【正文】 result==0) what2do=3。//該函數用來判斷手勢的變換，并根據結果賦給變量what2do不同的值switch(what2do)//用來根據手勢變換的結果，調用不同的ppt控制函數……}其中，對于手勢變換的判斷，其具體語法為（即JudgeState_3()函數的編程）： { //last_result為前一手勢，result為當前手勢 if (last_result!=result)//如果出現手勢變換 { //手勢變換中的0，1，2是訓練好的SVM模型中定義的手勢if (last_result==0 amp。OnBUTTONLast()函數：這是控制ppt文件實現翻到末頁的函數。OnBUTTONUp()函數：這是控制ppt文件往上翻頁的函數。 幻燈片控制模塊本模塊主要是利用現有的幻燈片控制函數控制幻燈片的翻頁操作。也就是“離線訓練，在線識別”。LibSVM的應用程序主要包括“svmtrain”和“svmpredict”。當在特征空間H中構造最優(yōu)超平面時，訓練算法僅使用空間中的點積，即Φ(xi）.Φ(xj)，而沒有單獨的Φ(xi)出現。為此，我們要找到一個向量w*和一個常數（閾值）b*，使得他們滿足約束條件：并且向量w*具有最小的范數。自90年代初提出以來，由于其完整的理論框架和在實際應用中取得的很多好的效果，在機器學習領域受到了廣泛的重視。由于期望風險是預測函數在整個樣本空間上的出錯率的數學期望，因此要使其最小化必須依賴于聯(lián)合概率F(x,y)的信息。one_I3 = pow(tmp_30sub12,2)+pow(tmp_21sub03,2)。q++) {cvSetReal2D(pCentralMoment, p, q, 0)。低階矩主要描述圖像的整體特性，如面積、主軸、方向角等。(x,y)=f(x/α,y/β),則變換后的矩Mpq180。01=0。反之，{Mpq}也唯一地確定了f(x,y)。形狀描述方法有很多種，并且在生產和生活中已經得到了廣泛的應用。 if(bmax) { max=b。 } for(i=0。 Max_Gray_Value=i。i++) {//計算255每一個灰度像素值的數目 k=(unsignedchar)pGray_ImageimageData[j*pGray_ImagewidthStep+i]。之間有一定的關系，它不依賴于閾值。是值大于t 的小組的方差；q1(t)是值小于或等于t 的小組的概率，q2(t)是值大于 t 的小組的概率； μ1(t) 是第一組的均值， μ2(t) 是第二組的均值， 則組內方差定義為：δｗ(t)178。首先定義直方圖函數為一個概率函數 p，其中 p(0)，……，p(I)表示灰度值0，……，I的直方圖概率，p(i) = {(r,c)|image(r,c) = i} / | RC|，其中 RC 是圖像的空間區(qū)域。在這種情況下，有兩種解決方案，一種是當照明強度可用圖像坐標的函數來表示時，被觀測圖像 g(x, y)可用下式來描述：g(x, y) = c(x, y) f (x, y)其中， f (x, y)是在均勻照明條件下的圖像，c(x, y)是表示照明不均勻的程度系數。下面分別討論幾種確定門限的常用方法： p參數法當預先知道對象物在圖像中所占的面積比率時，將灰度直方圖中面積比率為p%的點作為閾值，這種方法稱為 p參數法。圖 42 一定光照強度下 Y 通道 Cb 通道 Cr 通道二值化圖像 Binary image of Y,Cb,Cr channel respectively under certain intensity illumination 以最大類間方差（Ostu）法進行圖像二值化 根據圖像處理的目標要求，需要把多灰度級的圖像變成只有兩個灰度級的圖像，即對圖像進行二值化?；叶戎狄部梢杂煤谏湍采w的百分比來表示(0%等于白色，100%等于黑色)。其中 L 的取值范圍是 0100，a 分量代表由綠色到紅色的光譜變化，而 b 分量代表由藍色到黃色的光譜變化，a 和 b 的取值范圍均為120120?！袅炼?I)：亮度是顏色的相對明暗程度，通常用 0% (黑)100% (白)來度量。當 3 種色光混合生成的顏色一般比原來的顏色亮度值高，所以 RGB 模式產生顏色的方法又被稱為色光加色法。主要的色彩空間有：（1）RGB 模式(紅、綠、藍三基色模型)這是一種最直接的方法，即使用紅、綠、藍的亮度值來表示彩色，其大小限定到一定范圍。如圖 41(A)是從實時視頻中截取的手的 RGB 圖像，圖 41(B)對應的二值化圖像，圖 41(C)通過灰度投影確定的準確手區(qū)域，圖41中標示出了更準確的手區(qū)域的范圍。相比較第一種方法，第二種方法采集樣本準確、全面，比如各種光照和各個角度下的手勢樣本，但是效率不如第一種方法高效。本節(jié)主要針對如何得到比較理想的處理效果，準確提取手勢圖像的特征進行闡述。手勢預處理模塊主要是針對圖像的獲取位置的選取、圖像的灰度化及二值化處理，并對相關算法進行的介紹和闡述；手勢矩特征的提取模塊主要解決圖像幾何矩特征的有關問題，包括矩的有關概念和Hu矩的相關計算；訓練SVM模型模塊先介紹一下最優(yōu)化理論，再闡述SVM的有關應用，以及與本課題設計相關的一些知識。另外我們對于SVM的訓練模型如何使用以及SVM在整個統(tǒng)計最小化理論中如何體現其優(yōu)勢都需要加以研究和掌握。 系統(tǒng)總體結構本系統(tǒng)主要完成使用攝像頭采集使用者的手勢，并將手勢加以處理后計算其Hu矩特征，然后根據訓練的SVM模型進行預測匹配，同時將手勢識別模塊與簡單的幻燈片控制按鈕功能相結合，在匹配成功后，調用相應的函數，控制幻燈片的翻頁操作。而其他分類方法（如基于規(guī)則的分類器和人工神經網絡）都采用一種基于貪心學習的策略來搜索假設空間，這種方法一般只能獲得局部最優(yōu)解。exit(0)。icimgheight。顯示圖像: cvShowImage(win1,img)。作為一個基本的計算機視覺、圖像處理和模式識別的開源項目，OpenCV可以直接應用于很多領域，作為二次開發(fā)的理想工具。作為一門綜合性的交叉學科，計算機視覺處理的領域涉及到計算機科學與工程、信號處理、物理學、應用數學與統(tǒng)計學以及神經生理學與認知科學等方面，并在制造業(yè)、檢驗、文檔分析、醫(yī)療診斷和軍事等領域的各種智能自主系統(tǒng)中有著廣泛的應用。OpenCV 擁有包括 300 多個C函數的跨平臺的中、高層 API。　　CString 字符串?！　Pen 筆，畫線。把CDC想象成一張紙，每個窗口都有一個CDC相聯(lián)系，負責畫窗口?！　View 視圖，負責內存數據與用戶的交互。MFC 應用程序的總體結構通常由開發(fā)人員從MFC類派生的幾個類和一個CWinApp類對象（應用程序對象）組成。同時，MFC支持對底層API的直接調用。MFC實現了對應用程序概念的封裝，把類、類的繼承、動態(tài)約束、類的關系和相互作用等封裝起來。i10,i++)　　(i)?！　⌒枰f明的是，所有的缺省參數必須出現在不缺省參數的右邊?！　f(y==1)　　x=wherex()。 //其中x為int或可以轉化為int的類型，如unsigned int, 但這時候編譯器通常會給出warning　　對于復雜的程序，使用指針容易出錯，程序也難以讀懂。例如：　　void PutHz(char* str)。但是宏調用有許多的弊端，可能引起不期望的副作用。出于保證語言的簡潔和運行高效等方面的考慮，C++的很多特性都是以庫（如STL）或其他的形式提供的，而沒有直接添加到語言本身里。C++語言在設計時有一定的原則，可以幫助我們很好的理解和掌握它的編程技術，也同時培養(yǎng)了我們的良好的編程習慣。第六章：系統(tǒng)測試。第三章：系統(tǒng)總體結構及功能劃分。由于手勢的多義性和復雜性，本課題研究時，將特定的三個手勢（靜態(tài)）作為預定義的手勢信息，用三種手勢之間產生的六種變換實現不同的幻燈片控制功能。④ 基于幾何矩的手勢識別一幅圖像可以被認為是一個二維密度分布，那么與空間位置有關的像素值的幾何矩函數，就能夠提供該圖像的形狀信息，例如，圖像的總面積、圖像矩心的坐標以及圖像的方位。而相關的基于手勢識別的交互系統(tǒng)，則再根據自身設計的需求進行下一步的設計即可，也就是再將識別出的結果和相應的控制系統(tǒng)相結合，最終達到利用手勢控制設備或者其他系統(tǒng)的效果。前者，手勢操作的虛擬對象一般是計算機產生的圖形，如模擬物體、控制面板設備、機器人的手臂、Windows 操作系統(tǒng)中的窗口等。在這之后，基于視覺的手勢識別便得到了廣泛地關注，研究人員對基于視覺的手勢識別做了深入地研究。尤其在線書寫(也稱動態(tài)書寫)識別和動態(tài)手勢識別是同一問題，都是分析時空運動軌跡。當然，由于研究難度的限制，目前還有很大的空間可以研究。 手勢，是一種普通的肢體語言，指人手或手臂有目的或有意義的運動。隨著計算機技術的迅猛發(fā)展，全世界進入了一個計算機時代。人的手勢作為人們日常生活中最廣泛使用的一種交流方式,手勢識別的研究受到了越來越廣泛的關注,然而由于手勢本身具有的多樣性、多義性,以及時間和空間上的差異性等特點,加之人手是復雜的變形體以及視覺本身的不適定性,使手勢識別成為一個具有挑戰(zhàn)性的多學科交義的研究課題。 基于手勢識別的交互活動在自然性和易用性上有其獨特的優(yōu)勢，這也是該類交互方式成為研究熱點的重要原因。 此外，隨著多媒體技術的發(fā)展、計算機性能的不斷提高，計算機己經具備了處理語音、圖形、圖像和文字等多種通信媒體的能力，從計算機到用戶的通信帶寬得到了進一步的提高。手勢識別的研究已經有四十多年的歷史。所以，研究人員開始逐漸關注主動感知方式的基于視覺的手勢識別。手勢檢測和跟蹤就是將手勢從采集到的圖像或圖像序列中檢測出來，這是手勢識別的第一步，包括手的檢測和跟蹤。然后，選擇手勢模型進行手勢分析，分析過程包括特征提取和模型參數估計。神經網絡是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學系統(tǒng)，它的出現標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。本課題旨在完成的任務是在目前現有研究技術的基礎上，熟悉掌握相關的手勢識別知識，并結合大學日常學習生活中較為常見的一種應用軟件——幻燈片的有關知識，將幻燈片控制與手勢識別結合，做成一種簡易的人際交互系統(tǒng)，以此進一步加深對人際交互活動的理解，并能夠熟悉相關方面的知識。第二章：主要應用技術。 第五章：接口模塊的設計與實現。它是一種靜態(tài)數據類型檢查的，支持多重編程范式的通用程序設計語言?！　? C++避免平臺限定或沒有普遍用途的特性?！　。?）自動地返回正確的指針類型，不用進行強制指針類型轉換。//聲明Add()為內聯(lián)函數　　這樣編譯器在遇到Add()函數時，就不再進行函數調用，而是直接嵌入函數代碼以加快程序的執(zhí)行。例如：　　void Add(int *a)　　{　　 (*a)++?！?/a為一個整數的引用　　}　　調用時使用　　Add(x)。//沒有使用缺省參數　　PutHzxy(C++語言,10)?！　ncludevector// 包含相關的頭文件/　　typedef std::vectorint intvector。MFC (Microsoft Foundation Class Library)中的各種類結合起來構成了一個應用程序框架，它的目的就是讓程序員在此基礎上來建立Windows下的應用程序，這是一種相對SDK來說更為簡單的方法。為了支持對應用程序概念的封裝，MFC內部必須作大量的工作。實現這種功能的基礎是C++對繼承的支持，對虛擬函數的支持，以及MFC實現的消息映射機制。一個例外是菜單（CMenu）不是從窗口派生的。無論是顯示器還是打印機，都是畫圖給用戶看。最常用函數InitInstance（）：初始化?！　Rgn 區(qū)域，指定一塊區(qū)域可以用于做特殊處理。 OpenCV簡介 OpenCV概述OpenCV的全稱是：Open Source Computer Vision Library，是Intel公司支持的開源計算機視覺庫。 這意味著如果有為特定處理器優(yōu)化的的 IPP 庫， OpenCV 將在運行時自動加載這些庫。④ 強大的圖像和矩陣運算能力。 // 以屏幕左上角為起點的偏移量讀入圖像: IplImage* img=0。 // 新的寬/高值(象素點)再介紹一些圖像轉換的函數：轉為灰度或彩色字節(jié)圖像: cvConvertImage(src, dst, flags=0)。//capture from video device 0從視頻文件獲取初始化: CvCapture* capture = cvCaptureFromAVI()。SV 盡管數量少，但卻包含了分類所需的信息。 本章小結本章主要介紹了再這次系統(tǒng)的設計中能用到的背景技術的大致情況。用攝像頭捕捉人的手勢，有一個如何獲取準確手區(qū)域的問題，另外還要對采集到的圖像進行預處理，此外光照對于圖像獲取的影響也很大，如何盡量小的減小其他的干擾也是個問題。對于各個模塊的功能劃分，有必要交代一下，以便更清晰的了解和掌握整個系統(tǒng)的設計思路。闡述了各個模塊之間的邏輯和功能關系，作為系統(tǒng)設計的框架和基礎。具體的手勢樣本采集步驟主要分為以下兩步：（1）可以用兩種方法完成樣本采集：請幾位實驗者在數字視頻攝像頭前做每類樣本各個角度的數字手勢，編寫程序在攝像頭獲取的實時視頻中，每隔一定的幀數（比如 10 幀）保存一幀圖像，經過預處理后保存作為樣本。 下面說明一下如何獲取手勢圖像的準確位置。 彩色圖像的灰度化首先對于色彩空間進行一下介紹。當 3 種基色的亮度值相等時，產生灰色。所有色彩(紅、橙、黃、綠、青、藍、紫等)都是表示顏色外貌的屬性。（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 CIEL