机器学习 生长算法_一种基于区域生长和机器学习的手部分割方法与流程

本发明涉及一种图像处理方法，特别涉及一种基于区域生长和机器学习的手部分割方法。

背景技术：

随着AR交互的不断发展，手势识别成为未来人工智能的一个重要组成板块，有效而稳定的手部分割算法能为手势识别提供准确的数据输入。作为手势识别的输入数据之一，深度图提供的三维位置信息对手势的立体恢复提供很好的依据。如何从深度图中分割出完整的手部数据则是手势识别的基础。相比于传统的RGB图像，深度图的手部检测和分割都由于特征有限都难以有效的完成。传统的深度图手部分割算法都是按照距离(深度)阈值过滤出手部区域，例如只提取深度值(300mm～600mm)的部分作为手部区域，这种方法完全依赖于手相对于传感器的位置、抗干扰能力弱，而且当手后有其他物体(例如手腕、胳膊等)处于深度阈值范围内时会产生严重的干扰，一般的深度阈值分割后，经常会带有大片的胳膊区域需要在进行分类处理。

现有的手部分割方法，实现步骤一般包括：(1)获取场景的深度图；(2)根据深度图逐像素计算特征向量，一般以窗口的方式计算；(3)根据训练好的分类器，对深度图数据进行手臂、手、手腕的分类。需要事先为该分类器构造样本及样本特征向量，以训练分类器。

然而上述现有方法完全依赖于手的位置和多分类的准确度，存在以下缺陷：(1)抗干扰能力弱；(如当手附近有其他干扰物)；(2)需要至少3～4种类别，除了手部样本还需要包括负样本(手腕、手臂等)，样本制作及数量要求很高；(3)深度图的噪声会保留；(4)计算复杂度高，花费时间长。

技术实现要素：

为了解决上述现有技术中的缺陷，本发明提出一种基于深度及手部尺寸约束的区域生长手部分割方法。