A Novel Real Time Hand Detection Based On Skin-Color

Abstract

• 提出了一种基于肤色的实时手部检测算法。该算法不需要训练数据，适用于动态复杂环境。
• 该方法可以直接找到手掌和手指的位置。它既不需要分割手腕，也不需要找到轮廓。检测过程简单快速。
• 实验结果表明，该方法能在网络摄像机与手的距离不超过3米的情况下，实时检测出手，计算量小。

Introduction

• 基于肤色的手部检测可以快速过滤掉非手部区域。然而，它不适合在复杂的环境中，因为相似肤色的区域会与手混淆或混合。
• 另外，当手距离网络摄像头太远时，手太小，无法被检测到。如果手臂与手的颜色相似，则需要对手腕进行分割。
• 即使我们将肤色检测与机器学习技术相结合，也会耗费大量的时间进行样本采集和培训。在匹配过程中，它将消耗大量的时间以及在多尺度匹配上，尤其是在从图像进行全局搜索时，因此，引入了前景检测来实时定位一只手。
• 本文提出了一种基于肤色的实时手部检测方法。该算法不需要任何训练。它既不需要分割手腕，也不需要找到手的轮廓。

Hand Detection

• 本文采用肤色检测方法提取皮肤区域。为了减少计算消耗，我们放弃亮度Y，定义了cb和cr通道中的肤色范围，如下所示：
• 
• 我们可以从图像中筛选手。这种方法的缺点是，当我们从如图1（b）所示的图像中筛选手时，身体的一部分和背景中其他类似的肤色也将被筛选。介绍了基于CB模型的前景背景分割方法。cb模型的优点包括处理速度快，能够处理动态背景的场景，以及处理照明变化的鲁棒性。
• 因此，本文首先选择了cb[2]前景检测技术来滤除背景，如图1（c）所示。然后，图1（b）和1（c）执行AND操作。此步骤可以清除静态背景，结果如图1（d）所示。
• 最后，我们对图1（d）进行了膨胀和侵蚀。结果如图1（e）所示。大部分非手部区域都被清除，包括面部区域；这有助于在下一步加快手部检测。
• 图2（a）显示手和背景在进行肤色检测后混合。然后我们可以执行cb前景分割，以帮助手部检测，如图2（b）所示。
• 为了找到手指，首先，我们将找到一条从sb到eb的前景像素线（即1像素），如图3（a）所示，它可以分割除拇指以外的四个手指。一般来说，手的宽度大约是最长手指的长度，因此在下一步中，我们可以找到一条背景像素线（即0像素），从ss到es，如图3（b）顶部所示。最后，我们将花费sb和eb来形成一个足够的ROI（如图3（c）的矩形所示），其中可以包括所有4个手指。在这里，我们将根据四个手指之间的边缘变化来检查ROI中是否存在手指。

Conclusion

• 提出了一种基于肤色的实时手部检测算法。在没有任何训练或手腕分节的情况下，可以检测到手。探测距离可达3米。
• 该方法适用于嵌入式系统的实现，能在动态复杂环境下快速、高精度地进行手部检测。