基于MB－LBP紋理信息手勢識別

趙 瑩， 史東承

（長春工業大學 計算機科學與工程學院，吉林 長春 130012）

0 引 言

隨著計算機技術的不斷發展，應用領域的不斷深入，計算機對現代社會的發展起到舉足輕重的作用，建立和諧良好的人機交互環境，使計算機技術更好地為生產和生活服務是近年來許多科研工作者一直不懈努力和鉆研的方向。鼠標、鍵盤、按鍵、無線輸入設備［1］等是常用的人機交互方式，而這些傳統的方式不能滿足一些實際的人機交互需求，手勢語言是一種自然、靈活、使用頻率高、使用方便的人機交互方式，目前已經成為一個熱門的研究領域。

在手勢識別的諸多方法中，基于外觀的手勢識別方法較為廣泛，基于外觀的手勢特征建模有兩種：提取圖像外觀特征和提取紋理信息特征的方法，其中外觀特征主要有輪廓特征、形狀特征、膚色特征等。文獻［2－3］應用輪廓特征匹配進行手勢識別，文獻［4］應用膚色模型進行手勢識別，但是它們的識別精度很容易受光線和復雜背景影響?；诩y理信息描述是一種主流方法，其識別精度高，且具有很高的魯棒性。紋理信息描述時，要對圖像進行求取直方圖均值、標準差、熵、平滑度等紋理信息，文獻［5］采用紋理直方圖信息完成手勢識別。總的來看，基于紋理信息描述的識別方法更為優秀，識別精度更高。

文中在紋理信息描述的局部二值模式方法應用基礎上，將MB－LBP算法應用到手勢識別中，提出一種分塊紋理描述的新方法，用來解決LBP方法中全局紋理灰度信息使用局限、誤識別情況多的問題，文中方法最終將分塊圖像的灰度直方圖信息整合成多維直方圖向量，即復合LBP直方圖向量，作為主要識別參數，很好地保證了手勢識別的精度問題，值得推廣。

1 分塊紋理信息描述

對于手勢識別問題來說，最為重要的問題就是提取出圖像中目標手勢不變的特征，紋理信息是目標手勢自身固有的特征，而傳統的直方圖方法不能把握住手勢圖像的結構信息，手勢圖像中各個部分的差異也比較大，如果單一的對LBP圖像進行像素點灰度數量進行計算，得到直方圖將缺失很多結構信息，而基于分塊思想的紋理信息描述可以很好地解決這一問題。

1.1 基本LBP

LBP（Local Binary Patterns）算子的原理與濾波過程中的模板操作相近，逐一掃描圖像中的所有像素點，以每一個像素點的灰度作為對該點周圍3×3的8鄰域二值化的閾值，有順序的把二值化結果轉化為對應的8位二進制數，把范圍在0～255的8位二進制二值化結果記作該點的LBP處理結果［6－7］，其算法操作過程如圖1所示。

圖1 基本LBP算子

基本LBP算子自身帶有操作范圍小且半徑固定的不足，不能達到操作尺寸變化和紋理粗度不同的要求，為了滿足不同紋理粗度以及灰度和旋轉不變性，Ojala［8］等用圓形鄰域半徑以及鄰域像素點數量靈活的優點取代了3×3的正方形鄰域［9］，應用圓形鄰域的半徑為R，圓形鄰域內含有P個像素點，則基于圓形鄰域的LBP算子記作LBPP，R，而（8，2）鄰域圓形LBP算子原理圖如圖2所示。

圖2 圓形的LBP8，2算子

LBP直方圖在實際應用中都是對各個分塊進行計算的，對于一幅圖像，對每一個分塊應用LBP算子得到的8位二進制數數目很大，而圖像的分塊數也很大，但真正位于分塊區域中的目標像素數目卻較少，從而使獲得的直方圖不緊湊，滿足不了實際需求，因此，統一化LBP（Uniform LBP）思想應運而生，成為LBP算子的又一重大突破，對于LBP算子操作后獲得的8位二進制模式，將獲得的所有8位二進制串看作一個循環，如果0和1之間的轉變在2個以內，則把這樣的局部二進制模式記作統一化模式，在實際LBP直方圖應用中，只把統一模式算作直方圖收集箱內的成員，其它的計入公用收集箱，從而使LBP特征的數目直線下降，統一化的LBP算子記為

1.2 基于圖像分塊和紋理信息描述

應用傳統的LBP紋理直方圖進行手勢識別，主要是對紋理圖像中的像素點灰度等級進行統計，該方法簡單高效，但是隨之而來的是忽略了紋理圖像自身的空間結構信息，如果不同手勢紋理圖像中的像素點灰度等級相似，就會造成誤判。利用圓形LBP算子的優點和圖像分塊的思想，文中 選 擇（Multi－block Local Binary Patterns）算法，其中S表示圖像分塊的數目為S算子克服了傳統LBP算子針對像素值的操作，轉化為不同圖像塊灰度均值的比較，這種方法增加了對圖像整體信息的粗粒度把握程度，很好地克服LBPP，R算子描述局部紋理信息能力強，而對圖像自身結構特征把握不好的缺陷。由算法，我們將分塊圖像灰度直方圖信息進行順序整合，得到一個復合LBP直方圖向量，這個復合LBP直方圖向量將作為手勢識別過程中的關鍵參數。

2 手勢識別方法

采用基于相關的模板匹配算法，對于大小為M×N的樣本圖像f（x，y），大小為J×K的待檢測圖像w（x，y），則f與w的基于匹配的相關計算公式如下：

匹配率計算公式為：

式中：x＝0，1，2，…，N－K；y＝0，1，2，…，M－J。

相關是通過計算模板圖像像素與待檢測圖像像素之間的關系得到的，為使紋理信息能較好地應用于基于模板的匹配算法，將f與w分別對應于MBS－LBPμ2P，R算法中得到的復合LBP直方圖向量a，b（a代表模板圖像復合LBP直方圖向量，b代表待檢測圖像復合LBP直方圖向量），因此式（1）可以簡化為：

式中：θ——a、b之間的夾角。

a、b的模值為一個固定值，因此，a·b的大小取決于cosθ的大小，cosθ大小就成為復合LBP直方圖向量匹配程度的衡量標準，因此得到匹配率計算公式：

因為cosθ的取值范圍是［0～1］，故匹配率r（a，b）的取值范圍為［0～1］。

3 實驗分析

首先選用Massey University手勢數據庫［10］作為實驗對象，該數據庫內含有來自5個人在不同光照下的36種手勢，共2 425張圖像，在這里列舉出4張原始手勢圖像，以及應用傳統LBP方法進行處理得到的紋理圖像和直方圖，如圖3所示。

圖3 數據庫中4幅圖像經傳統LBP處理后灰度直方圖

在列舉出來的直方圖信息中，第2種手勢和第4種手勢的直方圖過于相似，導致實驗過程中發生誤判率較高，為了保證直方圖信息更加豐富，將圖像分塊方法引入，獲得復合LBP直方圖向量，經MB－LBP算法處理后復合LBP直方圖向量如圖4所示。

圖4 經MB－LBP算法處理后復合LBP直方圖向量

從兩幅圖像的復合LBP直方圖向量可以看出圖像自身紋理空間結構信息的不同，通過實驗表明，手勢識別誤判率明顯降低，應用復合LBP直方圖向量作為識別參數的手勢識別率較高。基于Massey University手勢數據庫中36種手勢分別應用傳統LBP和MB－LBP兩種方法進行特征提取后的識別率對比如圖5所示。

圖5 傳統LBP和MB－LBP兩種方法進行特征提取后識別率對比

從圖5可以看出，MB－LBP算法的識別率得到了較好地提高。

下面在實驗室內采集單一背景手勢圖像進行識別實驗。實驗室內采集的8幅常見手勢圖像如圖6所示。

圖6 A～H 8幅常見手勢圖像

將采集到的8幅常見手勢圖像傳統LBP直方圖向量與復合LBP直方圖向量作為手勢識別的參數模板使用，記為A1～H1與A2～H2。識別率的求取方法是：首先，通過匹配率方法求取待識別的30幅同一手勢圖像與每一個模板的匹配率，而后選取待匹配圖像模板中匹配率最高的一組匹配作為識別結果，統計30幅同一手勢待匹配圖像的最終正確識別結果，最后求得識別率，傳統LBP算法與文中算法匹配率和識別率對比結果見表1。

表1 傳統LBP算法與文中算法匹配率和識別率對比結果

從表1中的匹配率數據中可以看出，傳統LBP算法匹配率較文中算法匹配率低。

4 結 語

提出一種基于MB－LBP算法的手勢識別方法，很好地克服了傳統LBP紋理灰度直方圖對圖像空間結構信息把握能力差，導致手勢識別精度低的問題。

文中算法與傳統LBP算法進行了對比，識別率有了較大的提高，該方法可以很好地應用到人機交互系統中，值得推廣。

［1］ 王真水，李琳，劉曉平.支持自定義的多粒度動態手勢識別方法研究［J］.電子測量與儀器學報，2014，28（4）：416－423.

［2］ Bretzner L，Laptev I，Lindeberg T.Hand gesture recognition using multi－scale colour features，hierarchical models and particle filtering［C］／／Automatic Face and Gesture Recognition，2002.Proceedings.Fifth IEEE International Conference on.IEEE，2002：423－428.

［3］ Barczak A L C，Gilman A，Reyes N H，et al.Analysis of feature invariance and discrimination for hand images：Fourier descriptors versus moment invariants［C］／／International Conference Image and Vision Computing.New Zealand：IVCNZ，2011.

［4］ 鐘文濤.基于顏色模型和紋理特征的膚色識別系統的研究［J］.科技廣場，2012（3）：6－9.

［5］ 柴秀娟，汪孔橋.基于分塊局部紋理描述的手勢識別［J］.高技術通訊，2010（5）：487－492.

［6］ 王瑋，黃非非，李見為，等.使用多尺度LBP特征描述與識別人臉［J］.光學精密工程，2008，16（4）：696－705.

［7］ 林似水，鄭力新.聯合LBP與SOM的多分辨率織物疵點檢測［J］.微型機與應用，2012，31（23）：45－47.

［8］ Ojala T，Pietikainen M，Maenpaa M.Multircsolution gray－scale and rotation invariant texture classification width local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971－987.

［9］ 季戰領，馮曉毅，閻昆.一種ISAR圖像中飛機目標識別的新特征［J］.計算機工程，2010，36（23）：192－193.

［10］ Barczak A，Reyes N H，Abastillas M，et al.A new 2Dstatic hand gesture colour image dataset for asl gestures［J］.Research Letter Information Math Science，2011（15）：12－20.