0引言

　　手势识别是人机交互中的一种重要手段[12]，动态手势具有直观性和自然性等特点，一直是国内外研究的重点。Britta Baue等人[3]利用单摄像头获取图像信息并利用KMeans算法自组织聚类基元，基于HMM模型训练和实时识别手语；Zhang等人[4]提出使用HMM算法来进行中文手语视频检索；Silanom等人[5]提出了根据手势运动分析识别泰文字母的方法。然而，以上基于视觉的动态手势的识别容易受到光照、复杂背景和算法复杂度等因素的影响，识别率和实时性受到限制。本文采用微软的Kinect传感器替换普通摄像头，获取深度数据，对深度数据进行动态手势分割，再用一种改进的DTW算法进行动态手势识别，克服了光照和复杂背景的干扰，降低了算法的复杂度，有效地提高了动态手势识别的稳定性和实时性。

　　1Kinect传感器获取特征

　　1.1Kinect传感器简介

　　Kinect是微软为其Xbox 360游戏主机和Windows平台PC打造的一款运动感知输入设备，作为一款体感外设，它实际上是一个采用全新空间定位技术（light coding）的3D体感摄像头[6]。Kinect一共有3个摄像头，中间一个是RGB摄像头，用来捕获640×480的彩色图像，每秒最多获取30帧图像；两边的是2个深度传感器，左边是红外线发射器，右边是红外线接收器，用来检测玩家的相对位置。

　　1.2特征提取

　　用Kinect传感器获得骨骼点的位置[7]，用Kinect for windows SDK实时追踪人体全身的20个3维骨骼点坐标，如图1所示。 该3D坐标信息不易受到背景、灯光、摄像头以及人体肤色等因素的影响。选择20个骨骼点中4个点作为特征处理，分别为左手、右手、左肩和右肩。

　　图120个骨骼点示意图

　　注：1.右脚；2.左脚；3.右脚踝；4.左脚踝；5.右膝盖；

　　6.左膝盖；7.右髋；8.左髋；9.髋部中心；10.脊柱；

　　11.肩膀中心；12.头部；13.右手；14.左手；15.右手腕；16.左手腕；17.右肘部；18.左肘部；19.右肩；

　　20.左肩一个特征向量可以表示为 Fn=（x1，y1，z1，x2，y2，z2，…，x4，y4，z4）其中，n为tn时刻的骨骼索引（一个手势序列包含n个这样的特征向量）。骨骼点左右手的运动代表了手部的运动，左肩右肩的运动相对较小，其位置可以用基准点来计算。取左肩和右肩的中心点为基准点，表示为A（xa，ya，za）=12（x3+x4，y3+y4，z3+z4），（1）得到基准点后，我们可以对特征向量进行归一化，定义O后=O-A|L-R|，（2）式（2）中：A为计算出的基准点在原有坐标系对应的向量；O为归一化前骨骼点对应的向量；O后为归一化后骨骼点对应的向量；L为左肩对应的向量；R为右肩对应的向量。

　　这样，我们就可以将原有的人体化坐标系转换到以双肩中心点为原点的双手坐标系。消除人体的尺寸和离摄像头距离的远近对特征向量引起的变化。

　　2DTW算法识别

　　DTW是把时间规整和距离测度计算结合起来的一种非线性规整技术，能够对有全局或局部扩展、压缩或者变形的模式完成匹配过程[8]。DTW算法就是在2个模式，即测试模式和参考模式的特征信号之间建立一条科学的时间校准匹配路径。

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。