关于向量基于特点包支持向量机手势识别学术

论文导读：ficiency，andcanadapttothechangesofenvironment.英文关键词　Keywords：handgesturerecognition；ScaleInvariantFeatureTranormation（SIFT）；BagOfFeatures（BOF）；visualcodebook0引言手势识别作为一种自然、直观的交互方式，已成为近些年来人机交互领域的一大研究热点。手势识别的目
摘 要：针对类肤色信息或复杂背景的影响，难以通过手势分割得到精确手势轮廓而对后期手势识别率与实时交互的影响，提出了一种基于特征包支持向量机（BOF-SVM）的手势识别方法。采用SIFT算法提取手势图像局部不变性特征点，将手势局部特征向量（尺度不变特征变换（SIFT）描述子）进行K-means聚类生成视觉码书，并通过视觉码书量化每一幅手势图像的视觉码字集合，以此获得手势图像的固定维数的表征向量来训练支持向量机（SVM）多类分类器。该方法只需框定手势所在区域，无需精确地分割人手。实验表明，该方法对9种交互手势的平均识别率达到9

2.1%，并具有很好的鲁棒性及实时性，能适应环境的变化。

关键词：手势识别；尺度不变特征变换；特征包；视觉码书
：A
Hand gesture recognition based on bag of features and support vector machine
ZHANG Qiu-yu， WANG Dao-dong*， ZHANG Mo-yi， LIU Jing-man
School of Computer and Communication， Lanzhou University of Technology， Lanzhou Gansu 730050， China
Abstract：
According to the influence of approximate skin color information or complex background， it is hard to get precise gesture contour by hand gesture segmentation， which will he effect on later gesture recognition rate and real-time interaction. Therefore， this paper proposed a gesture recognition method based on the BOF-SVM （Bag Of Features-Support Vector Machine）. At first， local invariant features of the gesture images were extracted by the Scale Invariant Feature Tranormation （SIFT） algorithm. Then the visual code book was generated by gesture local eigenvector （SIFT descriptors） through K-means clustering. And visual code set of every image got quantized by visual code book. As a result， the characterized vector of gesture images with fixed dimens自考论文www.7ctime.com
ionalwas obtained to train multi-class SVM classifier. This method only needed to frame the gesture area instead of segmenting gesture accurately. The experimental results indicate that the erage recognition rate of the nine interactive hand gestures based on this method can reach 92.1%. Besides， it has good robustness and efficiency， and can adapt to the changes of environment.
英文关键词　Key words：
hand gesture recognition； Scale Invariant Feature Tranormation （SIFT）； Bag Of Features （BOF）； visual code book
0 引言
手势识别作为一种自然、直观的交互方式，已成为近些年来人机交互领域的一大研究热点[1-2]。手势识别的目标就是提供一种有效、准确的机制使得计算机能够准确理解人手所表达的语义。然而，手势形变复杂（高达27个自由度（Degrees Of Freedom，DOF））、视角相关度高、冗余信息量大以及所处环境的复杂性使得手势识别系统面临实时性、准确性及复杂背景下的鲁棒性等众多难题[3-4]。为了解决这些问题，一些手势识别系统借助于指尖标记或数据手套来提高实时手势检测与识别的准确率。然而，这种基于标记或设备的方式极大地限制了用户操作的方便性。
大部分的手势识别方法都是基于肤色分割的，通过肤色分割获取二值手势区域，进一步提取手势轮廓特征[5]（轮廓矩、傅里叶描述子等）和二维空间分布特征[6]，或者通过指尖检测以获得指尖数目或指尖分布信息以识别手势[7]。然而，复杂背景、光照变化等因素始终是影响手势精确分割的难点。近些年来，不断有学者利用手势的内部灰度变化特性实现手势检测和手势识别。在文献[8-9]中，Haar-like特征被用来做手势检测，该特征能够很好地表达一定面积内的灰度变化信息。文献[10]结合Adaboost学习算法和尺度不变特征变换（Scale Invariant Feature Tranormation， SIFT）特征实现了具有平面旋转不变性的手势检测。文献[11]采用快速鲁棒特征（Speeded Up Ro论文导读：较强的表征能力。通过对手势的局部不变性特征点进行聚类统计来表征手势，只需框定手势所在区域，无需精确地分割人手。相比于基于图像分割的手势识别方法，该方法对于环境变化具有很好的适应性和鲁棒性。上一页12
bust Feature，SURF）特征实现了手势的实时性跟踪和动态手势识别。
SIFT是由Lowe于1999年提出并于2004年进一步完善的，用于检测和描述图像局部特征点[8]。SIFT特征描述子具有较强的旋转、尺度、亮度等不变性，能较好地克服一定程度的视角变化、仿射变化以及噪声的影响，SIFT特征已被广泛应用于物体识别、图像检索、图像拼接以及目标跟踪等领域。
综上所述，为有效解决2D视觉下手势识别系统在手势检测阶段，由于类肤色信息或复杂背景的影响难以通过分割得到精确手势轮廓而对后期手势识别率的影响，为提高手势交互系统的实用性，本文采用SIFT算法[12]提取手势图像的局部不变性特征点，提出一种基于特征包支持向量机（Bag Of Features-Support Vector Machine， BOF-SVM）的手势识别方法。手势图像中存在大量的显著性局部特征点，它们具有较强的稳定性，对手势具有较强的表征能力。通过对手势的局部不变性特征点进行聚类统计来表征手势，只需框定手势所在区域，无需精确地分割人手。相比于基于图像分割的手势识别方法，该方法对于环境变化具有很好的适应性和鲁棒性。