【论文笔记】面向移动 WEB 端的微手势识别技术及应用

1. 解决的问题

1. 动态手势识别
2. 移动端计算力不足的缺陷

2. 不会的知识点

2.1 总

1. 微手势特征提取

2.2 肤色分割

1. 硬阈值肤色分割， HSV色彩空间
含义：
H（Hue）色相，什么颜色
S（Saturation）饱和度，色彩纯度（？？？）
V (Value) 色彩亮度

与RGB之间的转换:
首先对R，G，B属性归一化，（除以255）
设max = MAX（R,G,B），min=MIN(R,G,B)

可以鉴定为皮肤的条件：

2. 可变肤色分割，Hue色彩空间
3. YCbCr色彩空间
含义
Y：亮度
Cb蓝色色度
Cr红色色度
与RGB之间的转化：

可以认定为肤色的区间：

根据一些神奇的亚研究，YCbCr是最适合肤色分割的颜色系统。
4. 高斯混合模型分割
5. 运动分割的图像运动估计方法

2.3 手势特征提取

1. 光流法
2. 粒子滤波器跟踪，隐马尔可夫模型识别
3. meanShift：
   一种聚类算法，起点随意，最终都可以收敛
4. camShift:
   连续自适应的meanShift算法就是camShift算法
   （Continuously Adaptive Meaning Shift)
   meanShift是针对单张图片的，为了将该算法扩展到视频流上，将上一帧meanShift得到的结果作为下一帧的输入位置。
5. Haar分类器
   https://www.cnblogs.com/zyly/p/9410563.html#_label0
   （先给链接再做总结）

2.4 其他问题

1. 分类器的强弱：
分类器的强弱不以准确率为标准，准确率高不代表该分类器为强分类器。
分类器的强弱之分以分类器的稳定性为评估标准，分类器稳定性越强，分类器越强；分类器越不稳定，分类器越弱
分类器的稳定性指在输入数据发生变化时，分类器预测结果的稳定性。

3. 核心概念

微手势： 重点在手指信息，包括长度，角度，位置，面积

4.流程