【正文】 成顏色，而在 CMYK 模式中由光線照到有不同比例 C、M、Y、K 油墨的紙上，部分光譜被吸收后，反射到人眼的光產生顏色。Lab 顏色是以一個亮度分量 L 及兩個顏色分量 a 和 b 來表示顏色的。（5）YCbCr 模式YCbCr 色彩空間是一種從 RGB 空間非線性轉換而來的顏色空間，其已經廣泛用于視頻圖像壓縮標準中（比如，MPEG，JPEG），它充分考慮了色彩組成時 RGB 三色的重要因素，亮度信息包含在Ｙ成份中，色度信息包含在 Cb 和 Cr中，因此可以輕松的去掉亮度信息。灰度圖像的每個像素有一個 0(黑色)到 255(白色)之間的亮度值。常規(guī)的RGB空間圖像直接灰度化是采用RGB空間到YCbCr空間轉換后的Y通道圖像，具體轉換見下面的公式。實驗效果證實，兩個色差通道具有更好的分割效果，如圖 42 所示，分別是一定光照強度下 RGB 彩色圖像轉換到 YCbCr 空間后的 Y 通道（也就是直接灰度化）圖像、Cb 通道圖像、Cr 通道圖像的分別進行二值化的效果圖。設圖像 f (x, y)的灰度值范圍在[a,b]，二值化的閾值設為t (a ≤ t ≤ b)，則二值化處理的一般公式為：其中g(x, y) 是二值圖像，選擇不同的門限值 t ，將會產生不同的二值圖像 g(x, y) ，為了獲得正確的分割，常常需要基于某種準則選擇最佳的門限值t 。而若將一幅圖像先劃分為若干個子圖像，以后分別確定每個子圖像的門限值，則稱為局部門限技術。 模式法當灰度直方圖具有雙峰性的時候，對象物和背景的灰度一般分別在兩個山峰的附近，因此，可去山谷的中心點為閾值，這種方法稱為模式法。 可變閾值法在不均勻的光照條件下所得到的灰度圖像，采用確定閾值進行二值化的時候，得不到理想的圖像。這種情況下，每個子區(qū)域一般都不相同，這種二值化方法即稱為可變閾值法。閾值運算把所有像素分成兩組，Otsu方法通過使兩組像素的組內方差最小來確定閾值。Otsu 關于最佳閾值的定義是使組內方差的加權和最小的閾值，其中權分別代表各組概率。是值小于或等于t 的小組的方差，δ2(t)178。其中，利用簡單的順序搜索所有可能的t值，確定使δｗ(t)178。與總方差δ178。(2) 計算灰度均值:(3) 計算直方圖零階累積矩ω(k)和一階累積矩μ(k) (4) 計算類分離指標：(5) 求對應maxδBk(t)對應的k就是最佳閾值T；(6) 根據最佳閾值進行圖像二值化：在程序中該部分實現的主要代碼如下所示，灰度圖像的二值化效果圖如圖42所示。i(pGray_ImagewidthStep)。i256。i++) { if (Hist_Maxul_Hist_Array[i]) { Hist_Max=ul_Hist_Array[i]。i++) {//歸一化 d_Hist_Array[i]=ul_Hist_Array[i]/ul_sum。i++) { temp+=d_Hist_Array[i]。 //一階累積矩 d_uk+=i*d_Hist_Array[i]。 b=b*b/q。這樣，如何從中提取一些具有代表性的特征信息表征這幅圖像就是我們需要解決的問題，而這些提取的特征信息就稱為特征向量。形狀描述是用來表征圖像中被描述物體的形狀特征。矩在力學上表征物體空間的分布，在統(tǒng)計學中用于表征隨機量的分布。根據唯一性定理，若連續(xù)圖像二維函數f(x,y)是分段連續(xù)的，即只要在xy平面的有限區(qū)域有非零值，則所有的各階矩均存在，且矩序列{Mpq}唯一地被f(x,y)所確定。一階矩圖像有兩個一階矩（M10，M01），用來確定圖像的灰度重心。10=181。主要有平移變換、比例變換、旋轉變換、反射變換等。(x,y)為 f39。(x,y)=f[(xcosθ+ysinθ),xsinθ+ycosθ]，則變換后的矩為：（4）反射變換：若圖像f(x,y)對x軸做反射變換，即：f39。 矩特征有著明顯的物理和數學意義，也稱Hu矩為幾何矩。在本課題中使用了Hu不變矩特征量作為圖像的特征向量來用作SVM的訓練樣本和預測樣本。q4。one_I2 = pow(cvGetReal2D(pCentralMoment,2,0)cvGetReal2D(pCentralMoment,0,2),2) + 4*pow(cvGetReal2D(pCentralMoment,1,1),2)。tmp_30sub12 = cvGetReal2D(pCentralMoment,3,0)3*cvGetReal2D(pCentralMoment,1,2)。one_I6 = (cvGetReal2D(pCentralMoment,2,0)cvGetReal2D(pCentralMoment,0,2))* (pow(tmp_30add12,2)pow(tmp_21add03,2))+ 4*cvGetReal2D(pCentralMoment,1,1)*tmp_30add12*tmp_21add03。機器學習的目的是根據給定的訓練樣本求對某個系統(tǒng)輸入輸出之間依賴關系的估計，使它能夠對未知輸出做出盡可能準確的預測，可以一般的表示為變量y和x之間存在一定的未知的依賴關系，即遵循某一未知的聯(lián)合概率F(x,y)，則機器學習的問題就是根據n個獨立同分布的觀測樣本{(x1,y1)，(x2,y2)，……，(xn,yn)}在一組函數{f(x,w)}中求出一個最優(yōu)的函數{f(x,w0)}對依賴關系進行估計，使期望風險R(w)=∫L(y,f(x,w))dF(x,y)最小。ERM準則是目前絕大多數模式識別方法的基礎，其定義為訓練集上的平均出錯率，用于對整個樣本集的期望風險進行估計。 支持向量機支持向量機(Support Vector、 Machine)簡稱SVM。支持向量機主要針對線性可分情況進行分析，對于線性不可分的情況，則通過非線性映射算法將低維空間的樣本轉化為高維特征進行線性分析。我們的目標是找到構造最優(yōu)分類超平面的有效方法。為了找到最優(yōu)分類超平面，我們必須求解關于二者的二次規(guī)劃問題。假設有非線性映射Φ:Rd→H將輸入空間的樣本映射到高維（可能是無窮維）的特征空間H中。因此，在最優(yōu)分類超平面中采用適當的核函數K(xi，xj）就可以實現某一非線性變換后的線性分類。 LibSVM的應用LibSVM是用C++，Java等多種語言實現的開源SVM軟件包，其特點是可以解決分類問題、回歸問題以及分布估計等問題，提供了線性、多項式、徑向基和Sigmoid函數四種常用的核函數供選擇，可以有效地解決多類問題、交叉驗證選擇參數、對不平衡樣本加權、多類問題的概率估計等，執(zhí)行效率較高，是常用的模式識別開源軟件包。另外，svmscale主要完成樣本特征數據縮放預處理的工作。 手勢識別基于以上技術，本系統(tǒng)所實現的手勢識別的流程如圖43所示：圖43 手勢識別的流程圖 The flowchart of gesture recognition其中訓練SVM模型部分是在離線狀態(tài)下進行的，即在離線狀態(tài)下，采集手勢，處理后進行訓練，經過多次的測試和優(yōu)化之后生成一個后綴名為“.model”的模型文件，然后在程序中加載該文件即可利用它為根據進行手勢的判斷。再分別介紹每個子模塊的設計。還會介紹到關于OpenCV窗口的前端顯示情況和本課題設計的詳細情況。分別是“設置要打開的ppt文件”按鈕、“啟動視頻”按鈕、“運行”按鈕、“上翻”按鈕、“下翻”按鈕、“首頁”按鈕、“末頁”按鈕、“停止視頻”按鈕、“關閉”按鈕。OnBUTTONRun()函數：該函數為運行函數，調用時運行ppt文件。具體應用中是調用的View的Next()函數實現的下翻操作。具體應用中是調用的View的First()函數實現的。 接口部分的設計與實現這是將幻燈片控制模塊和手勢識別模塊結合，實現總體系統(tǒng)的功能實現。 JudgeState_3()。//如果前一手勢為0，//當前手勢為1，賦給變量what2do為值1,以下類似； else if (last_result==1 amp。amp。 result==2) what2do=4。 else if (last_result==0 amp。 result==2) what2do=2。amp。在程序中具體的語句如下所示：{……result=judge_image(hand_Cr)。具體應用中是調用的View的Last()函數實現的。OnBUTTONClose()函數：這是關閉函數，調用時可在此再調用關閉視頻函數、退出函數和取消函數，實現一次性的關閉。具體應用中是調用的View的Previous()函數實現的上翻操作。Onopenppt()函數：這是用來設置要打開的的ppt文件的。首先介紹有關的幻燈片控制函數（所有的控制函數都在對話框文件中調用）。在分別介紹了各個子模塊的有關情況之后，根據設計情況畫出了手勢識別的流程圖，這也是實際的程序中手勢識別的處理過程。 本章小結本章是本課題的核心部分，主要講述手勢識別的各個模塊的設計和算法實現。最后程序把訓練樣本的Hu矩數據保存一個TXT文件中，然后選擇核函數（本課題中選擇的是RBF核函數）和相應參數來訓練SVM模型，并命名訓練好的模型。其中svmtrain用于svm樣本訓練，接受特定格式的輸入，最后生成一個后綴名為“.model”的模型文件，就是訓練得到的模型。同時，核函數的引入解決了高維數帶來的麻煩。因此，如果能夠找到一個函數K，使得K(）=Φ(xi）.Φ(xj)，這樣，在高維特征空間中實際上只需進行內積運算，而這種內積運算是可以用輸入空間中的某些特殊函數實現的。前面我們介紹了在線性空間中可分的支持向量機最優(yōu)超平面的求解，而對于線性不可分的分類問題，必須對最優(yōu)化問題作一些改動。我們知道，具有最小范數且滿足該約束條件的向量w*定義了最優(yōu)分類超平面。把訓練樣本分成兩個有限子集：正樣本子集和負樣本子集。其理論和應用在橫向和縱向上都有了發(fā)展。所以在現實的情況中，總是也難以取得理想的結果。但是，在實際的機器學習問題中這一要求太強，樣本集的分布函數往往難以預知，這使得期望風險無法直接計算和最小化。 SVM訓練模型 本節(jié)將從最優(yōu)化理論下手，講解支持向量機（SVM）的應用。one_I4 = pow(tmp_30add12,2)+pow(tmp_21add03,2)。tmp_21sub03 = 3*cvGetReal2D(pCentralMoment,2,1)cvGetReal2D(pCentralMoment,0,3)。 } CalcCentralMoment(gray_image, pCentralMoment)。p4。而高階矩主要描述圖像的細節(jié)，如扭曲度、峰態(tài)等。為此，他給出了連續(xù)函數矩的定義和關于矩的基本性質，證明了有關矩的平移不變性、旋轉不變性以及比例不變性等性質，具體給出了具有平移不變性、旋轉不變性和比例不變性的七個不變矩的表達式。與變換前的矩Mpq有如下關系:通過令M00=1，對圖像實現比例歸一化處理。(x,y)為 f39。二階矩圖像有三個二階矩（M20， M02 M11），也稱之為慣性矩，用來確定物體的幾個重要特征，如主軸、圖像橢圓等。10和181。此外，還可以定義f(x,y)的(p+q)階中心矩181。下面首先介紹矩的有關概念。在二維的情況下，形狀可以定義為二維范圍內一條簡單連接曲線位置和方向的函數。對圖像作分析和識別，必須通過對圖像中的物體作定性或定量的分析來做出正確的結論，這些結論是建立在圖像物體的某些特征的基礎上的。 threshold=i。 q=d_wk*()。i256。 } for(i=0。 } } for(i=0。} for(i=0。 ul_Hist_Array[k]++。jpGray_Imageheight。總方差定義為： 總方差和組內方差之間的關系可以簡化最佳閾值的計算。在許多情況下，可以簡化到兩個模式之間搜索，而模式識別之間就是識別兩模式之間的分界值。= q1(t) δ1(t)178。設δｗ(t)178。如果直方圖是雙模式的，通過直方圖求閾值也就是確定一個最好的閾值t ，利用這個閾值把直方圖的兩種模式分開。從模式識別理論來看，不同的門限值導出了不同的類別分離性能，只有最合適的門限值才給出最合適的類別分離性能。另一種方案是把圖像分成若干個子區(qū)域，在各個子區(qū)域中計算其灰度直方圖。比較簡單的方法是，先將灰度直方圖進行平滑處理，再進行閾值的選擇。但在實際中，己知對象所占的面積比率的狀況非常少見，通常都是按照一定的規(guī)律推算出來的。若由每個像素鄰域的局部特性來決定t ，就稱為基于鄰域的門限方法。圖像的二值化其實是對灰度圖像的閾值運算。但是我們需要灰度化的圖像對一定強度的光照有抗干擾能力，即受光照的影響盡量小，所以把圖像由 RGB 空間變換到 YCbCr 空間，以利用該色彩空間亮度和色度可以分離的性質。使用黑色或灰度掃描儀產生的圖像常以灰度顯示。目的就是利用 YCbCr色彩空間亮度和色度可以分離的性質來克服一定程度的光照干擾。Lab 模式所包含的顏色范圍最廣，能夠包含所有的 RGB 和 CMYK 模式中的顏色。（4）Lab 模式Lab 模式的原型是由 CIE 協(xié)會在 1931 年制定的一個衡量顏色的標準，在 1976年被重新定義并命名為 CIELab。（3）CMYK 顏色模式CMYK 顏色模式是一種印刷模式。所有色彩(紅、橙、黃、綠、青、藍、紫等)都是表示顏色外貌的屬性。（2）HSI 模式這是基于人眼對色彩的觀察來定義的一種模式，在此模式中，所有的顏色都用色相或色調、飽和度、亮度三個特性來描述。當 3 種基色的亮度值相等時，產生灰色。這種約定稱為 RGB 模式。 彩色圖像的灰度化首先對于色彩空間進行一下介紹。圖 41 采用灰度投影法獲取手所在準確的手區(qū)域 Accurate hand region