摘  要： 介紹了一種基于膚色與手形的動(dòng)態(tài)人手跟蹤方法。根據(jù)檢測(cè)過(guò)程中所用到的人手基本特征，提出了一種基于色度-飽和度自適應(yīng)閾值膚色分割與成對(duì)幾何直方圖（PGH）匹配的人手圖像檢測(cè)方法。為了克服跟蹤過(guò)程中背景色干擾的問(wèn)題，實(shí)現(xiàn)了基于Kalman濾波器的預(yù)測(cè)跟蹤。實(shí)驗(yàn)結(jié)果表明，該動(dòng)態(tài)人手跟蹤方法計(jì)算簡(jiǎn)便、實(shí)時(shí)性好、跟蹤精度高，可應(yīng)用在大多數(shù)復(fù)雜場(chǎng)景。
關(guān)鍵詞： 膚色概率直方圖；成對(duì)幾何直方圖；卡爾曼濾波器

　隨著計(jì)算機(jī)性能的不斷提高和機(jī)器視覺(jué)領(lǐng)域研究的不斷深入，人機(jī)交互技術(shù)日益成為機(jī)器視覺(jué)領(lǐng)域的研究熱點(diǎn)?；跈C(jī)器視覺(jué)的手勢(shì)識(shí)別作為其重要的研究?jī)?nèi)容之一，在許多領(lǐng)域有著重要的應(yīng)用。最近幾年，尤其在智能家居以及3D體感游戲領(lǐng)域，手勢(shì)識(shí)別得到了廣泛的應(yīng)用，因此受到越來(lái)越廣泛的關(guān)注。
根據(jù)識(shí)別特征的不同，手勢(shì)識(shí)別分為基于標(biāo)記的手勢(shì)識(shí)別和基于裸手的手勢(shì)識(shí)別系統(tǒng)，而裸手手勢(shì)識(shí)別又分為靜態(tài)手勢(shì)識(shí)別和動(dòng)態(tài)手勢(shì)識(shí)別[1]。目前，基于裸手的動(dòng)態(tài)手勢(shì)識(shí)別是手勢(shì)識(shí)別中最重要的領(lǐng)域[2]，相對(duì)于靜態(tài)手勢(shì)識(shí)別而言，動(dòng)態(tài)手勢(shì)識(shí)別有著更靈活、更廣泛的應(yīng)用。但是人手是一個(gè)多關(guān)節(jié)非剛性物體，在運(yùn)動(dòng)過(guò)程中會(huì)呈現(xiàn)出多種多樣的手勢(shì)形態(tài)，在跟蹤過(guò)程中還會(huì)伴有手勢(shì)遮擋和膚色干擾等情況。所以，如何對(duì)人手進(jìn)行有效的視覺(jué)檢測(cè)與跟蹤是實(shí)現(xiàn)動(dòng)態(tài)手勢(shì)識(shí)別和理解的關(guān)鍵，也是機(jī)器視覺(jué)機(jī)和人機(jī)交互領(lǐng)域中一個(gè)富有挑戰(zhàn)的重要課題。
1 相關(guān)工作
　按照運(yùn)動(dòng)目標(biāo)跟蹤策略的不同，對(duì)于動(dòng)態(tài)人手跟蹤可以分為基于模型和基于表象兩種方法。
　基于表象的方法又叫非模型跟蹤方法，它可細(xì)分為基于區(qū)域的跟蹤、基于活動(dòng)輪廓[3]以及基于其他圖像特征的跟蹤方法[4]。該方法的優(yōu)點(diǎn)是實(shí)時(shí)性較好，但由于所跟蹤特征很容易受遮擋或光線條件變化等外界因素的干擾，難以保證魯棒性?；谀Ｐ偷姆椒ㄒ獙?duì)跟蹤目標(biāo)建立特征模型，通過(guò)比較觀測(cè)和預(yù)測(cè)數(shù)據(jù)來(lái)修正模型中的參數(shù)。該類方法性能的實(shí)現(xiàn)依賴于初始化過(guò)程，如果初始化合理，即可達(dá)到精確的估計(jì)。同時(shí)該類方法還面臨著高維空間中搜索的難題，如采用粒子濾波器跟蹤人手運(yùn)動(dòng)，當(dāng)狀態(tài)空間維數(shù)過(guò)高時(shí)，需要大量的粒子來(lái)估計(jì)高維空間中的概率分布。因此這種方法計(jì)算復(fù)雜度高、計(jì)算量較大，很難保證實(shí)時(shí)性。
針對(duì)以上問(wèn)題，提出了一種快速魯棒的人手檢測(cè)與跟蹤算法，在背景相對(duì)復(fù)雜、存在類膚色干擾的情況下，該方法也能夠有效地對(duì)動(dòng)態(tài)人手進(jìn)行實(shí)時(shí)跟蹤。具體框圖如圖1所示。

        


　經(jīng)過(guò)對(duì)比可以看出，Camshift+Kalman實(shí)時(shí)性最好，但誤檢率最高；Haar+Adaboost方法漏檢率較低，但是跟蹤速度相對(duì)較慢，誤檢率較高；Chamfer Matching方法誤檢率與漏檢率都較低，但是跟蹤速度最慢，很難達(dá)到實(shí)時(shí)跟蹤的要求；本文所提出的SPDH+PGH+Kalman方法，誤檢率和漏檢率與Haar+Adaboost方法相當(dāng)，跟蹤速度接近Camshift+Kalman方法，滿足實(shí)時(shí)性跟蹤，具有較強(qiáng)的魯棒性，且能夠適用于大多數(shù)復(fù)雜場(chǎng)景。
　本文提出了一種基于膚色與形狀的手勢(shì)檢測(cè)與跟蹤方法，該方法簡(jiǎn)單可靠，具有較強(qiáng)的快速性與魯棒性。在跟蹤過(guò)程中，手部運(yùn)動(dòng)盡量保持恒速運(yùn)動(dòng)，跟蹤效果比較好。本文提出的方法尚有需要改進(jìn)之處，當(dāng)背景光照較強(qiáng)烈時(shí)，容易出現(xiàn)漏檢情況。因?yàn)閺?qiáng)光照的干擾，視頻中部分膚色區(qū)域的色調(diào)“污染”嚴(yán)重，所以影響了自適應(yīng)閾值膚色分割的效果。
參考文獻(xiàn)
[1] 楊波，宋曉娜，馮志全，等.復(fù)雜背景下基于空間分布特征的手勢(shì)識(shí)別算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2010，22（10）：1841-1848.
[2] 滕達(dá)，楊壽保，劉巖，等.基于“大小手”的徒手手勢(shì)實(shí)時(shí)識(shí)別[J].計(jì)算機(jī)應(yīng)用，2006，26（9）：2041-2043.
[3] 王亮，胡衛(wèi)明，譚鐵牛.人運(yùn)動(dòng)的視覺(jué)分析綜述[J].計(jì)算機(jī)學(xué)報(bào)，2002，25（3）：225-237.
[4] HOCH M， LITWINOWICZP. A practical solution for tracking edges in image sequences with snakes[J]. The Visual Computer， 1996， 12（2）：75-83.
[5] 趙懷勛，鄭敏，李志強(qiáng).一種自適應(yīng)光照的膚色識(shí)別算法[J].微電子學(xué)與計(jì)算機(jī)，2006，24[3]：158-160.
[6] Zhang Mingji， Wang Weiqiang， Zheng Qingfang， et al. Skin-color detection based on adaptive thresholds[C].Proceedings of the Third International Conference on Image and Graphics， 2004： 250-253.
[7] 洪紅，朱秀昌.一種新的人手圖像跟蹤算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（3）：88-91.
[8] 于仕琪，劉瑞禎.學(xué)習(xí)OpenCV[M].北京：清華大學(xué)出版社，2009.
[9] 劉玉進(jìn)，蔡勇，武匯岳.一種膚色干擾下的變形手勢(shì)跟蹤方法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（35）：164-167.