一、手势识别简介（附课程作业报告)

1 系统设计方案
今年来，手势识别作为新一代人机交互手段，受到了国内外研究学者以及公司的关注和研究，并且取得了突出的成果，在智能电视、游戏娱乐设备、机器人等方面都有了广泛的应用，而且，通过对手势识别技术的研究，可以推动机器设备对视觉感知能力的认识，并将其应用到更多的人工智能领域，使机器设备更好的理解人类的想法和意图，为我们的生活和工作带来更大的好处。本文实现了一种能识别五种手势的手势识别系统，可以完成人机交互的基本任务。
手势动作可以分为两种，一种是相对不动，没有任何附加动作的静态手势动作，另一种是相对运动、伴随着复杂变化（如缠绕、组合等）动态手势动作，前者突出表示形式及状态，后者突出变化及轨迹。本文主要针对第一种进行研究，系统处理流程如图1所示。

图1 系统结构流程图

2 系统验收需要达到的目标和测试水平
本系统可以对五种预定义的静态手势进行识别，如图2所示。

图2 五种预定义的静态手势
当系统输入以上任意一种手势时，系统能够准确迅速的做出判断当前输入的手势是属于哪一种，并且在控制台打印出相应信息。例如输入图片(a)时，系统在控制台输出手势1；输入图片(b)时，系统在控制台输出手势2，…。

3 系统实现框图和流程图
3.1手势分割
本文选择在YcbCr颜色空间进行手势分割处理，分割的重点在于建立肤色模型，利用手势皮肤颜色在YcbCr空间内满足聚类的特点，设定阈值范围，对图像进行扫描，在此范围内则认定为手势，不在此范围内的则不予考虑，查阅相关资料并进行试验发现，人手颜色在YcbCr的二维子空间（Cb,Cr）上的分布范围满足：Cb[133,173]&Cr[77,127]，当像素点满足此条件就认定为手势，此方法处理简单。手势分割流程图如图3所示：

图3 手势分割流程图

二、部分源代码

close all;clear all;
clc;
%----------------------------------------------
%图像进行中值滤波，并显示图像
%调用  median_filter( )  进行处理
%----------------------------------------------
area      = int32(0) ;%面积
perimeter = int32(0) ;%周长
%读进图像
[filename, pathname] = uigetfile({ '*.bmp';'*.jpg'; '*.gif'}, '选择图片');
  
RGB_data = imread([pathname, filename]);
[ROW,COL, DIM] = size(RGB_data); %提取图片的行列数

R_data =    single(RGB_data(:,:,1));
G_data =    single(RGB_data(:,:,2));
B_data =    single(RGB_data(:,:,3));
% %以下是中值滤波代码
% medfil_result_R = median_filter(R_data, 3);
% medfil_result_G = median_filter(G_data, 3);
% medfil_result_B = median_filter(B_data, 3);


%以下是建立肤色模型，实现RGB转YCbCr
Y_data = int32(zeros(ROW,COL));
Cb_data = int32(zeros(ROW,COL));
Cr_data = int32(zeros(ROW,COL));

 for r = 1:ROW 
     for c = 1:COL
%          Y_data(r, c) = 0.299*medfil_result_R(r, c) + 0.587*medfil_result_G(r, c) + 0.114*medfil_result_B(r, c);
%          Cb_data(r, c) = -0.1687*medfil_result_R(r, c) - 0.3313*medfil_result_G(r, c) + 0.5*medfil_result_B(r, c) + 128;
%          Cr_data(r, c) = 0.5*medfil_result_R(r, c) - 0.4187*medfil_result_G(r, c) - 0.0813*medfil_result_B(r, c) + 128;
         %系数进行8位量化处理
%          Y_data(r, c) = int32((76*R_data(r, c) + 150*G_data(r, c) + 29*B_data(r, c))/256);
%          Cb_data(r, c) = int32((-43*R_data(r, c) - 84*G_data(r, c) + 128*B_data(r, c) + 128*256)/256);
%          Cr_data(r, c) = int32((128*R_data(r, c) - 107*G_data(r, c) - 20*B_data(r, c) + 128*256)/256);
         Y_data(r, c) = floor( (76*R_data(r, c) + 150*G_data(r, c) + 29*B_data(r, c))/256 );
         Cb_data(r, c) = floor( (-43*R_data(r, c) - 84*G_data(r, c) + 128*B_data(r, c) + 128*256)/256 );
         Cr_data(r, c) = floor( (128*R_data(r, c) - 107*G_data(r, c) - 20*B_data(r, c) + 128*256)/256 );

     end
 end
 
 %以下是二值化及统计手势面积
 Gray_data = int32(zeros(ROW,COL));
  for r = 1:ROW 
     for c = 1:COL
       if Cb_data(r, c)>133 && Cb_data(r, c)<173 && Cr_data(r, c)>77 && Cr_data(r, c)<127
           Gray_data(r,c) = 0 ;
           area = area + 1 ;
       else
           Gray_data(r,c) = 255 ;
       end            
     end
  end
  
  %以下是边缘检测
  %edge_data=edge(Gray_data,'sobel') ;
  edge_data = Sobel_Image(Gray_data) ;
%   %以下是统计周长
%   for r = 1:ROW 
%      for c = 1:COL
%        if edge_data(r, c)==1
%            perimeter = perimeter + 1 ;
%        end
%      end
%   end
[H1,H2,H3,perimeter] = OriginMoment(edge_data) ;
function [ img ] = median_filter( image, m )
%----------------------------------------------
%中值滤波
%输入：
%image：原图
%m：模板的大小3*3的模板，m=3
 
%输出：
%img：中值滤波处理后的图像
%----------------------------------------------
    n = m;
    [ height, width ] = size(image);
    x1 = int32(image);
    x2 = x1;
    for i = 1: height-n+1
        for j = 1:width-n+1
            mb = x1( i:(i+n-1),  j:(j+n-1) );
            mb = mb(:);
            mm = median(mb);
            x2( i+(n-1)/2,  j+(n-1)/2 ) = mm;
 
        end
    end
 
    img = x2;
end

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4].刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
[5]李昌锋,郭生挺,陈文婷.基于静态手势识别的视力检测系统设计[J].科技创新与应用. 2021,11(13)