基于增强现实手指识别图像显示技术的研究

baacloud免费翻墙vpn注册使用

基于增强现实手指识别图像显示技术的研究

1.手指的跟踪与检测

1.1 手指识别系统框架图

手指识别系统具有其独特的识别特点,手指识别不同于掌纹识别,手指识别相对于掌纹识别 而言,在算法上较简单一些。在一定意义上来说,手指识别是掌纹识别的前期。由于每个人的手型基本上是一样的,在特征库里需要放置的特征识别手势可以不用太 多,就可以实现普遍性性的手指识别。

特征库的建立首先要采集手势,包括分割手势和背景、定位、和图像的增强处理,然后进行 特征提取放入特征库。在系统运行阶段,通过摄像头采集得到彩色手势。系统通过位图转换(二值化),将彩色手势图片转换成灰度图,除去背景因素的影响。将转 换得到的灰度图与特征库里的特征手势进行特征匹配。匹配成功以后,系统将预设的虚拟物体进行渲染,并进行图像合成,显示在实时的画面当中。

 

11111

图2-1 手指识别系统框架图

1.2 手指识别系统手指检测算法分析

本文中的研究实验是在Window XP系统的visual studio 2005开发环境下以artoolkit为 基本实验环境的条件下进行的。在此节中主要对图像灰度化和图像模糊匹配算法进行分析。本次实验能达到提高识别效率和准确度的目的,主要是在这两方面进行了 研究并获得了成功。在系统的图形灰度化(二值化)阶段,传统都采用微分直方图法、灰度差直方图法、灰度期望值法等算法。但是这些算法执行效率普遍都比较 差,相对于前两种方法,灰度期望值法的执行效率有了较大的提高(参考文献(1)–)。此次实验中我们采用期望择优阈值法。需要声明的是,本方法是在灰度期望值法的基础上加以改进,使其执行效率进一步提高。图像灰度化(二值化)的执行过程如下图:

 

图2-2 原始图像

 

在不同的方法中,图像二值化的操作本质都是将图像信息转换成为数组或者矩阵(即数字图 像)存储在电脑中。在数字图像中,每一个像素值均属于一个有限数字集,这个有限数字集就是可能的灰度级。有限数字集中取不同的数据,也就形成了不同的图 像。在此基础上,我们可以用概率分布来描述图像的灰度分布情况。

假设图像的尺寸为W*L,则其灰度的可能取值为M1,M2,M3…ML。用随机变量N表示图像中任一像素Rxy,则x∈(1,W),y∈(1,L)即为N的取值范围。此时,图像的分布可以用概率分布来描述,每个灰度级出现的概率是不同的,其各自出现的概率为:

P1=P(M1), p2=P(M2),…,pn=P(ML);

并且

P(M1)+P(M2)+…+P(ML)=1

对于以上随机变量,可用以下密度矩阵进行描述:

222

对于不同的图像,其密度矩阵也是不同的。

对图像二值化效果的好坏关键在于对于阈值的确定。不同的算法对于阈值的确定的方法是不 同的。本文中的期望阀值法则采用全局选取阈值的方法。而在于对于阈值的选取上,本算法相对于灰度期望值法的改进之处在于,在进行阈值选取的阶段,本算法紧 根据密度矩阵选取,灰度级概率相对较大(大于某一概率)灰度级作为阈值。概率较小的则予以舍弃,不进行考虑。这样在一定程度上大大减少了系统的计算量,使 执行效率得到了较大幅度的提高。

2  融合图像的显示

2.1 灰度图像模糊匹配

将摄像头采集到的图像进行灰度化处理后,系统再将得到的灰度图片与模型库中的特征图进 行一一匹配。可想而知,图像的相似度越高,其识别准确率也高。但是在图像匹配阶段,为了提高匹配效率,我们采用设置匹配率的方法进行控制。在匹配阶段,只 要灰度图与特征库里的某一图像相似度达到或者超过这个值,便返回匹配成功。经过多次实验,最终我们将匹配率设置为%85,此时匹配效率较高并且准确率也不会收到太大的影响。

 

图3-1 灰度图模糊匹配

图3-1 灰度图模糊匹配

 

2.2 融合图像的显示

灰度图像匹配成功之后,系统将对实时图像进行坐标转换-,即转换为三维图像坐标。然后对虚拟物体进行渲染,之后将二者进行坐标融合,显示在实时界面中。此时现实场景与真实场景同步显示,达到识别效果。识别成功后,得到的融合画面如下图所示:

 

 图3-2 融合画面显示

图3-2 融合画面显示

 

3 实验结果及分析

在此部分本文主要对图像识别阶段进行分析。在图像二值化阶段,为了验证期望取忧阀值法的优越性,进行了多次的比较实验。在比较阶段,我们进行了两种不同的比较实验。

 

1. 相同图片相同条件下不同算法执行效率的比较。

2. 相同大小不同背景的图片相同条件下同一算法(期望取优阀值法)的比较。

进行第一种对比实验的目的是,验证期望取优阀值法相对其他算法的执行效率的提高。进行第二种对比实验的目的是,验证此算法在识别不同背景图片时的准确率。以上两组对比实验,验证了期望取优阀值法的识别效率和准确率。相对与其他算法此算法的识别效率提高了30%~40%。同时,使手指识别系统的执行效率进一步得到了提高。

版权声明:本文为博主原创文章,未经博主允许不得转载。

赞(0) 打赏
分享到: 更多 (0)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏