English

应用科学学报 >

2013 , Vol. 31 >Issue 5: 526 - 532

DOI: https://doi.org/10.3969/j.issn.0255-8297.2013.05.013

信号与信息处理

一种用于手势识别的局部均值模式纹理描述子

展开
  • 1. 上海大学影视艺术技术学院，上海200072
    2. 上海大学计算机工程和科学学院，上海200072
    3. 郑州大学软件技术学院，郑州450002
丁友东，教授，博导，研究方向：模式识别和可视媒体修复，E-mail: ydding@shu.edu.cn

收稿日期: 2011-09-06

  修回日期: 2011-11-13

  网络出版日期: 2011-11-13

基金资助

上海市科委国际合作项目基金(No.09510700900)；上海市重点学科建设项目基金(No.J50103)；上海市教委创新项目基金
(No.09YZ10) 资助

收起

Local Mean Pattern Texture Descriptor for Gesture Recognition

Expand
  • 1. School of Film and TV Arts Technology, Shanghai University, Shanghai 200072, China
    2. School of Computer Engineering and Science, Shanghai University, Shanghai 200072, China
    3. School of Software Technology, Zhengzhou University, Zhengzhou 450002, China

Received date: 2011-09-06

  Revised date: 2011-11-13

  Online published: 2011-11-13

Fold

摘要

提出了一种改进的局部二值模式即局部均值模式用于对静态手势进行分类. 计算不同分辨率的原始手势图像、非线性光照变化图像、高斯模糊图像和椒盐噪音图像的局部均值模式、局部二值模式和局部角相模式. 利用gentle_Adaboost 分类算法对这些算子特征进行训练和测试，实现手势分类. 文中提出的局部均值模式能充分利用区域内像素灰度值之间相关性和区别性信息进行编码，恰当地描述不同手势的特征，具有简单快速及良好的区分度等特点. 实验结果表明：与局部二值模式和局部角相模式相比，局部均值模式算子取得了更高的分类准确度.对于原始图像，该描述子的分类准确度达到95%，同时该模式对非线性光照变化和高斯模糊具有较强鲁棒性.

关键词： 局部二值模式; 局部均值模式; 手势识别; 鲁棒性; 分类算法

本文引用格式

丁友东1， 庞海波2,3， 吴学纯2， 魏小成2 . 一种用于手势识别的局部均值模式纹理描述子[J]. 应用科学学报, 2013 , 31(5) : 526 -532 . DOI: 10.3969/j.issn.0255-8297.2013.05.013

Abstract

 This paper presents an improved local binary pattern (LBP) descriptor, known as the local mean pattern (LMP), to classify static gestures. We select original gesture images, nonlinear illumination images,Gaussian blurred images, and images contaminated by salt and pepper noise, calculate their LMP, LBP and
local angular phase (LAP) descriptor. The gentle_Adaboost classification algorithm is used for training and verifying these gesture features. The descriptor makes full use of correlation and difference of pixel gray values in certain regions. It is a good description for the characteristics of different gesture images. Experiment results show that LMP descriptor outperforms LBP and LAP. Classification accuracy of LMP descriptor reaches 95%.  The descriptor is robust to nonlinear illumination and Gaussian blur.

Key words： local binary pattern; local mean pattern; gesture recognition; robust; classification algorithm

Options
文章导航

/

〈 〉