基于Hu-GLCM的手势识别方法研究

计算机工程与科学

基于Hu-GLCM的手势识别方法研究

刘辉，代照坤，王龙

(昆明理工大学信息工程与自动化学院，云南昆明 650500)

收稿日期:2016-10-02 修回日期:2016-11-23 出版日期:2018-03-25 发布日期:2018-03-25

A hand gesture recognition method

based on Hu-GLCM model

LIU Hui，DAI Zhaokun，WANG Long

（Faculty of Information Engineering and Automation，Kunming University of Science and Technology,Kunming 650500,China）

Received:2016-10-02 Revised:2016-11-23 Online:2018-03-25 Published:2018-03-25

摘要/Abstract

摘要：

针对手势识别过程中单一手势特征对手势描述的不足，提出了一种基于改进Hu矩和灰度共生矩阵GLCM的手势识别方法HuGLCM。首先利用肤色模型对采集的图像分割出手势区域；其次采用数学形态学和多边形拟合的方法提取手势的单连通轮廓，利用改进HuGLCM算法提取手势的几何形状特征和纹理特征并建立模板数据库；最后通过扩展的Canberra距离对手势图像进行识别和分类。实验结果表明，该改进算法对7种手势的平均识别率达到95%以上，且计算速度快，能够满足实时性的需求。

关键词: 手势识别, 几何形状特征, 纹理特征, Canberra距离

Abstract:

Aiming at the shortcoming that a single gesture feature cannot describe the gesture well in hand gesture recognition, a hand gesture recognition method based on Hu moments and GrayLevel Cooccurrence Matrix (HuGLCM) is proposed. Firstly the skin color model is used to segment the captured image to get the gesture area. Secondly, the single connected contour of the gesture is extracted by mathematical morphology and polygon fitting. The improved HuGLCM method is used to extract the geometric shape and texture features of the gesture and establish a template database. Finally, the gesture image is identified and classified by the extended Canberra distance. The experimental results show that the improved algorithm has an average recognition rate of more than 95% on seven kinds of gestures, and the computing speed is fast, which can meet the realtime requirements.

Key words: hand gesture recognition, geometric feature, texture feature, Canberra distance

刘辉，代照坤，王龙. 基于Hu-GLCM的手势识别方法研究[J]. 计算机工程与科学.

LIU Hui，DAI Zhaokun，WANG Long.

A hand gesture recognition method

based on Hu-GLCM model

[J]. Computer Engineering & Science.

[1]	胡宗承, 段晓威, 周亚同, 何昊. 基于多模态融合的动态手势识别研究[J]. 计算机工程与科学, 2023, 45(04): 665-673.
[2]	赵艺. 基于路径签名的改进时空图卷积网络[J]. 计算机工程与科学, 2022, 44(12): 2213-2219.
[3]	王伟喆, 郭威彤, 杨鸿武, . 手语到情感语音的转换[J]. 计算机工程与科学, 2022, 44(10): 1869-1876.
[4]	张鑫, 冯秀芳. WiFi环境下基于CGRU-ELM混合模型的手势识别[J]. 计算机工程与科学, 2022, 44(02): 298-305.
[5]	王杨1,2，向秀梅1,2，卢嘉1,2，郁振鑫1,2. 基于双目融合的无参考立体图像质量评价[J]. 计算机工程与科学, 2020, 42(03): 510-516.
[6]	严春满，郝有菲，张迪，陈佳辉. 混合特征下最优阈值预测的图像匹配[J]. 计算机工程与科学, 2019, 41(10): 1803-1808.
[7]	秦煜1，吴静静1,2，安伟1,2，张美娟3. 基于融合特征的SURF配准算法[J]. 计算机工程与科学, 2017, 39(10): 1890-1895.
[8]	金静1,党建武1,王阳萍1,2,翟凤文1. 一种基于鲁棒局部纹理特征的背景差分方法[J]. 计算机工程与科学, 2017, 39(08): 1513-1519.
[9]	刘天时，肖敏敏，李湘眷. 自适应的Haar型LBP纹理特征提取算法研究[J]. J4, 2015, 37(07): 1381-1386.
[10]	屈燕琴，李昕，卢夏衍. 基于表观特征分析的手势识别及其应用[J]. J4, 2015, 37(01): 139-145.
[11]	姚原青,李峰,周书仁. 基于颜色-纹理特征的目标跟踪[J]. J4, 2014, 36(08): 1581-1587.
[12]	许凯，王敏. 基于手轮廓的深度图像手势识别方法[J]. J4, 2014, 36(05): 941-946.
[13]	邓晓飞，徐蔚鸿. 一种结合多特征的SVM图像分割方法[J]. J4, 2013, 35(2): 154-158.
[14]	贺延涛1，徐琪2，唐亮1，游晓明3. 基于纹理特征的磁片表面刀纹缺陷检测[J]. J4, 2012, 34(6): 88-92.
[15]	李文生1，解梅1,2，邓春健1，姚琼1. 基于Hermite神经网络的动态手势学习和识别[J]. J4, 2012, 34(2): 116-122.