【正文】 ab。目的就是利用 YCbCr色彩空間亮度和色度可以分離的性質(zhì)來克服一定程度的光照干擾。但是我們需要灰度化的圖像對一定強(qiáng)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(zhì)。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。比較簡單的方法是，先將灰度直方圖進(jìn)行平滑處理，再進(jìn)行閾值的選擇。從模式識別理論來看，不同的門限值導(dǎo)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。設(shè)δｗ(t)178。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。jpGray_Imageheight。} for(i=0。 } for(i=0。 q=d_wk*()。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(jié)論，這些結(jié)論是建立在圖像物體的某些特征的基礎(chǔ)上的。下面首先介紹矩的有關(guān)概念。10和181。(x,y)為 f39。為此，他給出了連續(xù)函數(shù)矩的定義和關(guān)于矩的基本性質(zhì)，證明了有關(guān)矩的平移不變性、旋轉(zhuǎn)不變性以及比例不變性等性質(zhì)，具體給出了具有平移不變性、旋轉(zhuǎn)不變性和比例不變性的七個不變矩的表達(dá)式。p4。tmp_21sub03 = 3*cvGetReal2D(pCentralMoment,2,1)cvGetReal2D(pCentralMoment,0,3)。 SVM訓(xùn)練模型 本節(jié)將從最優(yōu)化理論下手，講解支持向量機(jī)（SVM）的應(yīng)用。所以在現(xiàn)實(shí)的情況中，總是也難以取得理想的結(jié)果。把訓(xùn)練樣本分成兩個有限子集：正樣本子集和負(fù)樣本子集。前面我們介紹了在線性空間中可分的支持向量機(jī)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。同時，核函數(shù)的引入解決了高維數(shù)帶來的麻煩。最后程序把訓(xùn)練樣本的Hu矩數(shù)據(jù)保存一個TXT文件中，然后選擇核函數(shù)（本課題中選擇的是RBF核函數(shù)）和相應(yīng)參數(shù)來訓(xùn)練SVM模型，并命名訓(xùn)練好的模型。在分別介紹了各個子模塊的有關(guān)情況之后，根據(jù)設(shè)計情況畫出了手勢識別的流程圖，這也是實(shí)際的程序中手勢識別的處理過程。Onopenppt()函數(shù)：這是用來設(shè)置要打開的的ppt文件的。OnBUTTONClose()函數(shù)：這是關(guān)閉函數(shù)，調(diào)用時可在此再調(diào)用關(guān)閉視頻函數(shù)、退出函數(shù)和取消函數(shù)，實(shí)現(xiàn)一次性的關(guān)閉。在程序中具體的語句如下所示：{……result=judge_image(hand_Cr)。 result==2) what2do=2。 result==2) what2do=4。//如果前一手勢為0，//當(dāng)前手勢為1，賦給變量what2do為值1,以下類似； else if (last_result==1 amp。 接口部分的設(shè)計與實(shí)現(xiàn)這是將幻燈片控制模塊和手勢識別模塊結(jié)合，實(shí)現(xiàn)總體系統(tǒng)的功能實(shí)現(xiàn)。具體應(yīng)用中是調(diào)用的View的Next()函數(shù)實(shí)現(xiàn)的下翻操作。分別是“設(shè)置要打開的ppt文件”按鈕、“啟動視頻”按鈕、“運(yùn)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(guān)閉”按鈕。再分別介紹每個子模塊的設(shè)計。另外，svmscale主要完成樣本特征數(shù)據(jù)縮放預(yù)處理的工作。因此，在最優(yōu)分類超平面中采用適當(dāng)?shù)暮撕瘮?shù)K(xi，xj）就可以實(shí)現(xiàn)某一非線性變換后的線性分類。為了找到最優(yōu)分類超平面，我們必須求解關(guān)于二者的二次規(guī)劃問題。支持向量機(jī)主要針對線性可分情況進(jìn)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(zhuǎn)化為高維特征進(jìn)行線性分析。ERM準(zhǔn)則是目前絕大多數(shù)模式識別方法的基礎(chǔ)，其定義為訓(xùn)練集上的平均出錯率，用于對整個樣本集的期望風(fēng)險進(jìn)行估計。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。one_I2 = pow(cvGetReal2D(pCentralMoment,2,0)cvGetReal2D(pCentralMoment,0,2),2) + 4*pow(cvGetReal2D(pCentralMoment,1,1),2)。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(xùn)練樣本和預(yù)測樣本。(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。主要有平移變換、比例變換、旋轉(zhuǎn)變換、反射變換等。一階矩圖像有兩個一階矩（M10，M01），用來確定圖像的灰度重心。矩在力學(xué)上表征物體空間的分布，在統(tǒng)計學(xué)中用于表征隨機(jī)量的分布。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。 //一階累積矩 d_uk+=i*d_Hist_Array[i]。i++) {//歸一化 d_Hist_Array[i]=ul_Hist_Array[i]/ul_sum。i256。(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(biāo)：(5) 求對應(yīng)maxδBk(t)對應(yīng)的k就是最佳閾值T；(6) 根據(jù)最佳閾值進(jìn)行圖像二值化：在程序中該部分實(shí)現(xiàn)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。其中，利用簡單的順序搜索所有可能的t值，確定使δｗ(t)178。Otsu 關(guān)于最佳閾值的定義是使組內(nèi)方差的加權(quán)和最小的閾值，其中權(quán)分別代表各組概率。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。 模式法當(dāng)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(diǎn)為閾值，這種方法稱為模式法。設(shè)圖像 f (x, y)的灰度值范圍在[a,b]，二值化的閾值設(shè)為t (a ≤ t ≤ b)，則二值化處理的一般公式為：其中g(shù)(x, y) 是二值圖像，選擇不同的門限值 t ，將會產(chǎn)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(zhǔn)則選擇最佳的門限值t 。常規(guī)的RGB空間圖像直接灰度化是采用RGB空間到Y(jié)CbCr空間轉(zhuǎn)換后的Y通道圖像，具體轉(zhuǎn)換見下面的公式。（5）YCbCr 模式Y(jié)CbCr 色彩空間是一種從 RGB 空間非線性轉(zhuǎn)換而來的顏色空間，其已經(jīng)廣泛用于視頻圖像壓縮標(biāo)準(zhǔn)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。CMYK 模式在本質(zhì)上與 RGB 模式?jīng)]有什么區(qū)別，只是產(chǎn)生色彩的原理不同，在 RGB 模式中由光源發(fā)出的色光混合生成顏色，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(chǎn)生顏色。從實(shí)驗(yàn)中知道，不同波長的可見光具有不同的顏色。當(dāng)不同亮度的基色混合后，便會產(chǎn)生出 256*256*256 種顏色，約為 1670 萬種。對于濾除圖像中的噪聲，人們已經(jīng)提出了很多的方法。為方便 Hu 矩程序提取樣本特征，把選中的合格樣本按一定規(guī)律批量命名后保存到相應(yīng)文件夾。我們必須首先建立在各種條件下的手勢樣本庫。 本章小結(jié)本章主要介紹了系統(tǒng)設(shè)計的總體結(jié)構(gòu)和流程情況，并對各個模塊涉及到的問題進(jìn)行了介紹。系統(tǒng)的總體流程如圖32所示：圖32 系統(tǒng)的流程圖 System flowchart 功能模塊設(shè)計本系統(tǒng)的設(shè)計與實(shí)現(xiàn)分為三個模塊：幻燈片控制模塊，手勢識別處理模塊和接口模塊。獲取手勢圖像是由與PC機(jī)相連的攝像頭捕捉，其余的工作則主要由計算機(jī)完成?！?（3）通過對數(shù)據(jù)中每個分類屬性引入一個啞變量，SVM可以應(yīng)用與分類數(shù)據(jù)。它是Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法，它以結(jié)構(gòu)風(fēng)險最小化原則為理論基礎(chǔ)，通過適當(dāng)選擇函數(shù)子集及該子集中的判別函數(shù)使學(xué)習(xí)機(jī)的實(shí)際風(fēng)險達(dá)到最小，保證了通過有限訓(xùn)練樣本得到的小誤差分類器對獨(dú)立測試集的測試誤差仍然最小，得到一個具有最優(yōu)分類能力和推廣泛化能力的學(xué)習(xí)機(jī)。j++) gimgA[i][j]= (uchar)(cimgA[i][j].b* + cimgA[i][j].g* + cimgA[i][j].r*)。彩色圖像數(shù)據(jù)認(rèn)定為BGR順序. 關(guān)閉窗口: cvDestroyWindow(win1)。函數(shù)命名: cvActionTarget[Mod](...) Action = 核心功能(例如 設(shè)定set, 創(chuàng)建create)Target = 操作目標(biāo) (例如 輪廓contour, 多邊形polygon) [Mod] =bit_depth(S|U|F)Cnumber_of_channels S = 帶符號整數(shù) U = 無符號整數(shù) F =bit_depth(S|U|F)窗口管理的一些函數(shù)： 創(chuàng)建并放置一個窗口: cvNamedWindow(win1, CV_WINDOW_AUTOSIZE)。② 基于Intel處理器指令集開發(fā)的優(yōu)化代碼。OpenCV 為Intel174?！　Rect 矩形，就是（left,top,right,bottom）。　　CBitmap 位圖?！　WinApp 應(yīng)用程序類。另外，它通過消息映射表處理菜單、工具條、快捷鍵和其他用戶消息。此外MFC的部分類為MFC/ATL 通用，可以在Win32 應(yīng)用程序中單獨(dú)包含并使用這些類。MFC是C++類庫，程序員就是通過使用、繼承和擴(kuò)展適當(dāng)?shù)念悂韺?shí)現(xiàn)特定的目的。例如，SDI應(yīng)用程序的模板，MDI應(yīng)用程序的模板，規(guī)則DLL應(yīng)用程序的模板，擴(kuò)展DLL應(yīng)用程序的模板，OLE/ACTIVEX應(yīng)用程序的模板，等等。i++)　　std::coutvi[i] 。　　例如：　　void PutHzxy(char*str,int x=1,int y=1)//正確　　void PutHzxy(int x=1,int y=1,char*str)//錯誤使用STL　　STL（Standard Template Library，標(biāo)準(zhǔn)模板庫), STL的代碼從廣義上講分為三類：algorithm（算法）、container（容器）和iterator（迭代器），并包括一些工具類如auto_ptr?！　　　可以有三種方式調(diào)用函數(shù)PutHzxy()，例如：　　PutHzxy(C++語言)。例如使用引用的函數(shù)定義為：　　void Add(intamp。同時必須注意，參數(shù)數(shù)據(jù)類型相同，但是函數(shù)返回類型不同的兩個函數(shù)不能重載?！　∈褂脙?nèi)聯(lián)函數(shù)只須把inline關(guān)鍵字放在函數(shù)返回類型的前面。它的作用相當(dāng)于C語言的函數(shù)malloc（）和free（），但是性能更為優(yōu)越?！　? C++設(shè)計成給程序設(shè)計者更多的選擇，即使可能導(dǎo)致程序設(shè)計者選擇錯誤。另外，本章還分別介紹了這些技術(shù)的研究背景、現(xiàn)狀及以后的發(fā)展方向。介紹了系統(tǒng)的設(shè)計方式及手勢識別模塊的具體實(shí)現(xiàn)方法。本章介紹了課題研究背景與意義、國內(nèi)外研究現(xiàn)狀、課題的研究內(nèi)容和目標(biāo)。手勢識別技術(shù)在過去的幾年的研究成果中主要使用的是 KL 變換、神經(jīng)網(wǎng)絡(luò)方法及幾何矩，這些方法在擁有較少圖像的圖像庫中識別率較高，但是對于較大的識別庫，它的識別率就比較低，因此有待于研究新的適應(yīng)性強(qiáng)、實(shí)用性好的識別算法。②基于神經(jīng)網(wǎng)絡(luò)的手勢識別該方法目前廣泛應(yīng)用于靜態(tài)手勢的識別。一個完整的基于手勢識別的交互系統(tǒng)一般由以下幾個部分構(gòu)成。一般在設(shè)計實(shí)現(xiàn)基于手勢識別的交互系統(tǒng)時，首先要根據(jù)需求而定義相應(yīng)的手勢集合，實(shí)現(xiàn)的系統(tǒng)會根據(jù)輸入的具體手勢實(shí)現(xiàn)相應(yīng)的反應(yīng)或相應(yīng)的控制。典型的裝置是數(shù)據(jù)手套，這種方式能夠獲得手勢的精確數(shù)據(jù)，對手勢做準(zhǔn)確地分析。從目前的研究背景來看，諸多權(quán)威期刊雜志和會議不斷涌現(xiàn)出研究相關(guān)知識的論文和新的解決方案。特別是虛擬現(xiàn)實(shí)技術(shù)的發(fā)展，更進(jìn)一步促進(jìn)了手勢識別的研究。所以，為了使計算機(jī)朝著高性能、高智能和高可靠性方面發(fā)展，我們需要更深度的研究人機(jī)交互活動。1 緒論 近年來，隨著計算機(jī)性能的逐步提高和各領(lǐng)域?qū)τ嬎銠C(jī)使用的不斷深入，人與計算機(jī)的交互活動越來越成為人們?nèi)粘Ｉ钪械囊粋€重要組成部分。這一新型交互方式的發(fā)展經(jīng)歷了分別由鍵盤和鼠標(biāo)為主要工具的界面，雖然至今仍是以使用鍵盤和鼠標(biāo)為主，但其使用過程中暴露出來的不便捷、不自然，在很大程度上限制了人機(jī)交互的進(jìn)一步發(fā)展。也因此，手勢在很多方面都有著十分重要的應(yīng)用。它不僅包括難點(diǎn)問題的研究，且需要把研究成果在平臺上直接表現(xiàn)出來，還涉及到具體的實(shí)驗(yàn)驗(yàn)證，所以，研究的綜合性很強(qiáng)。嚴(yán)格意義的手勢識別開始于基于跟蹤器的手勢識別，即通過在手上放置傳感器，利用傳感器傳回的數(shù)據(jù)來進(jìn)行的手勢識別。研究人員一開始通過在人手上放置特定顏色的標(biāo)記來簡化問題，但是這種方法不方便用于在實(shí)際系統(tǒng)中，因此現(xiàn)在研究的重點(diǎn)是如何實(shí)現(xiàn)基于視覺的自由的人機(jī)交互。后者，手勢被看成是一個直接的交流手段，如美國的手語識別系統(tǒng)可以把手語翻譯成語音，這樣對于殘疾的朋友尤其有意義。①模板匹配技術(shù)這是一種最簡單的識別技術(shù)，它將輸入的原始數(shù)據(jù)與預(yù)先存儲的模板進(jìn)行匹配，通過測量兩個模板之間的相似度來完成識別任務(wù)。這樣就能夠通過計算原始圖像中的一系列幾何矩和標(biāo)準(zhǔn)模板庫中的幾何矩的點(diǎn)乘距離進(jìn)行判斷。 論文組織結(jié)構(gòu)論文共分為6章，組織結(jié)構(gòu)如下：第一章：緒論。第四章：手勢識別的設(shè)計與實(shí)現(xiàn)。2 背景技術(shù)本章主要介紹了在實(shí)現(xiàn)手勢識別中手勢圖像采集及處理分析所用到的主要技術(shù)，主要包括C++編程技術(shù)、MFC（微軟基礎(chǔ)類）相關(guān)知識、OpenCV所涉及的相關(guān)知識和支持向量機(jī)（SVM）的相關(guān)知識等?！　? C++設(shè)計成直接的和廣泛