變換下動態(tài)手勢識別，對手勢動態(tài)特征點的標記能力較強，測試動態(tài)手勢的二維動作流形分布稀釋解，如圖6 所示。

圖5 動態(tài)手勢識別結果Fig.5 Dynamic gesture recognition results

圖6 連續(xù)幀變換下動態(tài)手勢的二維動作流形分布稀釋解Fig.6 Dilution solution of two－ dimensional action manifold distribution of dynamic gestures under continuous frame transformation

分析圖6 可知，本文方法對連續(xù)幀變換下動態(tài)手勢的二維動作流形檢測的可靠性較高，測試識別精度如圖7 所示。

圖7 識別精度測試Fig.7 Identification accuracy test

分析圖7 可知，本文方法對連續(xù)幀變換下動態(tài)手勢的二維動作識別的精度更高。

4 結束語

本文根據視覺變化參數和遮擋參數分析，提出一種基于融合視覺不變矩參數表征的動態(tài)手勢識別方法。構建動態(tài)檢測和分布式融合模型，采用相關性融合方法進行特征檢測和聚類處理，根據圖像信息融合分布檢測，建立動態(tài)手勢特征分析模型，結合圖像降噪和信息增強以及特征提取結果，實現動態(tài)手勢特征識別，提高圖像的動態(tài)識別能力。該方法對動態(tài)手勢視覺特征識別的精度較高，解析結果準確可靠。