基于机器视觉的手势识别系统总体设计开题报告

1. 研究目的与意义

研究开发一套基于机器视觉的手势识别系统，作为未来人机交互手段之一。

人机交互从最初的穿孔纸带、键盘字符输入、鼠标、指纹识别、语音指令识别等易用性和趣味性都得到了长足的进步。

手势作为人类最自然的表达方式之一，在日常生活中得到了广泛的应用。

2. 国内外研究现状分析

国外对手势识别的研究已有很长的历史，1991年富士通实验室完成了对46个手势符号的识别工作^【1】；J.Davis和M.Shah将戴上指尖具有高标记的视觉手套的收拾作为系统的输入，可识别7种手势^【2】；Starner等在对美国手势中带有词性的40个词汇随即组成的短句子识别率达到99.2%^{【3】【4】}；K.Grobel和M.Assam从视频录像中提取特征，采用HMM技术识别262个孤立词，正确率为91.3%^【5】。

我国的高文、吴江琴等人给出了人工神经网络（ANN）、基于隐Markov模型（HMM）的混合方法作为手势的训练识别方法，以增加识别方法的分类特性和减少模型的估计参数的个数，将ANN-HMM混合方法应用于有18个传感器的CyberGlove型号数据手套的中国手势识别系统中，孤立词识别率90%，简单语句识别率92%^{【6】【7】}。接下来高文等人又选取CyberGlove型号数据手套作为手势输入设备，并才用了DGMM（Dynanmic Gaussian Mixture Mode）作为系统的识别技术，即利用一个随时间变化的具有M个分量的混合Gaussian一元混合密度来模型化手势信号，可是别的中国手势字典中274个词条，识别率为98.2%^【8】。与基于HMM的识别系统比较，这种模型的识别精度与HMM模型的识别精度相当，其训练和识别速度比HMM的训练和识别速度有明显的改善。他们为了进一步提高识别速度，识别模块中选取了多层识别器，可识别中国手势字典中的274个词条，识别率为97.4%^【9】。与基于单个DGMM的识别系统比较，这种模型的识别精度与单个DGMM模型的识别精度基本相同，但其识别速度比单个DGMM的识别速度有明显的提高。2000年在国际上他们首次实现了5000词以上的连续中国手势识别系统^【10】。另外，清华大学祝远新、徐光佑等给出了一种基于视觉的动态孤立手势识别技术，借助于图像运动的变阶参数模型和鲁棒回归分析，提供一种基于运动分割的图像运动估计方法，基于图像运动参数，构造了两种表现变化模型分别为作为手势的表现特征，利用最大最小化算法来创建手势参考模板，并利用基于模板的分类技术进行识别，对12种手势的识别率超过90%。在进一步研究中，他们又给出了有关连续运动手势的识别，融合手势运动信息和皮肤颜色信息，进行复杂背景下的手势分割；通过结合手势的时序信息、运动表现及形状表现，提供动态手势的时空表现模型，并提供基于颜色、运行以及形状等多模式信息的分层融合策略抽取时空表现模型的参数，最后，提出动态时空规整算法用于手势识别，对12手势，平均识别率高达97%^【11】。(下转文件综述)

3. 研究的基本内容与计划

设计内容：总体设计 制定系统开发方案与计划。分解课题，分别制定图像采集硬件开发、图像采集软件开发、手部图像定位与分割、及手势识别子任务的开发技术路线、试验数据采集与获取方案、各部分子任务之间的衔接设计与实现整体系统的调试。并承担团队的项目管理职责，帮助团队成员之间建立沟通的渠道，协助解决每个部分出现的问题。

（1）第1周第2周 准备工作，借阅相关书籍。

（2）第3周第4周 确定设计方案，分配工作。

4. 研究创新点

（1）工业相机进行图像采集，利用HALCON软件，进行图像处理并结合C语言编程，以完成计算机的对特定手势识别。

（2）团队协作，分工合作，各自完成不同模块，提高了整体系统的运行和调试效率。