素材资料下载：
基于Python+OpenCV的手势识别算法设计源代码材料-机器学习文档类资源-CSDN下载采用Python的集成开发环境Pycharm进行本次课程设计，在Pycharm中进行需要库（模块）的更多下载资源、学习资料请访问CSDN下载频道.
https://download.csdn.net/download/qq_57587705/85072204
基于Python+OpenCV的手势识别算法设计-机器学习文档类资源-CSDN下载伴随着人工智能时代的到来，人机交互的领域也逐渐成为研究的一大方向；其中，手势识别是人机交互领域的一项更多下载资源、学习资料请访问CSDN下载频道.https://download.csdn.net/download/qq_57587705/85071730
目录
1. 课题背景及分析
1.1 课题背景
（1）所选课题的应用背景；
伴随着人工智能时代的到来，人机交互的领域也逐渐成为研究的一大方向；其中，手势识别是人机交互领域的一项关键技术，自此手势识别也迎来了一波高潮，近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上，都能或多或少的见到手势识别的身影。
手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域，手势识别的原理都是利用各种传感器（例如红外、摄像头等）对手部的形态进行捕捉并进行建模，形成一个模型信息的序列帧，而后将这些信息序列转换为机器能够识别的相对应指令（例如打开、切换菜单、移动等）来完成控制。
（2）课题的关键技术难点及技术现状；
手势识别是指计算机对人体运动的数学解释,为了提供必要的任务辅助,计算机需要正确地理解人类的手势,并根据手势的预定义指令进行操作。手势识别技术通常有数据采集、数据预处理、特征提取和识别分类几个不同技术阶段。目前手势识别主要有基于计算机视觉、基于超声波和基于惯性传感器三种实现方式
个人在进行手势识别算法设计面临的关键技术难点在于Open CV库的使用不是很熟练，有些Open CV库中的函数使用有很多不理解的地方，因此，本人在进行手势识别算法设计前，需要将所必须要用到的函数先进行温习和学习，才能运用到课题当中，
（3）设计基本思想及设计内容；
由于个人在本次课题之前已经学完HTML5（广义上，HTML5=HTML5本身+CSS3+JavaScript），Python,并可以熟练运用Python的集成开发环境Pycharm进行课题的设计，再加上对Open CV库的学习，(Open CV是一个用于图像处理、分析、机器视觉方面的开源函数库)，本次手势识别算法设计将采用Python+Open CV的形式进行算法设计。基本思路及设计内容如下：（HTML5如何运用到手势识别中，本人还未有逻辑思路，因此本次课题设计只采用Python+Open CV的形式进行算法设计，后续本人将继续学习，争取将所学的知识都可以使用上。）
采用Python的集成开发环境Pycharm进行本次课程设计，在Pycharm中进行需要库（模块）的下载，调取电脑摄像头，按帧读取摄像头采集到的头像，形态学处理，图像旋转（由于摄像头采集到的图像是镜像，需要用cv2.flip将摄像头采集到的图像进行处理），选取图片中固定位置作为手势输入，用红线画出手势识别框，基于hsv的肤色检测，进行高斯滤波，找出轮廓，求出图像中手势的凹凸点，手指间角度求取。
2. 算法设计
- 整体算法设计：然后对流程图中的每个步骤加以说明；
手势识别算法设计流程图如下：
- 用户手势：通过Open CV库中的VideoCapture()调取的摄像头进行手势的采集，通过Open CV库中的isOpened()进行初始化设置，搭配循环while和read()达到循环一直读取图像的效果。
- 手势的检测与分割：采取的图像都是属于二维RGB形式的图像，它是通过红色（R）、绿色（G）和蓝色（B）来实现彩色图像的。它本身是采用DIE三维色彩空间，RGB的色彩值是0–255，一共256级。0位色彩最弱的部分，呈现的颜色是黑色；而255表示色彩最强的部分，呈现的颜色是白色，这里采取hsv的肤色检测，进行人体手部的检测。
- 特征提取：进行高斯滤波，通过mask（mask=cv2.inRange）把HSV图片中在颜色范围内的区域变成白色，其他区域变成黑色；设置阈值去除背景部分，得到想要的区域
- 手势识别：通过手部摆出手势的特征进行识别（例如手指的个数，手指间的角度，手部的凹凸数）；需要在后面条件判断中加入手势的特性，才可进行手势识别。
- 设置指令：这里通过if条件判断进行设置指令，根据手势特征进行定义（例如手指的个数，手指间的角度，手部的凹凸数），进行条件判断；如果符合条件，便进行输出；如果没有符合条件的，将不显示出来，直至显示出设定的指令为止。
- 具体算法选择与比较：
第一点：加载图片，无论用cv2导入一张静态手势图片还是用摄像头导入实时图片都可以；这里由于直接调取摄像头方便一些，因此本人在这里直接选取调取摄像头获取实时图片。但是与静态手势图片相比较，静态图片在拍摄时可以防止光线，背景颜色等因素，结果会更具有真实性。
第二点： 肤色检测，基于HSV颜色空间H,S,V范围筛选法 HSV中 7<H<20 28<S<256 50<V<256
第三点：进行高斯滤波，通过mask（mask=cv2.inRange）把HSV图片中在颜色范围内的区域变成白色，其他区域变成黑色；设置阈值去除背景部分，得到想要的区域。
第四点：边缘轮廓检测，这里使用Open CV库里的findContours进行查找检测物体的轮廓。
第五点：求出手势的凹凸点，这里采用Open CV库和math库的功能进行凹凸点的计算和求解。
第六点：利用凹凸点个数判断当前手势（例如：0个凹凸点就是拳头，4个凹点就是布也就是5）,相比调用“百度云的人体特性识别的库” （即百度AI库），使用条件判断比较落后，但百度AI库上的资源需要付费才可以调用，因此在这里进行比较原始的条件判断识别。
- 算法改进；
改进一：手势特征条件判断可以修改成调用“百度云的人体特性识别的库” （即百度AI库），但百度AI库上的资源需要付费才可以调用，因此在这里进行比较原始的条件判断识别。
改进二：由于个人的技术的局限性，尝试了多次利用Python的GUI功能编程进行识别窗口的美化和改变视图的大小，但加上后，代码反复报错，不能实现原有的手势识别功能；因此，GUI功能编程这里暂时先不加进去，在以后学习完Python中的GUI功能后，在弥补现有的遗憾。
改进三：在设计源代码的时候，每个代码都是穿插在各个过程中，不容易去观看，因此，在设计初稿（最开始的源代码）上，改进行了代码的注释，尽量将一个过程中的代码放在一起。
3. 算法实现与调试
- 主要步骤的算法程序；（各个算法的注释都标注在.py文件中，详细的可查看源代码）
1、导入手势识别引用得到的库（模块）；
2、调用电脑的摄像头，一般电脑只有一个摄像头，摄像头编号为0；
3、读取摄像头采集到的视频照片，同时设置电脑窗口进行选择手势输入的位置的定义；
4、通过色彩值的不同，进行hsv的肤色检测，使用摄像头可以检测手摆出的手势；
5、对摄像头识别到的手势进行高斯滤波处理；
6、找出经过高斯滤波后手部手势的轮廓；
7、定义和找出手部手势的凹凸点；
1219
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
