关于手指提取的文章的调研

1.Combining Contrast Saliency and Region Discontinuity for Precise Hand Segmentation in Projector-Camera System

这篇文章提取手指    可以认为分为三步

a.首先是应用颜色直方图求图像各像素的saliency 显著性

并且对显著性本身进行了一个均值滤波  

得到了一个增强后的图像 即saliency map

我们的前景变得更加突出   更适合于之后进行聚类等的提取

b.然后是进行基于meanshift算法 均值偏移的一个聚类 

所谓的meanshift算法是一个迭代过程  这可以套用已有的代码

结果是得到了L个区域  该方法一个特点是滤掉投影图案的前提下能够保护手指边缘的信息（boundary）

c.最后通过一个confidence function 求出每个区域属于手指的概率  当概率大于一定阈值时认为属于手指区域

最终得到了提取出的精细的手指  如d所示

那么该方法有什么特点  能够应用在哪些情形下呢？？？？

首先对于saliency那一步我觉得很有用，能够突出我们想要的信息。当然比单纯使用YCbCr颜色空间中的Cr通道信息效果要好。该方法突出是是前景与背景之间颜色的差异性，而与前景本身是什么颜色关系不大，所以即使是黑人的手指也能很好的使用。

然后meanshift算法是个比较经典的聚类方法。与区域生长算法等方法相比，虽然仍然需要迭代，但是在提取saliency map后之后迭代次数能降不少，所以时间复杂度上不用过度担心。关键是不需要提取质心，所以不需要对手指进行粗提取来找质心，也排除了质心寻找错误的问题。

最后confidence function的方法，衡量每个区域是否属于手指确实是比较好的方法。以往比较简单的手指提取往往在标记连通区域之后直接提取最大的连通域，并且认为这样就去除了干扰的影响。但实际上有时可能有些小的连通域也是属于手指的，只不过由于各种干扰所以被分割开了。

接下来需要对每步的实现细节进一步了解。

需要参考:

1.Global Contrast based Salient Region Detection     利用显著性进行图像分割以及得到显著图的细节

2.Mean Shift: A Robust Approach toward Feature Space Analysis     均值偏移算法进行聚类的细节

3.Hand Gesture Recognition in Camera-Projector System  参考这篇文章里radiometry 标定的部分