基于AdaBoost分类器的手势检测
摘要:随着社会智能化的不断发展,人们对人机交互的要求也越来越高。手势识别就是人机交互中一项重要的技术。而手势识别中首要解决的任务就是首帧手势位置的检测,这直接影响到后续的跟踪与识别。本文通过基于Haar-like特征的AdaBoost分类器检测实现了在单目视觉条件与复杂环境下对特定手势的快速自检测。
关键词:Haar-like特征;AdaBoost分类器;手势检测
中图分类号:TP391 文献标识码:A 文章编号:1674-7712 (2013) 04-0010-02
一、引言
从计算机发明以来,人类就不断的改进技术,希望能够实现自然的人机交互。尤其是2010年微软kinect的重磅推出,更让人们看到了体感操作在这一方面所具有的广阔前景。手势是人类交流方式中的一个重要组成部分,因而手势识别也成为人机交互研究中的一个主要方向。在手势识别中,第一步就是要能够准确定位出首帧手势的位置,此后的跟踪环节与识别环节都需要基于首帧检测获取的信息,因此检测是手势识别的基础和前提。
对首帧手势的检测方法目前可简单划分为对任意手势的检测和对特定手势的检测。对任意手势的检测一般需要通过肤色信息、运动信息和轮廓信息等综合因素来定位目标手势,目前这类方法通常有一些限制条件,且抗干扰性有待提高。对特定手势的检测比较常用的方法都是基于统计信息的检测,其中基于Haar-like特征的AdaBoost分类器就是一种普遍使用的方案,这也是本文所采用的方法。
二、基于Haar-like特征的AdaBoost手势检测
Haar-like特征Haar-like特征是计算机视觉领域一种常用的特征描述算子,它最早是由Papageorigiou[1]等人提出的。目前常用的Haar-like特征可以分为三类:线性特征、边缘特征和中心特征。每一种特征的计算都是由黑色填充区域的像素值之和与白色填充区域的像素值之和的差值。而计算出来的这个差值就是所谓的Haar-like特征的特征值。
(二)AdaBoost分类器
AdaBoost算法由Freund和Schapire[2]在1996年提出,其核心思想是针对同一个训练集训练不同的弱分类器,然后将这些弱分类器集合起来,构成一个更强的最终强分类器,是对传统Boosting算法的一大提升。而Boosting算法的的理论基础来自于Kearns和Valiant[3]两位的相关证明。之后到2001年,Viola和Jones在AdaBoost算法的基础上,使用Haar-like小波特征和积分图方法进行人脸检测[4][5],他俩不是最早提出使用小波特征的,但是他们设计了针对人脸检测更有效的特征,并对AdaBoost训练出的强分类器进行级联,这让人脸检测技术跨上了一个新台阶,也因此当时提出的这个算法被称为Viola-Jones检测器。又过了一段时间,RainerLienhart和
JochenMaydt将这个检测器进行了扩展[6],最终形成了OpenCV中现在使用的Haar分类器。
AdaBoost分类器按流程可分为训练和检测两部分。其训练过程是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确
基于adaboost分类器的手势检测 来自淘豆网m.daumloan.com转载请标明出处.
