本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于視覺(jué)的深度圖形數(shù)據(jù)獲取和處理的手勢(shì)識(shí)別方法。

背景技術(shù)：

傳隨著計(jì)算機(jī)的高速發(fā)展，人機(jī)交互模式也不斷發(fā)生著變化。現(xiàn)實(shí)生活經(jīng)驗(yàn)可得，人與人在交互過(guò)程中，肢體語(yǔ)言也非常重要，使用手來(lái)實(shí)現(xiàn)人機(jī)交互，比起使用鍵盤(pán)，鼠標(biāo)等媒介而言，更加自然流暢，這也是近期觸屏手機(jī)逐步成為主流的原因之一。

而使用手來(lái)實(shí)現(xiàn)人機(jī)交互，其原理就是機(jī)器對(duì)手的解釋，如手的形狀，手的空間位置，手的姿態(tài)，手的空間位置等。而識(shí)別的方法有很多，有的是利用的配套設(shè)備，如加速度傳感器等，而我今天要講的一種識(shí)別方法是基于視覺(jué)的手勢(shì)識(shí)別。

基于視覺(jué)，也就是不利用相對(duì)復(fù)雜的配套設(shè)備，使用攝像頭來(lái)捕獲關(guān)于手的圖像，并通過(guò)算法分析，從圖中抽出關(guān)于手的信息。常見(jiàn)的包括單目識(shí)別系統(tǒng)，雙目識(shí)別系統(tǒng)以及多目識(shí)別。顧名思義，單目也就是只是用一個(gè)攝像頭，而雙目使用兩個(gè)(相當(dāng)于人的雙眼，通過(guò)這個(gè)可以提取出手的深度信息，獲得手的空間位置)，多目也就是多攝像頭協(xié)作。

基于視覺(jué)的手勢(shì)識(shí)別方法普遍使用網(wǎng)絡(luò)攝像頭作為圖像的提取設(shè)備，但是極易受到光照變化的影響和類膚色的干擾，識(shí)別效果到不到預(yù)期的效果，隨著高科技產(chǎn)品Kinect深度攝像頭的出現(xiàn)，人機(jī)交互模式又出現(xiàn)了新的發(fā)展方向，但是在借助Kinect的基礎(chǔ)上怎樣很好的實(shí)現(xiàn)手勢(shì)識(shí)別已經(jīng)成為探索的熱點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的，在于借助Kinect有效實(shí)現(xiàn)手勢(shì)識(shí)別。

本發(fā)明為實(shí)現(xiàn)上述目標(biāo)所采用的技術(shù)方案是：

提供基于視覺(jué)的手勢(shì)識(shí)別方法，包括以下步驟：

步驟1、通過(guò)Kinect傳感器攝取視頻流，并獲得深度圖像數(shù)據(jù)和骨骼數(shù)據(jù)；

步驟2、用中值濾波方法對(duì)獲得的深度圖像數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3、根據(jù)深度圖像數(shù)據(jù)和骨骼數(shù)據(jù)對(duì)手部區(qū)域進(jìn)行提取，得到手部區(qū)域二值圖；

步驟4、通過(guò)邊緣檢測(cè)二值化手部區(qū)域二值圖的邊緣圖像，并提取手掌輪廓信息；

步驟5、根據(jù)手部區(qū)域二值圖進(jìn)行手心重置；

步驟6、根據(jù)手掌輪廓信息求出凸包頂點(diǎn)和外接圓；

步驟7、根據(jù)手心重置以及求出的凸包頂點(diǎn)和外接圓，運(yùn)用分類決策樹(shù)和手勢(shì)庫(kù)中預(yù)設(shè)的多種手勢(shì)進(jìn)行匹配，識(shí)別手勢(shì)。

本發(fā)明所述的方法中，步驟S2具體包括以下步驟：

步驟2.1、先確定一個(gè)像素點(diǎn)p(i,j)為中心的鄰域窗口w；

步驟2.2、把11×11鄰域窗口w中所有像素的灰度值從小到大排列，并選擇中間值作為中心像素點(diǎn)p(i,j)的灰度新值，窗口移動(dòng)時(shí)就能夠通過(guò)中值濾波對(duì)圖像進(jìn)行平滑處理；中值濾波的基本公式是：

f(i,j)＝median{f(r,s)|f(f,s)∈N_f(i,j)}

其中f(r,s)表示鄰域窗口w內(nèi)任意像素點(diǎn)的灰度值，N_f(i,j)表示f(i,j)的實(shí)心鄰域。

本發(fā)明所述的方法中，步驟S3中手部區(qū)域提取的步驟包括：

步驟3.1、根據(jù)追蹤到的手心和關(guān)節(jié)點(diǎn)坐標(biāo)位置；

步驟3.2、創(chuàng)建一個(gè)包含手部信息的矩形包圍盒；

步驟3.3、在矩形包圍盒內(nèi)以手心關(guān)節(jié)點(diǎn)位置開(kāi)始向鄰域逐個(gè)遍歷像素直到個(gè)數(shù)為空，得到手部區(qū)域二值圖。

本發(fā)明所述的方法中，步驟3.1中追蹤手心和關(guān)節(jié)點(diǎn)位置的步驟是：

步驟3.1a、在NITE庫(kù)中Hand tracker類提供了手勢(shì)檢測(cè)和手部位置跟蹤功能，調(diào)用算法對(duì)手勢(shì)進(jìn)行檢測(cè)；

步驟3.1b、在對(duì)手勢(shì)進(jìn)行檢測(cè)之后調(diào)用Hand tracker類的startHandTracking()函數(shù)對(duì)手部進(jìn)行追蹤。

本發(fā)明所述的方法中，步驟3.2中創(chuàng)建一個(gè)包含手部信息的矩形圍盒的步驟是：

步驟3.2a、獲得手心Z坐標(biāo)深度值；

步驟3.2b、根據(jù)如下公式建立包圍盒子

Width(W(z))＝Heigth(W(z))＝2*min{max{80-0.2*(Z-640),60},80}其中W(z)為所獲取的包圍盒。

本發(fā)明所述的方法中，步驟3.3中獲取手部區(qū)域二值圖的步驟是：

步驟3.3a、根據(jù)手心Z坐標(biāo)深度值對(duì)深度圖像進(jìn)行分割，

其中,handmask是一個(gè)8位的單通道圖像，手部候選區(qū)域的像素值為255，其它區(qū)域?yàn)?，式子中的閥值設(shè)定為100mm；

步驟3.3b、將手心點(diǎn)投影到2D空間根據(jù)手的大小做一次二維分割，算法如下：

步驟3.3c、對(duì)handmask所有閉合區(qū)域的面積進(jìn)行統(tǒng)計(jì)，設(shè)置成人手掌的面積閥值，剔除掉小于該閥值的連通區(qū)域，最終獲得較準(zhǔn)確的手掌區(qū)域。

本發(fā)明所述的方法中，步驟4中，邊緣檢測(cè)的步驟具體包括：

步驟4.1、使用Hysteris閥值對(duì)邊緣像素進(jìn)行判斷，對(duì)于每個(gè)候選單元，如果則標(biāo)記為邊緣像素，幅度邊緣

${\▿}_{i,j}=\sqrt{f_x^2(i,j)+f_y^2(i,j)};$

步驟4.2、如果剩下的候選邊緣在3×3的鄰域范圍內(nèi)，那么至少還存在著一個(gè)鄰像素為邊緣像素，則把它標(biāo)記為邊緣；

步驟4.3、重復(fù)步驟4.2，直到所有的邊緣像素都被標(biāo)記，剩下的則被標(biāo)記為非邊緣像素；

步驟4.4、得到二值化的邊緣圖像；

步驟4.5、對(duì)非連續(xù)的邊緣進(jìn)行修補(bǔ)和過(guò)濾得到手掌輪廓；

步驟4.6、基于OpenCV的cvFindContours函數(shù)提取手部輪廓。

本發(fā)明所述的方法中，步驟5中手心重置的步驟具體包括：

步驟5.1、利用細(xì)化方法中的距離變換對(duì)二值化的邊緣圖像進(jìn)行分析；

步驟5.2、OpenCV選擇棋盤(pán)距離l(r)＝r原理的處理函數(shù)進(jìn)行圖像處理。

本發(fā)明所述的方法中，步驟6中，求凸包頂點(diǎn)的步驟具體包括：

步驟6.1、尋找所有邊緣點(diǎn)中Y坐標(biāo)值最小的點(diǎn)，如果最小Y坐標(biāo)值不止一個(gè)，則在這幾個(gè)點(diǎn)中選取X坐標(biāo)值最小的點(diǎn)，并將此點(diǎn)設(shè)為基準(zhǔn)點(diǎn)P；

步驟6.2、把所有的邊緣點(diǎn)與基準(zhǔn)點(diǎn)P連接起來(lái)，同時(shí)計(jì)算所有連線和X坐標(biāo)之間的夾角，按照夾角的大小排序，將所有邊緣點(diǎn)依次編號(hào)為P[0],P[1]…P[n]，其中n為整數(shù)；

步驟6.3、假設(shè)存在著一條虛擬路徑從P[0]點(diǎn)依次連接到P[n]點(diǎn)，則判斷前一點(diǎn)到后一點(diǎn)的方向是向左轉(zhuǎn)還是向右轉(zhuǎn)；如果是向右轉(zhuǎn)，則前一點(diǎn)不屬于凸包集；如果向左轉(zhuǎn)，則判定前一點(diǎn)為凸包點(diǎn)，并把它加入堆棧；以此算法處理所有的邊緣點(diǎn)，最后堆棧中得到凸包集；

步驟6.4、對(duì)數(shù)據(jù)進(jìn)行細(xì)檢測(cè)篩選更為精確的指尖點(diǎn)；把第一個(gè)凸包P₁，第二個(gè)凸包P₃作為結(jié)束點(diǎn)，而P₁和P₃之間的缺陷點(diǎn)P₂作為深度點(diǎn)，則起始點(diǎn)和結(jié)束點(diǎn)都有可能是指尖點(diǎn)；假設(shè)(P₂,P₁)，(P₂,P₃)的向量分別為V₁和V₂，通過(guò)計(jì)算V₁，V₂之間的夾角和它們的長(zhǎng)度之和，如果V₁，V₂的夾角小于90°，并且兩個(gè)向量的長(zhǎng)度之和大于100mm，則起始點(diǎn)和結(jié)束點(diǎn)就可判定為指尖點(diǎn)；

步驟6.5，運(yùn)用算法算出外接圓；

其中，步驟6.3中，對(duì)于向左轉(zhuǎn)或是向右轉(zhuǎn)的判別使用的是向量叉乘法，假設(shè)三個(gè)連續(xù)的點(diǎn)分別是P₀(x₀,y₀)，P₁(x₁,y₁)，P₂(x₂,y₂)，形成一個(gè)夾角向量為((P₀,P₁),(P₀,P₂))，向量叉乘的計(jì)算如式表示：

d＝(P₀,P₁)×(P₀,P₂)＝(x₁-x₀)*(y₂-y₀)-(x₂-x₀)*(y₁-y₀)

如果d>0，則(P₀,P₁),(P₀,P₂)為右轉(zhuǎn)；如果d<0，則為左轉(zhuǎn)；如果d＝0，則為直線。

本發(fā)明所述的方法中，所述步驟7中，手勢(shì)識(shí)別的步驟是：

步驟7.1、利用算法計(jì)算手勢(shì)特征，包括有效凸缺陷數(shù)DCD、有效凸缺陷特征夾角DCDA、輪廓與其外接圓面積比CCR和凸包有效外接圓頂點(diǎn)數(shù)CD-VC這4個(gè)特征參數(shù)；

步驟7.2、建立分類決策樹(shù)，根據(jù)DCD參數(shù)對(duì)不同手勢(shì)第一次加以區(qū)分，對(duì)于DCD參數(shù)相同的手勢(shì)再通過(guò)DCDA參數(shù)進(jìn)行區(qū)分，若依然無(wú)法區(qū)別則利用CCR參數(shù)區(qū)分，最后使用CD-VC為參數(shù)加以區(qū)分。

本發(fā)明產(chǎn)生的有益效果是：本發(fā)明通過(guò)Kinect傳感器獲得深度圖像數(shù)據(jù)和骨骼數(shù)據(jù)，對(duì)圖像進(jìn)行處理后，提取手部數(shù)據(jù)，再運(yùn)用分類決策樹(shù)和手勢(shì)庫(kù)中預(yù)設(shè)的多種手勢(shì)進(jìn)行匹配，從而有效識(shí)別手勢(shì)。

附圖說(shuō)明

下面將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，附圖中：

圖1是本發(fā)明實(shí)施例的方法流程圖；

圖2是本發(fā)明實(shí)施例手部提取流程圖；

圖3是本發(fā)明實(shí)施例手部提取前后對(duì)比圖；

圖4a是本發(fā)明實(shí)施例手掌輪廓的凸包頂點(diǎn)圖；

圖4b是本發(fā)明實(shí)施例手掌輪廓的外接圓；

圖5是本發(fā)明實(shí)施例指尖點(diǎn)的檢測(cè)和篩選；

圖6是本發(fā)明實(shí)施例手勢(shì)決策樹(shù)示意圖；

圖7是本發(fā)明實(shí)施例手勢(shì)庫(kù)中的九種手勢(shì)圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例基于視覺(jué)的手勢(shì)識(shí)別方法，如圖1所示，具體包括以下步驟：

步驟1，通過(guò)Kinect傳感器攝取視頻流，用OpenCV的功能獲得深度數(shù)據(jù)和骨骼數(shù)據(jù)。OpenCV(Open Source Computer Vision Library)是一個(gè)基于BSD許可(開(kāi)源)發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)。

步驟2，用中值濾波方法對(duì)獲得的深度圖像進(jìn)行預(yù)處理。

步驟3，根據(jù)深度數(shù)據(jù)和骨骼數(shù)據(jù)對(duì)手部區(qū)域進(jìn)行提取得到手部區(qū)域二值圖，如圖2所示。

步驟4，根據(jù)邊緣檢測(cè)再把圖像化為二值化的邊緣圖像提取手掌輪廓，如圖3所示。

步驟5，根據(jù)二值圖進(jìn)行手心重置。

步驟6，根據(jù)手掌輪廓信息求出凸包頂點(diǎn)和外接圓，如圖4a和圖4b所示。

步驟7，運(yùn)用分類決策樹(shù)(如圖6所示)和手勢(shì)庫(kù)中的九種手勢(shì)(如圖7 所示)進(jìn)行匹配，從而識(shí)別手勢(shì)。

如上所述的步驟1中，Kinect傳感器的使用和圖像預(yù)處理的步驟是：

步驟1.1，針對(duì)不同的用途，微軟公司先后推出了兩款Kinect傳感器，Kinect for Xbox 360傳感器的有效追蹤范圍是1.2m至3.5m；而Kinect for Windows由于支持近景模式，可有效追蹤0.4m至3.5m。本專利選擇Kinect for Windows和PC機(jī)連接。

步驟1.2，通過(guò)應(yīng)用程序開(kāi)始遍歷設(shè)備狀態(tài)。

步驟1.3，初始化深度數(shù)據(jù)流，本專利初始化為640×480分辨率,每秒30楨。

步驟1.4，通過(guò)應(yīng)用程序開(kāi)始捕獲深度數(shù)據(jù)和骨骼數(shù)據(jù)。

如上所述步驟2中，中值濾波處理圖像的步驟是：

步驟2.1，先確定一個(gè)像素點(diǎn)p(i,j)為中心的鄰域窗口w。

步驟2.2，繼而把11×11鄰域窗口w中所有像素的灰度值從小到大排列，并選擇中間值作為中心像素點(diǎn)p(i,j)的灰度新值，窗口移動(dòng)時(shí)就能夠通過(guò)中值濾波對(duì)圖像進(jìn)行平滑處理。

步驟2.3，本算法所依據(jù)的中值濾波的基本公式是：

f(i,j)＝median{f(r,s)|f(f,s)∈N_f(i,j)}

其中f(r,s)表示鄰域窗口w內(nèi)任意像素點(diǎn)的灰度值，N_f(i,j)表示f(i,j)的實(shí)心鄰域。

如上所述步驟3中，手部區(qū)域提取的步驟是：

步驟3.1，根據(jù)追蹤到的手心和關(guān)節(jié)點(diǎn)坐標(biāo)位置。

步驟3.2，創(chuàng)建一個(gè)包含手部信息的矩形包圍盒。

步驟3.3，然后在這個(gè)矩形包圍盒內(nèi)以手心關(guān)節(jié)點(diǎn)位置開(kāi)始向鄰域逐個(gè)遍 歷像素直到個(gè)數(shù)為空，得到手部區(qū)域二值圖。

如上所述步驟3.1中，追蹤手心和關(guān)節(jié)點(diǎn)位置的步驟是：

步驟3.1a，在NITE庫(kù)中Hand tracker類提供了手勢(shì)檢測(cè)和手部位置跟蹤功能，調(diào)用算法對(duì)手勢(shì)進(jìn)行檢測(cè)。

步驟3.1b，在對(duì)手勢(shì)進(jìn)行檢測(cè)之后調(diào)用Hand tracker類的startHandTracking()函數(shù)對(duì)手部進(jìn)行追蹤。

如上所述步驟3.2中，創(chuàng)建一個(gè)包含手部信息的矩形圍盒的步驟是：

步驟3.2a，獲得手心Z坐標(biāo)深度值。

步驟3.2b，根據(jù)如下公式建立包圍盒子

Width(W(z))＝Heigth(W(z))＝2*min{max{80-0.2*(Z-640),60},80}其中W(z)為所獲取的包圍盒。

如上所述步驟3.3中，獲取手部區(qū)域二值圖的步驟是：

步驟3.3a，根據(jù)手心的Z坐標(biāo)深度值對(duì)深度圖像進(jìn)行分割，

其中,handmask是一個(gè)8位的單通道圖像，手部候選區(qū)域(即手部區(qū)域二值圖)的像素值為255，其它區(qū)域?yàn)?，式子中的閥值設(shè)定為100mm。

步驟3.3b，再將手心點(diǎn)投影到2D空間根據(jù)手的大小做一次二維分割，算法如下：

步驟3.3c，對(duì)handmask所有閉合區(qū)域的面積進(jìn)行統(tǒng)計(jì)，設(shè)置成人手掌的面積閥值200mm，剔除掉小于該閥值的連通區(qū)域，最終獲得較準(zhǔn)確地手掌區(qū)域。

如上所述步驟4中，邊緣檢測(cè)的步驟是：

步驟4.1，使用Hysteris閥值對(duì)邊緣像素進(jìn)行判斷，對(duì)于每個(gè)候選單元， 如果則標(biāo)記為邊緣像素，幅度邊緣

${\&dtri;}_{i,j}=\sqrt{f_x^2(i,j)+f_y^2(i,j)}.$

步驟4.2，如果剩下的候選邊緣在3×3的鄰域范圍內(nèi)，那么至少還存在著一個(gè)鄰像素為邊緣像素，則把它標(biāo)記為邊緣。

步驟4.3，重復(fù)第二步操作，直到所有的邊緣像素都被標(biāo)記，剩下的則被標(biāo)記為非邊緣像素。

步驟4.4，經(jīng)過(guò)上面步驟，就把圖像變?yōu)榱硕祷倪吘増D像。

步驟4.5，對(duì)非連續(xù)的邊緣進(jìn)行修補(bǔ)和過(guò)濾就得到手掌輪廓。

步驟4.6，基于OpenCV的cvFindContours函數(shù)提取手部輪廓。

如上所述步驟5中，手心重置的步驟是：

步驟5.1，利用細(xì)化方法中的距離變換對(duì)二值化的邊緣圖像進(jìn)行分析。

步驟5.2，OpenCV選擇棋盤(pán)距離l(r)＝r原理的處理函數(shù)進(jìn)行圖像處理。

如上所述步驟6中，求凸包頂點(diǎn)的步驟是：

步驟6.1，尋找所有邊緣點(diǎn)中Y坐標(biāo)值最小的點(diǎn)，如果最小Y坐標(biāo)值不止一個(gè)時(shí)，就在這幾個(gè)點(diǎn)中選取X坐標(biāo)值最小的點(diǎn)，并將此點(diǎn)設(shè)為基準(zhǔn)點(diǎn)P。

步驟6.2，把所有的邊緣點(diǎn)與基準(zhǔn)點(diǎn)P連接起來(lái)，同時(shí)計(jì)算所有連線和X坐標(biāo)之間的夾角，按照夾角的大小排序，將所有邊緣點(diǎn)依次編號(hào)為P[0],P[1]…P[n]。

步驟6.3，假設(shè)存在著一條虛擬路徑從P[0]點(diǎn)依次連接到P[n]點(diǎn)，我們需要判斷前一點(diǎn)到后一點(diǎn)的方向是向左轉(zhuǎn)還是向右轉(zhuǎn)。如果是向右轉(zhuǎn)，則意味著前一點(diǎn)不屬于凸包集；如果向左轉(zhuǎn)，我們就判定前一點(diǎn)為凸包點(diǎn)，并把它加入堆棧。以此算法處理所有的邊緣點(diǎn)，最后堆棧中得到凸包集。

步驟6.4，對(duì)數(shù)據(jù)進(jìn)行細(xì)檢測(cè)篩選更為精確的指尖點(diǎn)。把第一個(gè)凸包P₁， 第二個(gè)凸包P₃作為結(jié)束點(diǎn)，而P₁和P₃之間的缺陷點(diǎn)P₂作為深度點(diǎn)。起始點(diǎn)和結(jié)束點(diǎn)都有可能是指尖點(diǎn)。假設(shè)(P₂,P₁)，(P₂,P₃)的向量分別為V₁和V₂，通過(guò)計(jì)算V₁，V₂之間的夾角和它們的長(zhǎng)度之和，如果V₁，V₂的夾角小于90°，并且兩個(gè)向量的長(zhǎng)度之和大于100mm，那么起始點(diǎn)和結(jié)束點(diǎn)就可判定為指尖點(diǎn)(如圖5所示)。

步驟6.5，運(yùn)用算法算出外接圓。

如上所述步驟6.3中，對(duì)于向左轉(zhuǎn)或是向右轉(zhuǎn)的判別使用的是向量叉乘法，假設(shè)三個(gè)連續(xù)的點(diǎn)分別是P₀(x₀,y₀)，P₁(x₁,y₁)，P₂(x₂,y₂)，形成一個(gè)夾角向量為((P₀,P₁),(P₀,P₂))，向量叉乘的計(jì)算如式表示：

d＝(P₀,P₁)×(P₀,P₂)＝(x₁-x₀)*(y₂-y₀)-(x₂-x₀)*(y₁-y₀)

如果d>0，則(P₀,P₁),(P₀,P₂)為右轉(zhuǎn)；如果d<0，則為左轉(zhuǎn)；如果d＝0，則為直線。

如上所述步驟7中，手勢(shì)識(shí)別的步驟是：

步驟7.1，利用算法計(jì)算手勢(shì)特征，調(diào)用Opencv中有效凸缺陷數(shù)(DCD)方法、有效凸缺陷特征夾角(DCDA)方法、輪廓與其外接圓面積比(CCR)方法和凸包有效外接圓頂點(diǎn)數(shù)(CD-VC)4個(gè)方法來(lái)計(jì)算并獲取參數(shù)。

步驟7.2，建立分類決策樹(shù)(如圖6所示)，其識(shí)別流程所示，根據(jù)DCD參數(shù)對(duì)不同手勢(shì)第一次加以區(qū)分，對(duì)于DCD參數(shù)相同的手勢(shì)再通過(guò)DCDA參數(shù)進(jìn)行區(qū)分，若依然無(wú)法區(qū)別則利用CCR參數(shù)區(qū)分，最后使用CD-VC為參數(shù)加以區(qū)分。

具體識(shí)別流程,當(dāng)DCD為0時(shí)判斷CCR的值，CCR大于0.55表明為手勢(shì)2，當(dāng)CCR小于0.35時(shí)為手勢(shì)4，當(dāng)大于0.35并小于0.55為手勢(shì)3；

當(dāng)DCD＝1時(shí)，判斷DCDA的角度，DCDA小于90并且CCR大于等于0.45時(shí) 為手勢(shì)3，CCR小于0.45時(shí)為手勢(shì)5，當(dāng)DCDA大于等于90并且CDVC等于2則為手勢(shì)7，CDVC不等于2則為手勢(shì)4；

當(dāng)DCD等于4時(shí)為手勢(shì)1；

當(dāng)DCD等于2，DCDA小于90為手勢(shì)6，DCDA大于等于90為手勢(shì)5；

當(dāng)DCD等于3，DCDA小于90為手勢(shì)8，DCDA大于90為手勢(shì)9。

為了做到用戶友好，手勢(shì)識(shí)別應(yīng)不受手勢(shì)旋轉(zhuǎn)角度以及手勢(shì)區(qū)域遠(yuǎn)近的影響，由于本算法使用DCD、CCR參數(shù)為比值，這使得本發(fā)明方法具有良好的自適應(yīng)性；DCDA與CDVC參數(shù)本身既具有縮放以及旋轉(zhuǎn)不變性。

應(yīng)當(dāng)理解的是，對(duì)本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，可以根據(jù)上述說(shuō)明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。