[毕业设计] [毕业设计]基于多视角视频采集与分析的智能鼠标算法研究—手势特征提取

论文简介：

毕业设计-基于多视角视频采集与分析的智能鼠标算法研究—手势特征提取，共32页，14282字，附代码、开题报告、答辩PPT等
主要内容
1.主要研究内容：
1）特征分析：根据不同的手势分析其边缘特征，主要有拳头，手掌，单个手指；
2）对经典边缘检测算法进行实现和实验分析比较；
3）根据对经典算法的分析结果提出对手势特征的具体描述算法并进行实验验证。
2. 采用的研究方法：
1）文献法: 通过查询和阅读已有的文献资料，在原有的基础上将已有的结论进行平行的引用加强。
2）讨论法：和做相近领域中论文的同学进行讨论，对于讨论后仍有疑难的问题请教指导老师。
3）比较法：对经典边缘检测算法和新兴算法进行实现和比较。
4）分析法：在研究过程中对手势的边缘特征进行分析。
5）模拟法：利用计算机进行实况模拟，来得出最相近的解决方法
3.拟取得的研究成果:
1）完成相关经典边缘检测算法的实现；
2）针对具体的手势特征提出有效的边缘检测方法；
3）与小组成员的其他算法模块进行整合与测试；
4）完成毕业设计论文的撰写，并完成一篇学术论文的投稿。

摘 要
计算机技术水平的发展，使人机交互的媒介不再拘泥于键盘鼠标，随着语音输入、动作识别等自然交互技术的出现，人与计算机的互动方式趋于自然化、人性化。近年来，计算机视觉技术的快速发展，使得人机交互的方式多样化的可能加大，对已有的自然人性化的交互方式也有所完善。
手势作为人类的一种肢体语言，是除却声音语言交流方式外，最常用的语言，辅助或用于表达人们的感受、需要或是意见情绪。手势作为由手形动作辅以表情姿势而构成的较为稳定的表达方式，依靠视觉与动作来进行交流，包含了大量的信息，是人体语言中信息量较大的语言。在人机交互中，手势可以作为一种自然方便的交互手段，而且研究人体语言的感知以及人体语言与自然语言的信息融合对于提高计算机的人类语言理解水平，加强人机交互技术的自然与人性化有重要意义。
而手势特征作为判别手势的重要信息，在识别匹配中有着重要的作用。角点检测作为计算机视觉和数字图像处理领域中常用的一种算子，不但保留有图像的重要特征，而且其所在的邻域一般也是图像中稳定的、信息丰富的、具有某些特性的区域。手势识别中利用角点可以更加精准的把握手势的特征，可以对像指尖等较小的手部特征进行提取，使手势提取更加完整。
本文学习分析了一些常见的点特征算子和LBP特征提取，主要对Harris算子进行了学习分析，在此基础上，提出了与高斯金字塔相结合的Harris角点检测算子，通过实验比较，说明了本文算法的优势。
关键词：手势特征提取；角点检测；Harris角点检测；高斯金字塔；LBP特征

目录
第一章 绪论 - 5 -
1.1 选题背景和意义 - 5 -
1.2 研究内容 - 6 -
1.2.1 角点检测 - 6 -
1.2.2 文章章节内容安排 - 7 -
第二章 常用的点特征算子 - 8 -
2.1 点特征 - 8 -
2.2 Moravec角点检测 - 8 -
2.3 Harris-Laplace角点检测 - 9 -
2.4 SIFT特征提取 - 10 -
2.4.1 SIFT特征提取算法概述 - 10 -
2.4.2 SIFT特征向量的生成算法 - 10 -
2.5 几种算子的简介比较 - 12 -
第三章 基于角点检测的手势特征提取 - 14 -
3.1 多分辨率图像金字塔 - 14 -
3.2 Harris角点检测 - 15 -
3.2.1 Harris算法的基本原理 - 15 -
3.2.2 Harris角点的性质 - 16 -
3.3 与高斯金字塔相结合的Harris角点检测算子 - 18 -
3.3.1 基本原理 - 18 -
3.3.2 测试与结论 - 19 -
第四章 基于LBP的特征提取 - 23 -
4.1 LBP特征算子的提出与计算方法 - 23 -
4.2 LBP算子的基本特性 - 24 -
4.3 测试与结论 - 26 -
第五章 结论与展望 - 28 -
参考文献 - 29 -
致谢 - 31 -
本科在读期间参加的项目及成果 - 32 -

1.2 研究内容
手势识别系统从手势的输入设备来看，主要有基于数据手套的识别系统和基于计算机视觉的手势识别系统[1]，而本文就是基于后者的。基于计算机视觉的手势识别系统是通过摄像头来进行采集相关的手势信息，并对所采集到的手势信息进行分析与识别。在这个过程中，对于不同手势的分析与识别也就有着重要的意义，而如何区别不同的手势也是一个重要的研究方向，要想区别不同的手势就要对这些手势的特征进行采集分析。
1.2.1 角点检测
手势特征作为判别手势的重要信息，在识别匹配中有着重要的作用。对于手势特征的提取也有许多不同的方法，如静态手势常用的特征主要有轮廓、位置、面积、手指的分布等[2]的提取，而在动态手势中则要考虑手在空间和时间两个维度上的变化，因此动态手势的特征主要包含手的位置变化和手的形状变化。而本文主要采用的是角点检测的方法来对手势的一些点特征进行检测分析，从而和其他的特征进行融合，获得较为准确的手势特征。
对于角点可以从两个不同的角度来理解与定义[3]：角点就是两个边缘相交的点；角点是在领域内有两个主方向的特征点。角点检测作为计算机视觉和数字图像处理领域中常用的一种算子，不但保留有图像的重要特征，而且其所在的邻域一般也是图像中稳定的、信息丰富的、具有某些特性的区域。角点检测作为一种算法，也有其性能的相应评价，主要在5个方面[3]：
首先是准确性，角点即使很细小，算法也要能检测到；
其次是定位性，检测到的角点要尽可能地接近其在图像中的真实位置；
再次是稳定性，对于同场景拍摄的多张图片，图片中相同位置的角点不应该移动；
然后是实时性，算法的计算量越小，运行的速度越快越好，也就是在保证可以稳定准确的检测到角点的情况下，尽可能地较少算法的计算量，提高其运算速度；
最后是鲁棒性，就是对噪声的抗干扰能力，能力越强，鲁棒性越好。
根据本文所研究的是基于多视角视频采集与分析的智能鼠标算法的相关的手势特征提取，因此，对于手势特征的角点检测主要是对手指的检测。针对于手指的检测，主要定义的手势是手掌全张，单个手指和拳头，如图1-1所示。本文所进行的实验主要是针对图1-1所示的手势展开的。
(a) (b) (c)
图 1-1 手势定义
1.2.2 文章章节内容安排
第一章 绪论 主要是阐述本文的选题背景和意义，介绍所研究内容以及对论文章节的安排。
第二章 常用的点特征算子 主要是对现阶段的角点检测的背景内容的介绍和一些经典算法，如Moravec算子、Forstner算子、Harris算子、SUSAN算子、SIFT算子和SURF算子等算子中的某些算子做简单的说明，以及部分所需算子检测结果的展示说明。其中的Harris算子将在第四章介绍，也是主要介绍的算子。
第三章 基于角点检测的手势特征提取 主要是介绍基于角点检测的手势特征提取模块的算法设计和流程，以及对本文的核心算法进行介绍，在此章中会对Harris算子，高斯金字塔等算法进行详细介绍。对检测结果进行比较说明。
第四章 基于LBP的特征提取 主要是对LBP特征的理论基础的介绍以及结果的展示与说明。
第五章 结论与展望 是对本文所进行的研究工作的总结，分析本文的研究成果以及文中所提方法存在的不足，并提取相应的解决思路，以便为以后的研究工作提供参考方向。

论文文件预览：
共6文件夹，17个文件，文件总大小：1.98MB，压缩后大小：947.67KB

• 毕业设计-基于多视角视频采集与分析的智能鼠标算法研究—手势特征提取
• 1091000188
• 高金-成果
• 代码
• harris-pyr
• expand_points.m  [2.63KB]
• gauss.m  [1.84KB]
• gaussPyr.m  [554.00B]
• Harris1.m  [2.76KB]
• pyr_reduce.m  [1.15KB]
• Response_value.m  [883.00B]
• LBP
• getmapping.m  [3.07KB]
• lbp.m  [6.67KB]
• lbp_test.m  [144.00B]
• 高金-毕业答辩.ppt  [624.00KB]
• 1091000188-高金.doc  [1.33MB]
• 1091000188_中期检查表.pdf  [3.77KB]
• 1091000188_开题报告.pdf  [5.58KB]
• 1091000188_成绩单.pdf  [2.47KB]
• 1091000188_答辩记录单.pdf  [2.42KB]
• 1091000188_论文打分表.pdf  [2.00KB]
• 1091000188_进度报告.pdf  [10.05KB]