论文部分内容阅读
手势检测作为人机交互中的一项关键技术，近年来吸引了越来越多的研究者的关注。手势检测技术融合了模式识别、图像处理、计算机视觉技术等多学科的知识，然而正是因为这种多学科的交叉性以及手势的多变性与环境背景的多样性，使得基于视觉的手势检测成为了一个颇有挑战的研究课题。本文在分析手势检测的研究现状与常用方法的基础上，提出了基于Gentle AdaBoost算法的手势检测研究方案，通过自建样本训练得到了四种手势共8个分类器，并完成了手势检测关键模块硬件设计，最终将其用于手势检测硬件系统中。本文主要做了以下三方面工作：1、基于手势检测算法鲁棒性的考虑，在总结手势检测最常用方法的基础上，通过对Gentle AdaBoost算法的原理与检测结果的分析，可以得出，该算法是一种具有很强鲁棒性的目标检测经典算法。因此，本文将其引入作为手势检测的算法，实验表明，在复杂背景的情况下，可以达到最高检测率为98.5%，最低误检率为2.48%的手势检测效果。2、基于Gentle AdaBoost算法所选用特征的考虑，在分析Haar特征和LBP特征的基础上，分别基于Haar特征和LBP特征对四种手势进行了训练，最终得到了用于手势检测的8个分类器。然后，通过对Haar特征和LBP特征的特点、特征数、训练时间、检测效果等多个参数的比较，实验证明，基于LBP特征的Gentle AdaBoost算法的手势检测比基于Haar特征的Gentle AdaBoost算法的手势检测具有更好的性能。因此，基于纹理的LBP特征更适合用于手势检测。3、基于手势检测实时性的考虑，在分析各种影响检测速度因素的基础上，对基于Gentle AdaBoost算法的手势检测最耗时的图像积分与缩放模块进行了优化。提出了一种省时的流水线硬件架构，该架构在每个时钟周期都可以计算出图像的一个积分值。继后对该架构采用Verilog HDL进行描述，并将该模块用在基于LBP特征的GentleAdaBoost算法手势检测硬件系统中。在FPGA时钟频率为200MHz的情况下，对640×480的图像进行手势检测，可以达到16帧/秒。