Mikel
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。
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：
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：
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
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
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。
