本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種手部運(yùn)動跟蹤方法及系統(tǒng)。

背景技術(shù)：

運(yùn)動目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域重要的研究內(nèi)容之一，其跟蹤算法易于受到光照、背景、其它運(yùn)動物體及目標(biāo)自身變化的影響，為了設(shè)計魯棒且精準(zhǔn)的跟蹤算法，可以通過背景去除獲得運(yùn)動目標(biāo)，包括codebook(碼本算法)、gmm(gaussianmixturemodel，高斯混合模型)等背景建模方法，然而這通常需要一定時間的背景建模，不適用于實時的檢測以及背景變化多的場景。如光流估計的方法都是基于以下假設(shè)：圖像灰度分布的變化完全是目標(biāo)或者場景的運(yùn)動引起的，它對噪聲比較敏感，計算復(fù)雜度高。目標(biāo)跟蹤時，可以通過區(qū)域匹配、特征點(diǎn)跟蹤、輪廓跟蹤等算法進(jìn)行，而這些方法對于目標(biāo)的變形敏感，并且計算量大，耗時長，實時性差。從上述內(nèi)容可以看出，傳統(tǒng)的方法進(jìn)行運(yùn)動估計需要進(jìn)行較為復(fù)雜的計算，效率較低。

技術(shù)實現(xiàn)要素：

針對以上技術(shù)問題，提供一種手部運(yùn)動跟蹤方法及系統(tǒng)，以解決現(xiàn)有技術(shù)的缺陷；

具體技術(shù)方案如下：

一種手部運(yùn)動跟蹤方法，包括以下步驟：

步驟s1，采集圖像以獲取圖像序列；

步驟s2，獲取所述圖像序列中預(yù)定圖像幀之間的幀差，依據(jù)幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

步驟s3，自所述運(yùn)動區(qū)域中提取當(dāng)前圖像幀的目標(biāo)區(qū)域；

步驟s4，在所述目標(biāo)區(qū)域進(jìn)行目標(biāo)跟蹤以得到當(dāng)前圖像幀的跟蹤結(jié)果；

步驟s5，在所述當(dāng)前圖像幀的跟蹤結(jié)果附近的搜索域中進(jìn)行手勢檢測以糾正所述跟蹤結(jié)果。

上述的手部運(yùn)動跟蹤方法，所述步驟s2的具體步驟為：

步驟s21，計算二值幀差：獲取第n-1幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第一幀差，取得所述第一幀差大于0的第一像素點(diǎn)集合；獲取第n幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第二幀差，取得所述第二幀差中的第一像素點(diǎn)集合部分作為第二像素點(diǎn)集合；獲取所述第二像素點(diǎn)集合中像素大于第一設(shè)定閾值的第三像素點(diǎn)集合；

步驟s22，對于得到的所述第三像素點(diǎn)集合的幀差圖像進(jìn)行圖像處理以得到當(dāng)前運(yùn)動圖；

步驟s23，對獲得的所述當(dāng)前運(yùn)動圖進(jìn)行聯(lián)通域處理，找到聯(lián)通的二值化運(yùn)動區(qū)域及多個聯(lián)通區(qū)塊。

上述的手部運(yùn)動跟蹤方法，所述步驟s3的具體步驟為：對于得到的多個所述聯(lián)通區(qū)塊，分別計算與上一幀跟蹤結(jié)果附近搜索域中的聯(lián)通區(qū)塊的重疊率，選取重疊率最高的聯(lián)通區(qū)塊作為當(dāng)前圖像幀的目標(biāo)區(qū)域，所述重疊率通 過以下公式計算：

h3＝h1∪h2

其中，h3為當(dāng)前圖像幀的目標(biāo)區(qū)域在搜索域中的區(qū)塊；

h1為上一圖像幀的跟蹤結(jié)果中的聯(lián)通區(qū)塊；

h2為上一圖像幀的跟蹤結(jié)果附近搜索域中的聯(lián)通區(qū)塊；

overlap為重疊率。

上述的手部運(yùn)動跟蹤方法，所述步驟s3的具體步驟如下：

步驟s31，獲得五個聯(lián)通區(qū)塊：第n-1幀的跟蹤結(jié)果中的第一聯(lián)通區(qū)塊，第n-1幀的跟蹤結(jié)果附近搜索域中的第二聯(lián)通區(qū)塊，當(dāng)前第n幀的目標(biāo)區(qū)域在搜索域中的第三聯(lián)通區(qū)塊，所述第一聯(lián)通區(qū)塊與所述第三聯(lián)通區(qū)塊的交集為第四聯(lián)通區(qū)塊，所述第二聯(lián)通區(qū)塊與所述第三聯(lián)通區(qū)塊的交集為第五聯(lián)通區(qū)塊；

步驟s32，獲得第n-2幀的第一跟蹤結(jié)果中心，第n-1幀的第二跟蹤結(jié)果中心；第三聯(lián)通區(qū)塊的第一質(zhì)心，第四聯(lián)通區(qū)塊的第二質(zhì)心，第五聯(lián)通區(qū)塊的第三質(zhì)心；

步驟s33，根據(jù)所述第一跟蹤結(jié)果中心、所述第二跟蹤結(jié)果中心、所述第二質(zhì)心、所述第三質(zhì)心調(diào)整所述第一質(zhì)心，得到跟蹤結(jié)果；記錄當(dāng)前第n幀的跟蹤結(jié)果中的第六聯(lián)通區(qū)塊，當(dāng)前第n幀的跟蹤結(jié)果附近搜索域中的第七聯(lián)通區(qū)塊。

上述的手部運(yùn)動跟蹤方法，所述步驟s33的具體步驟包括：

步驟s331，根據(jù)所述第一跟蹤結(jié)果中心、所述第二跟蹤結(jié)果中心計算估 計運(yùn)動方向及速度；

步驟s332，根據(jù)所述運(yùn)動方向及速度計算權(quán)重矩陣和中心權(quán)重，調(diào)整所述第一質(zhì)心為調(diào)整后的第一質(zhì)心；

步驟s333，根據(jù)所述第二質(zhì)心、所述第三質(zhì)心校正調(diào)整后的第一質(zhì)心，得到最終質(zhì)心為跟蹤結(jié)果。

上述的手部運(yùn)動跟蹤方法，所述步驟s331通過以下公式得到運(yùn)動方向以及速度；

其中，p1x和p1y分別為第一跟蹤結(jié)果中心c1的橫向坐標(biāo)和縱向坐標(biāo)；p2x和p2y分別為第二跟蹤結(jié)果中心c2的橫向坐標(biāo)和縱向坐標(biāo)；ν為運(yùn)動的速度；y為連接第一跟蹤結(jié)果中心c1和第二跟蹤結(jié)果中心c2的速度方向直線的直線函數(shù)；x為橫向坐標(biāo)的變量；b為一常數(shù)；rect.width為搜索域的寬度；rect.height為搜索域的高度。

上述的手部運(yùn)動跟蹤方法，所述步驟s332包括步驟332a：根據(jù)所述速度的方向得到與所述速度方向垂直的向量，穿過搜索域中心將當(dāng)前所述第三聯(lián)通區(qū)塊分為第一聯(lián)通子區(qū)塊與第二聯(lián)通子區(qū)塊，分別求出所述第一聯(lián)通子區(qū)塊的質(zhì)心及所述第二聯(lián)通子區(qū)塊的質(zhì)心，通過速度得到的中心權(quán)重來結(jié)合所述第一聯(lián)通子區(qū)塊的質(zhì)心及所述第二聯(lián)通子區(qū)塊的質(zhì)心，得到所述第三聯(lián)通區(qū)塊的中點(diǎn)：

其中，w為權(quán)重系數(shù)；c31.x為第一子區(qū)塊的質(zhì)心c31的橫向坐標(biāo)；c32.x為第二子區(qū)塊的質(zhì)心c32的橫向坐標(biāo)；c31.y為第一子區(qū)塊的質(zhì)心c31的縱向坐標(biāo)，c32.y為第二子區(qū)塊的質(zhì)心c32的縱向坐標(biāo)；c3'.x為第三區(qū)塊q3的中點(diǎn)c3’的橫向坐標(biāo)；c3'.y為第三區(qū)塊q3的中點(diǎn)c3’的縱向坐標(biāo)。

上述的手部運(yùn)動跟蹤方法，所述步驟s332中，所述步驟332a之后還包括步驟s332b，提取兩個圖像幀的共有部分：第四聯(lián)通區(qū)塊和第五聯(lián)通區(qū)塊，分別計算所述第四聯(lián)通區(qū)塊和第五聯(lián)通區(qū)塊的質(zhì)心，根據(jù)c4、c5調(diào)整c3’，得到最終c3”為跟蹤結(jié)果。

c3".x＝c4.x-c5.x+c3'.x

c3".y＝c4.y-c5.y+c3'.y；

其中，c4.x為第二質(zhì)心c4的橫向坐標(biāo)；c4.y為第二質(zhì)心c4的縱向坐標(biāo)；c5.x為第三質(zhì)心c5的橫向坐標(biāo)，c5.y為第三質(zhì)心c5的縱向坐標(biāo)；

c3'.x為中點(diǎn)c3’的橫向坐標(biāo)；c3'.y為中點(diǎn)c3’的縱向坐標(biāo)；c3"x為最終質(zhì)心c3"的橫向坐標(biāo)；c3".y為最終質(zhì)心c3"。

上述的手部運(yùn)動跟蹤方法，步驟s5中，若在所述搜索域中檢測到手勢，則將檢測結(jié)果作為糾正后的跟蹤結(jié)果，并且更新所述第六聯(lián)通區(qū)塊及所述第七聯(lián)通區(qū)塊。

還包括，一種手部運(yùn)動目標(biāo)跟蹤系統(tǒng)，用于實施上述的手部運(yùn)動跟蹤方法，包括，

圖像采集模塊，用于采集圖像數(shù)據(jù)；

運(yùn)動檢測模塊，與所述圖像采集模塊連接，用于檢測運(yùn)動，得到運(yùn)動圖并計算聯(lián)通域；

跟蹤模塊，與所述運(yùn)動檢測模塊連接，用于對手部進(jìn)行跟蹤；

檢測模塊，用于檢測手部并且糾正跟蹤結(jié)果。

有益效果：本發(fā)明提出了一種結(jié)合多種方法的手部運(yùn)動估計方法，能夠?qū)崟r對手部進(jìn)行跟蹤，耗時短，計算快，對形變及快速的手部運(yùn)動魯棒性高，結(jié)合運(yùn)動跟蹤以及目標(biāo)檢測，及時糾正跟蹤偏差的結(jié)果。

附圖說明

圖1為本發(fā)明一種手部運(yùn)動跟蹤方法的流程示意圖；

圖2為本發(fā)明一種手部運(yùn)動跟蹤方法的步驟s2的流程示意圖；

圖3為本發(fā)明的運(yùn)動檢測結(jié)果及聯(lián)通區(qū)塊示意圖；

圖4本發(fā)明運(yùn)動估計過程中得到的目標(biāo)運(yùn)動區(qū)塊、跟蹤結(jié)果區(qū)域及搜索域示意圖；

圖5為本發(fā)明的聯(lián)通區(qū)塊的重疊率計算示意圖；

圖6為本發(fā)明的步驟s3的流程示意圖；

圖7為本發(fā)明使用的聯(lián)通區(qū)塊示意圖；

圖8為本發(fā)明的步驟s33的流程示意圖；

圖9為本發(fā)明通過權(quán)重矩陣調(diào)整中心的示意圖；

圖10為本發(fā)明調(diào)整跟蹤結(jié)果的示意圖；

圖11為本發(fā)明一種手部運(yùn)動目標(biāo)跟蹤系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行 清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

需要說明的是，在不沖突的情況下，本發(fā)明中的實施例及實施例中的特征可以相互組合。

下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步說明，但不作為本發(fā)明的限定。

參照圖1，一種手部運(yùn)動跟蹤方法，其中，包括以下步驟：

步驟s1，采集圖像以獲取圖像序列；

步驟s2，獲取圖像序列中預(yù)定圖像幀之間的幀差，依據(jù)幀差進(jìn)行運(yùn)動分割以獲取當(dāng)前的運(yùn)動區(qū)域；

步驟s3，自運(yùn)動區(qū)域中提取當(dāng)前圖像幀的目標(biāo)區(qū)域；

步驟s4，在目標(biāo)區(qū)域進(jìn)行目標(biāo)跟蹤以得到當(dāng)前圖像幀的跟蹤結(jié)果；

步驟s5，在當(dāng)前圖像幀的跟蹤結(jié)果附近的搜索域中進(jìn)行手勢檢測以糾正跟蹤結(jié)果。

本發(fā)明結(jié)合運(yùn)動跟蹤以及目標(biāo)檢測，獲得跟蹤結(jié)果，并可及時糾正跟蹤偏差以糾正跟蹤結(jié)果；通過跟蹤一系列圖像或者視頻中的人手位置區(qū)域，可得到跟蹤路徑來判斷手部運(yùn)動的軌跡和方向，解析肢體語言，便于人機(jī)交互?？赏ㄟ^一單目攝像頭獲取的圖像后進(jìn)行分割處理。

上述的手部運(yùn)動跟蹤方法，參照圖2，步驟s2的具體步驟可以為：

步驟s21，計算二值幀差：獲取第n-1幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第一幀差，取得第一幀差大于0的第一像素點(diǎn)集合；獲 取第n幀的像素灰度與第n-2幀的像素灰度之間的幀差作為第二幀差，取得第二幀差中的第一像素點(diǎn)集合部分作為第二像素點(diǎn)集合，獲取第二像素點(diǎn)集合中像素大于第一設(shè)定閾值的第三像素點(diǎn)集合；

步驟s22，對于得到的第三像素點(diǎn)集合的幀差圖像進(jìn)行圖像處理以得到當(dāng)前運(yùn)動圖；

步驟s23，對獲得的當(dāng)前運(yùn)動圖進(jìn)行聯(lián)通域處理，找到聯(lián)通的二值化運(yùn)動區(qū)域及多個聯(lián)通區(qū)塊。

運(yùn)動分割的目的是將當(dāng)前運(yùn)動的區(qū)域與非運(yùn)動區(qū)域區(qū)分并且標(biāo)記出來，精確的分割是減少手勢檢測運(yùn)算量的重要前提，而快速的分割是提高系統(tǒng)運(yùn)行速度的重要前提。為了減少運(yùn)算量，本發(fā)明使用了基于幀差的運(yùn)動分割方式，所需信息僅為三個圖像幀之間像素差的信息。具體實現(xiàn)如下：首先計算第n-1幀與第n-2幀之間的幀差作為第一幀差d1，d1＝fn-1-fn-2，其中，fn-1為第n-1幀的像素灰度，fn-2為第n-2幀的像素灰度；然后取得第一幀差大于0的第一像素點(diǎn)集合m1；獲取第n幀與第n-2幀之間的幀差作為第二幀差d2，d2＝fn-fn-2，其中，fn為第n幀的像素灰度，fn-2為第n-2幀的像素灰度；n＝2、3、4、…；取得第二幀差d2中的第一像素點(diǎn)集合m1部分作為第二像素點(diǎn)集合m2；即：m2＝d2&m1；獲取第二像素點(diǎn)集合m2中像素大于第一設(shè)定閾值t的第三像素點(diǎn)集合m3；一種優(yōu)選的實施例，第一設(shè)定閾值t的取值為10。移動平臺計算能力的限制以及實時性的要求，需要快速且運(yùn)算復(fù)雜度不高的方法?；趲畹倪\(yùn)動分割運(yùn)算復(fù)雜度低，經(jīng)過篩選后得到的運(yùn)動區(qū)域相比原圖減少了手勢檢測中大量的運(yùn)算量，因此能夠滿足移動平臺的要求；對于得到的幀差圖像，即第三像素點(diǎn)集合m3，存在許多散落 的點(diǎn)，這些點(diǎn)可能是噪聲產(chǎn)生的，也可能是運(yùn)動區(qū)域閾值化引起的。在這里需要進(jìn)行膨脹腐蝕等圖像處理，即執(zhí)行步驟s22，去除由于噪聲產(chǎn)生的較為分散的點(diǎn)，連接由于閾值化引起的較為密集的小塊。具體地，首先對圖像進(jìn)行腐蝕處理，去除孤立點(diǎn)，腐蝕的模版大小可以為g1×g1；對圖像進(jìn)行膨脹處理，連接運(yùn)動區(qū)域中較為分散的小區(qū)塊；膨脹的模版大小可以為g2×g2。在這里，可以使用較小的腐蝕模版和較大的膨脹模版進(jìn)行圖像操作，如g1＝2，g2＝16，即分別為，腐蝕的模版大小為2×2，膨脹的模版大小為16×16，得到當(dāng)前運(yùn)動圖m4。接著執(zhí)行步驟s23，對獲得的當(dāng)前運(yùn)動圖m4進(jìn)行聯(lián)通域處理，找到聯(lián)通的二值化運(yùn)動區(qū)域及多個聯(lián)通區(qū)塊，區(qū)分相互獨(dú)立的聯(lián)通區(qū)塊，計算各個聯(lián)通區(qū)塊的面積，去除面積過小的區(qū)域，最終得到的聯(lián)通區(qū)塊用不同的序號如l1、l2、l3等進(jìn)行標(biāo)記，如圖3所示；

以上步驟通過圖像處理去除所述當(dāng)前的運(yùn)動區(qū)域中的孤立點(diǎn)；連接缺失區(qū)域，得到當(dāng)前二值化運(yùn)動圖；對當(dāng)前二值化的運(yùn)動圖進(jìn)行聯(lián)通域分析，去除面積過小的聯(lián)通區(qū)塊，計算其余聯(lián)通區(qū)塊與上一幀跟蹤結(jié)果附近搜索域中的聯(lián)通區(qū)塊的重疊率，選取重疊率最高的聯(lián)通區(qū)塊作為當(dāng)前幀的目標(biāo)區(qū)域。

接著，對于得到的多個聯(lián)通區(qū)塊，分別計算與上一幀跟蹤結(jié)果附近搜索域中的聯(lián)通區(qū)塊的重疊率，選取重疊率最高的聯(lián)通區(qū)塊作為當(dāng)前圖像幀的目標(biāo)區(qū)域。圖4中聯(lián)通區(qū)塊l3為跟蹤目標(biāo)區(qū)域，較小的虛線框圍起來的區(qū)域為跟蹤結(jié)果區(qū)域，大一些的虛線框圍起來的區(qū)域為搜索域。

結(jié)合圖5，重疊率通過以下公式計算：

h3＝h1∪h2

其中，h3為當(dāng)前圖像幀的目標(biāo)區(qū)域在搜索域中的區(qū)塊；

h1為上一圖像幀的跟蹤結(jié)果中的聯(lián)通區(qū)塊；

h2為上一圖像幀的跟蹤結(jié)果附近搜索域中的聯(lián)通區(qū)塊；

overlap為重疊率。

一種具體的實施例，步驟s3的具體步驟如圖6所示，包括：

步驟s31，獲得五個聯(lián)通區(qū)塊：如圖7所示，第n-1幀的跟蹤結(jié)果中的第一聯(lián)通區(qū)塊q1，第n-1幀的跟蹤結(jié)果附近搜索域中的第二聯(lián)通區(qū)塊q2，當(dāng)前第n幀的目標(biāo)區(qū)域在搜索域中的第三聯(lián)通區(qū)塊q3，第一聯(lián)通區(qū)塊q1與第三聯(lián)通區(qū)塊q3的交集為第四聯(lián)通區(qū)塊q4，第二聯(lián)通區(qū)塊q2與第三聯(lián)通區(qū)塊q3的交集為第五聯(lián)通區(qū)塊q5；

步驟s32，獲得第n-2幀的第一跟蹤結(jié)果中心c1，第n-1幀的第二跟蹤結(jié)果中心c2；第三聯(lián)通區(qū)塊q3的第一質(zhì)心c3，第四聯(lián)通區(qū)塊q4的第二質(zhì)心c4，第五聯(lián)通區(qū)塊q5的第三質(zhì)心c5；

步驟s33，根據(jù)第一跟蹤結(jié)果中心c1、第二跟蹤結(jié)果中心c2、第二質(zhì)心c4、第三質(zhì)心c5調(diào)整第一質(zhì)心c3，得到跟蹤結(jié)果；記錄當(dāng)前第n幀的跟蹤結(jié)果中的第六聯(lián)通區(qū)塊q6，當(dāng)前第n幀的跟蹤結(jié)果附近搜索域中的第七聯(lián)通區(qū)塊q7。

上述的手部運(yùn)動跟蹤方法，參照圖8，步驟s33的具體步驟包括：

步驟s331，根據(jù)第一跟蹤結(jié)果中心c1、第二跟蹤結(jié)果中心c2計算估計運(yùn)動方向及速度；

步驟s332，根據(jù)運(yùn)動方向及速度計算權(quán)重矩陣和中心權(quán)重，調(diào)整第一質(zhì)心c3為調(diào)整后的第一質(zhì)心c3’；

步驟s333，根據(jù)第二質(zhì)心c4、第三質(zhì)心c5校正調(diào)整后的第一質(zhì)心c3’，得到最終質(zhì)心c3”為跟蹤結(jié)果。

本發(fā)明的方法通過根據(jù)第一跟蹤結(jié)果中心c1、第二跟蹤結(jié)果中心c2計算估計運(yùn)動方向及速度：根據(jù)運(yùn)動方向及速度計算權(quán)重矩陣和中心權(quán)重，調(diào)整第一質(zhì)心c3為調(diào)整后的第一質(zhì)心c3’；由于相鄰兩幀運(yùn)動目標(biāo)具有相似性，可根據(jù)第二質(zhì)心c4、第三質(zhì)心c5調(diào)整c3’，得到最終c3”為跟蹤結(jié)果。

為了防止在運(yùn)動過程中，人身其它部分如手臂所占的區(qū)塊對最終跟蹤中心的影響，可以根據(jù)前兩幀的運(yùn)動信息，建立權(quán)重矩陣，賦予聯(lián)通區(qū)塊內(nèi)部不同的權(quán)重，從而減小非有效區(qū)域?qū)Ω櫧Y(jié)果的影響，得到更加精確的跟蹤結(jié)果。

上述的手部運(yùn)動跟蹤方法，步驟s331通過以下公式得到運(yùn)動的方向以及速度；

其中，p1x和p1y分別為第一跟蹤結(jié)果中心c1的橫向坐標(biāo)和縱向坐標(biāo)；p2x和p2y分別為第二跟蹤結(jié)果中心c2的橫向坐標(biāo)和縱向坐標(biāo)；ν為運(yùn)動的速度；y為連接第一跟蹤結(jié)果中心c1和第二跟蹤結(jié)果中心c2的速度方向直線的直線函數(shù)；x為橫向坐標(biāo)的變量；b為一常數(shù)；rect.width為搜索域的寬度；rect.height為搜索域的高度。

上述的手部運(yùn)動跟蹤方法，步驟s332包括步驟332a：根據(jù)速度的方向得到與速度的方向垂直的向量，穿過搜索域中心c6將當(dāng)前第三聯(lián)通區(qū)塊q3 分為兩個部分：第一子區(qū)塊q31與第二子區(qū)塊q32，分別求出第一子區(qū)塊的質(zhì)心c31及第二子區(qū)塊的質(zhì)心c32，如圖9所示，依據(jù)下列公式，通過速度得到的中心權(quán)重來結(jié)合這兩個質(zhì)心c31和c32，得到第三聯(lián)通區(qū)塊q3的中點(diǎn)c3’；

其中，w為權(quán)重系數(shù)；c31.x為第一子區(qū)塊的質(zhì)心c31的橫向坐標(biāo)；c32.x為第二子區(qū)塊的質(zhì)心c32的橫向坐標(biāo)；c31.y為第一子區(qū)塊的質(zhì)心c31的縱向坐標(biāo)，c32.y為第二子區(qū)塊的質(zhì)心c32的縱向坐標(biāo)；c3'.x為第三區(qū)塊q3的中點(diǎn)c3’的橫向坐標(biāo)；c3'.y為第三區(qū)塊q3的中點(diǎn)c3’的縱向坐標(biāo)；

步驟s332b，提取兩個圖像幀的共有部分，第四聯(lián)通區(qū)塊q4和第五聯(lián)通區(qū)塊q5，分別計算它們的質(zhì)心，由于對于上一幀結(jié)果，q4/q5相當(dāng)于上一幀跟蹤結(jié)果框/搜索域框，那么對于當(dāng)前幀結(jié)果，q4/q5可相當(dāng)于(當(dāng)前幀跟蹤結(jié)果框/搜索域框，，因此可根據(jù)第二質(zhì)心c4、第三質(zhì)心c5依據(jù)下列公式調(diào)整中點(diǎn)c3’，得到最終質(zhì)心c3"為跟蹤結(jié)果。

c3".x＝c4.x-c5.x+c3'.x

c3".y＝c4.y-c5.y+c3'.y。

上述的c4.x為第二質(zhì)心c4的橫向坐標(biāo)；c4.y為第二質(zhì)心c4的縱向坐標(biāo)；c5.x為第三質(zhì)心c5的橫向坐標(biāo)，c5.y為第三質(zhì)心c5的縱向坐標(biāo)；

c3'.x為中點(diǎn)c3’的橫向坐標(biāo)；c3'.y為中點(diǎn)c3’的縱向坐標(biāo)；c3"x為最終質(zhì)心c3"的橫向坐標(biāo)；c3".y為最終質(zhì)心c3"。

上述方法中搜索域的大小影響后續(xù)跟蹤性能：若搜索框過小，導(dǎo)致無法判別運(yùn)動過快的物體；若搜索框過大，導(dǎo)致引入過多背景噪聲或者其它運(yùn)動噪聲， 影響跟蹤魯棒性。

上述的手部運(yùn)動跟蹤方法，步驟s5的具體步驟如下：

在當(dāng)前第n幀的跟蹤結(jié)果附近搜索域中進(jìn)行手勢檢測，若檢測到手勢，則將檢測結(jié)果作為糾正后的跟蹤結(jié)果，并且更新第六聯(lián)通區(qū)塊q6及第七聯(lián)通區(qū)塊q7。為了防止跟蹤失敗以及偏差，在當(dāng)前幀跟蹤結(jié)果附近搜索域中進(jìn)行手勢檢測，若檢測到手勢，則將檢測結(jié)果作為跟蹤結(jié)果；保存跟蹤結(jié)果以及目標(biāo)物體區(qū)塊q3。

采用上述方法能夠?qū)崟r對手部進(jìn)行跟蹤，具有耗時短、計算快、對形變及快速的手部運(yùn)動魯棒性高的優(yōu)點(diǎn)，結(jié)合運(yùn)動跟蹤以及目標(biāo)檢測，及時糾正跟蹤偏差的結(jié)果。并且由于計算量小，本發(fā)明能夠?qū)崟r的運(yùn)行在移動平臺上。本發(fā)明中，通過一個具體的手勢觸發(fā)跟蹤開關(guān)，通過幀差得到目標(biāo)運(yùn)動區(qū)域，根據(jù)前后幀目標(biāo)區(qū)域的運(yùn)動及小范圍手勢的檢測得到最終的跟蹤結(jié)果。

還提供，一種手部運(yùn)動目標(biāo)跟蹤系統(tǒng)，參照圖11，包括，

圖像采集模塊3，用于采集圖像數(shù)據(jù)；

運(yùn)動檢測模塊4，與圖像采集模塊連接，用于檢測運(yùn)動，得到運(yùn)動圖并計算聯(lián)通域；

跟蹤模塊5，與運(yùn)動檢測模塊4連接，用于對手部進(jìn)行跟蹤；

檢測模塊6，用于檢測手部并且糾正跟蹤結(jié)果。

本發(fā)明提出了一種結(jié)合多種方法的手部運(yùn)動估計方法，優(yōu)點(diǎn)在于能夠?qū)崟r對手部進(jìn)行跟蹤，耗時短，計算快，對形變及快速的手部運(yùn)動魯棒性高，結(jié)合運(yùn)動跟蹤以及目標(biāo)檢測，及時糾正跟蹤偏差的結(jié)果。由于計算量小，基于本發(fā)明一種結(jié)合多種方法的手部運(yùn)動估計方法的手部運(yùn)動跟蹤系統(tǒng)能夠?qū)? 時的運(yùn)行在移動平臺上。

以上僅為本發(fā)明較佳的實施例，并非因此限制本發(fā)明的實施方式及保護(hù)范圍，對于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識到凡運(yùn)用本發(fā)明說明書及圖示內(nèi)容所作出的等同替換和顯而易見的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護(hù)范圍內(nèi)。