基于运动历史图和支持向量机的手势识别

文/于乐

基于运动历史图和支持向量机的手势识别

文/于乐

利用背景建模得到运动目标的前景后，如何对动作提取有效的信息进行分类是能否成功识别手势的关键。本文利用混合高斯模型GMM得到的前景图像序列获得运动历史图MHI，进而对各个动作的MHI提取HOG特征，通过支持向量机SVM的训练后可以准确识别不同的手势动作。

手势识别背景建模 MHI 支持向量机

运动的跟踪和分类是计算机视觉中重要的研究方向，在视频监控、人机交互中有广泛的应用。目前利用深度传感器和可穿戴传感器可以准确地识别动作，但是成本较高，本文采用普通摄像头采集图像，通过分割前景、特征提取和训练分类器三步实现手势识别。

1 基于背景建模提取前景

本文采用背景建模法中的混合高斯模型，该模型对每一个像素用多个高斯分布函数来描述，从而建立起场景的背景图像，在用当前帧与背景图像进行背景减除，再通过膨胀和腐蚀等操作得到运动前景。因为混合高斯采用多峰分布，所以可以滤去反复抖动的背景，从而提高了鲁棒性和准确性。

得到的运动前景图和背景图像如图1所示，可见背景图像保留了不运动的区域，而前景图有效地分割出了运动区域。

图1：基于混合高斯模型的前景图和背景图

2 获取MHl图像并提取特征

运动历史图MHI的原理是根据连续图像序列在时间上的叠加，对运动动作提供一个全局描述。具体操作是对一段时间内每个像素的值进行加权叠加，从而得到有方向性的动作描述图像。……