【正文】 色彩空間，然后利用其中的 Cb 或者 Cr 通道圖像來進行二值化分割，在有一定光照下比單純的利用 RGB 直接灰度化圖像效果要好。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(jù)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。閾值運算就是把感興趣的目標像素作為前景像素，其余部分作為背景像素。如果僅僅依靠像素本身的屬性來決定t ，就稱為基于像素屬性的門限方法。當考慮只用一個門限值去分割整體一幅圖像時就稱為全局門限技術。下面分別討論幾種確定門限的常用方法： p參數(shù)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(shù)法。例如在書畫作品中，文字部分所占的面積比率一般情況下是可以估計出來的，這時用這種方法來處理是比較有效的。但是，實際情況中，灰度直方圖不是很平滑的，會存在一些因為小的凹凸而產生的局部極小值，這樣給自動判斷造成很大的不便。這樣的處理方法會產生一些噪聲，但對判斷不會造成大的影響。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(shù)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(shù)。如果在子區(qū)域中同時存在背景和對象物，那么其灰度直方圖呈雙峰，這時可用模式法等進行二值化處理。 最大類間方差（Otsu）法這是我們要著重闡述的方法?，F(xiàn)在利用類別方差來判斷不同門限值劃分類別的分離性能，并由此導出自動選擇門限的方法。首先定義直方圖函數(shù)為一個概率函數(shù) 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。根據(jù)閾值t ，可以確定灰度值小于或者等于t 的像素集的方差以及灰度值大于t 的像素值的方差。組內均衡性的測度是方差，則均衡性高的具有較低的方差，均衡性低的具有較高的方差。 是小組內各方差的加權和，即組內方差；δ1(t)178。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。+ q2(t) δ2(t)178。最小的最佳閾值t。組內方差δｗ(t)178。之間有一定的關系，它不依賴于閾值。求閾值的具體程序流程可以歸納為：(1) 計算歸一化直方圖h(i)。for(j=0。j++) {for (i=0。i++) {//計算255每一個灰度像素值的數(shù)目 k=(unsignedchar)pGray_ImageimageData[j*pGray_ImagewidthStep+i]。 } } for(i=0。i++) {ul_sum+=ul_Hist_Array[i]。i256。 Max_Gray_Value=i。i256。 //灰度均值 d_ut+=i*d_Hist_Array[i]。i256。 } for(i=0。i++) {//零階累積矩 d_wk+=d_Hist_Array[i]。 b=d_ut*d_wkd_uk。 if(q=d_eps) continue。 if(bmax) { max=b。 } } 手圖像特征的提取一幅圖像包含的信息量是巨大的。圖像的描述方法有許多種，且每種方法都有其優(yōu)勢所在。所謂圖像描述就是用一組數(shù)量或符號(描述子)來表征圖像中被描述物體的特征。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。因此形狀的描述涉及到對一條封閉邊界的描述或對這條封閉邊界包圍區(qū)域的描述。若把二值圖像或灰度圖像看作是二維密度分布函數(shù)，就可以把矩技術應用于圖像分析。對于連續(xù)灰度函數(shù)f(x,y)它的(p+q)階二維原點矩Mpq的定義為：假設f(x,y)為分段連續(xù)的有界函數(shù)，并且在x,y平面上有限區(qū)域內為非零值。反之，{Mpq}也唯一地確定了f(x,y)。pq為：幾種矩的具體意義如下：零階矩零階矩M00的定義為：可見，如果f(x,y)為灰度圖像，則M00表示圖像灰度值的總和，或可以看做為物體的質量；當f(x,y)為二值圖像時，M00表示圖像的面積。其重心坐標為：根據(jù)中心矩的定義，很容易推出中心矩181。01均為0，即181。01=0。然后介紹矩的有關變換。（1）平移變換：若圖像f(x,y)分別在方向上平移a，b，則平移后的新圖像f39。(x,y)=f(xa,yb)，則平移后的矩的定義為：（2）比例變換：若圖像函數(shù)f(x,y)在x,y方向上比例變換為α、β倍時，則變換后的圖像f39。(x,y)=f(x/α,y/β),則變換后的矩Mpq180。（3）旋轉變換：若圖像繞坐標原點逆時針旋轉后，即：f39。(x,y)=f(x,y)；則變換前后的矩滿足：同理，若圖像對y軸做反射變換，即： Hu矩及其計算 我們知道，如果直接用原點矩或中心矩作為圖像的特征，不能保證特征同時具有平移、旋轉和比例不變性。七個不變矩是由二階和三階中心矩的線性組合構成，通過這些對于變換不敏感的基于區(qū)域的矩可以描述圖像的形狀特征。低階矩主要描述圖像的整體特性，如面積、主軸、方向角等。矩的一個特性是它是一種全局不變量，而且它對噪聲不太敏感；矩的另一個特性是不管目標是否封閉，都能較好地識別目標。程序中計算Hu矩的主要代碼如下：// TODO: initial mat for (int p=0。p++) for (int q=0。q++) {cvSetReal2D(pCentralMoment, p, q, 0)。 // calc invariant momentone_I1 = cvGetReal2D(pCentralMoment,2,0)+cvGetReal2D(pCentralMoment,0,2)。tmp_21add03 = cvGetReal2D(pCentralMoment,2,1)+cvGetReal2D(pCentralMoment,0,3)。tmp_30add12 = cvGetReal2D(pCentralMoment,3,0)+cvGetReal2D(pCentralMoment,1,2)。one_I3 = pow(tmp_30sub12,2)+pow(tmp_21sub03,2)。one_I5 = tmp_30sub12*tmp_30add12*(pow(tmp_30add12,2)3*pow(tmp_21add03,2)) +tmp_21sub03*tmp_21add03*(3*pow(tmp_30add12,2)pow(tmp_21add03,2))。one_I7 = tmp_21sub03*tmp_30add12*(pow(tmp_30add12,2)3*pow(tmp_21add03,2)) tmp_30sub12*tmp_21add03*(3*pow(tmp_30add12,2)pow(tmp_21add03,2))。 最優(yōu)化理論 統(tǒng)計學習理論(Statistical Learning Theory，簡稱SLT)，是一種專門研究小樣本情況下機器學習規(guī)律的理論，它建立在一套較堅實的理論基礎之上，為解決有限樣本學習問題提供了一個統(tǒng)一的框架。由于期望風險是預測函數(shù)在整個樣本空間上的出錯率的數(shù)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。因此傳統(tǒng)的學習方法采用了所謂經驗風險最小化(即ERM)原則，即定義經驗風險來作為對期望風險的估計，并設計相應的算法使之最小化。它建立在樣本數(shù)目足夠多的前提下，所提出的各種方法只有在樣本數(shù)趨向無窮大時，其性能才有理論上的保證。但這卻是發(fā)展進一步理想算法的基礎。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。且目前支持向量機有著以下幾方面的研究熱點：核函數(shù)的構造和參數(shù)的選擇；支持向量機從兩類問題向多類問題的推廣；更多的應用領域的推廣；與目前其它機器學習方法的融合；與數(shù)據(jù)預處理（樣本的重要度，屬性的重要度，特征選擇等）方面方法的結合，將數(shù)據(jù)中脫離領域知識的信息，即數(shù)據(jù)本身的性質融入支持向量機的算法中從而產生新的算法；支持向量機訓練算法的探索等等。下面首先介紹線性最優(yōu)分類超平面的有關算法。則這兩個子集對于超平面可分的條件是：存在一個單位向量Φ（||Φ||）=1和一個常數(shù)C，使得它們共同確定一個超平面，它將正樣本集和負樣本集分開，并具有最大間隔，這個平面被稱為最大間隔超平面，也就是最優(yōu)分類超平面。為此，我們要找到一個向量w*和一個常數(shù)（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(shù)。具有最小范數(shù)且以b=0滿足該約束條件的向量w*則定義了過原點的最優(yōu)分類超平面。對于二次規(guī)劃問題可以用拉格朗日乘子法求得其解。可以通過非線性變換把樣本輸入空間轉化為某個高維空間中的線性問題，在高維空間中求線性最優(yōu)分類超平面，這樣的高維空間也稱為特征空間或高維特征空間（Hilbert空間）。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(xiàn)。這些特殊的函數(shù)K就稱之為核函數(shù)。核函數(shù)的思想是把原本應該在高維特征空間中的計算，通過核函數(shù)在輸入空間中即可完成，這樣就無須知道高維變換的顯式公式，況且高維變換公式一般是無法得到的。對給定的函數(shù)K(x,y)，高維特征空間中的內積可以用輸入空間中的函數(shù)K(x,y)來表示的充要條件是：對于任意給定的函數(shù)g(x)這樣K(x,y)就對應了特征空間中的一個內積。LibSVM的應用程序主要包括“svmtrain”和“svmpredict”。svmpredict根據(jù)已經訓練好的“.model”模型文件，加上給定的輸入(測試樣本特征文件)，輸出(predict)預測測試樣本所對應的類別(class)。LibSVM使用的數(shù)據(jù)格式為： labelindex1：value1index2：value2...其中，label是訓練數(shù)據(jù)集的目標值，對于分類，它是標識某類的整數(shù)；編寫樣本的Hu矩提取批處理程序。經過多次對于數(shù)據(jù)的測試和優(yōu)化后，即可完成訓練任務。也就是“離線訓練，在線識別”。首先介紹手勢識別部分可分為手圖像預處理、手圖像特征提取和圖像的SVM訓練模型等三個子模塊。手圖像的預處理著重介紹了圖像二值化的處理方法和灰度化的實現(xiàn)，還介紹了幾種其他的實現(xiàn)方法；手圖像特征的提取，主要是介紹Hu矩的有關情況，對幾種矩的算法和意義進行了描述；SVM訓練模型先介紹了統(tǒng)計學習理論中的最優(yōu)化理論，并基于此理論介紹SVM的思想和方法，還單獨的講解了LibSVM的應用情況。5 基于手勢識別的幻燈片控制系統(tǒng)本章主要介紹幻燈片控制的有關情況，以及如何利用接口將之與手勢識別聯(lián)系起來。 幻燈片控制模塊本模塊主要是利用現(xiàn)有的幻燈片控制函數(shù)控制幻燈片的翻頁操作。為了操作的方便和直觀，我們做一個對話框窗口，并在此窗口上設置一些按鈕，來控制幻燈片的操作。具體如圖51所示：圖51 系統(tǒng)運行界面 System operation interface其中涉及到的控制函數(shù)有：Onpptbegin()函數(shù)：這是用來啟動ppt 文件的，該函數(shù)需要在設置好要打開的ppt文件后使用。該函數(shù)會自動匹對所設置的文件，如果不是ppt文件將設置失敗。OnBUTTONUp()函數(shù)：這是控制ppt文件往上翻頁的函數(shù)。OnBUTTONDown()函數(shù)：這是控制ppt文件往下翻頁的函數(shù)。OnBUTTONQuit()函數(shù)：這是退出函數(shù)，控制運行操作的退出。OnBUTTONFirst()函數(shù)：這是控制ppt文件實現(xiàn)翻到首頁的函數(shù)。OnBUTTONLast()函數(shù)：這是控制ppt文件實現(xiàn)翻到末頁的函數(shù)。這樣通過對各個不同控制函數(shù)的調用，就實現(xiàn)了對ppt文件的控制。具體的設計思路是：將手勢識別的結果（對二值化圖像計算的Hu矩特征）保存在一個全局變量中，然后進行手勢變換的識別判斷（即從一個手勢變?yōu)榱硪粋€手勢的識別），同時根據(jù)手勢變換的不同賦予另一個全局變量不同的值，然后再在啟動程序進行手勢處理時（即本設計中的啟動視頻后）進行調用：設置一個Switch選擇語句，根據(jù)該變量的不同值調用不同的幻燈片控制函數(shù)，從而實現(xiàn)兩個部分的結合。 //hand_Cr是手勢圖像二值化后的結果；//judge_image函數(shù)是計算圖像Hu矩特征的,；全局//變量result用來保存手勢識別的結果. result=1。//該函數(shù)用來判斷手勢的變換，并根據(jù)結果賦給變量what2do不同的值switch(what2do)//用來根據(jù)手勢變換的結果，調用不同的ppt控制函數(shù)……}其中，對于手勢變換的判斷，其具體語法為（即JudgeState_3()函數(shù)的編程）： { //last_result為前一手勢，result為當前手勢 if (last_result!=result)//如果出現(xiàn)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。 result==1) what2do=1。amp。 else if (last_result==2 amp。 result==0) what2do=3。amp。 else i