第11卷第1期 智能系统学报 Vol.11 No.1 2016年2月 CAAI Transactions on Intelligent Systems Feb.2016 D0I:10.11992/201507005 网络出版地址：htp:/www.cmki.net/kcms/detail/23.1538.TP.20160105.1532.010.html 压缩感知W-HOG特征的运动手势跟踪 史东承，倪康 (长春工业大学计算机科学与工程学院，吉林长春130012)》 摘要：运用单一特征或较简单的特征进行手势跟踪容易产生跟踪偏差。为提高手势跟踪的精确性，将压缩感知运 动目标跟踪运用到手势跟踪中，并提取运动区域的HOG特征替换原来广义的类Hr特征进行压缩感知目标跟踪。 为减少不同图像块HOG特征等权值串联对手势跟踪所产生的累积跟踪误差，需计算HOG特征权值，并将特征权值 与HOG特征进行有效融合，形成WHOG压缩特征。实验数据统计结果表明本文所改进的算法在精确度方面较CT 算法提高近16%，较H0G-CT算法提高6%左右。且在复杂背景下能够较精确地检测出运动手势，提高了手势跟踪 在光照变化、背景存在类肤色物体等情况下的鲁棒性，减少手势跟踪漂移的发生。 关键词：压缩感知：Har特征：HOG特征：手势跟踪：跟踪漂移 中图分类号：TP391.9文献标志码：A文章编号：1673-4785(2016)01-0124-05 中文引用格式：史东承，倪康.压缩感知W-H0G特征的运动手势跟踪[J].智能系统学报，2016,11(1)：124128. 英文引用格式：SHI Dongcheng,NI Kang.Motion gesture trackingbased on Compressed sensing W-HOG features[J].CAAI Trans- actions on Intelligent Systems,2016,11(1):124-128. Motion gesture tracking based on compressed sensing W-HOG features SHI Dongcheng,NI Kang College of Computer Science and Engineering,Changchun University of Technology,Changchun 130012,China) Abstract:The use of a single or simple feature for gesture tracking always induces tracking errors.To improve the accuracy of hand tracking,this study uses compressed-sensing motion tracking to track a hand and extracts HOG features in the movement area instead of original generalized class Harr features to track the target.At the same time,to reduce the accumulation of errors of gesture tracking generated by weight series,such as HOG features of different image blocks,the study calculates the HOG feature weight and effectively integrates the weight with HOG features to form W-HOG compression characteristics.The statistical experimental results show that the improved al- gorithm provided increased accuracy by approximately 16%compared with CT algorithm and approximately 6% compared with HOG-CT algorithm.Moreover,the algorithm can accurately detect the moving gesture in a complex background,improve the tracking robustness of gesture tracking in circumstances of illumination changes and back- ground objects with a color similar to the skin,and reduce the occurrence of gesture tracking drifting. Keywords:compressed sensing;Harr features;HOG features;gesture tracking;tracking drifting 在运动目标跟踪方面，实时性和鲁棒性是衡量 下算法效果不容乐观。文献[3]和文献[4]都引用 跟踪效果必不可少的2个因素。传统方法在实时性了特征加权的思想，但都是基于压缩感知跟踪原始 和鲁棒性存在或大或小的缺陷。ZhangKaihua等 特征，故在复杂背景下鲁棒性较差。文献[5]和文 2012年在ECCV会议上提出了基于压缩感知的目 献[6]分别将光流法和SFT特征点融入到压缩感 标跟踪算法(compress tracking)[d),该算法在实时性 知目标跟踪中，在复杂背景下，这2种算法均能够较 和鲁棒性有了很大的提高，但复杂背景下效果欠佳。 准确进行目标跟踪，但是由于计算量的增加，实时性 文献[2]在压缩感知目标跟踪的基础上结合了运动 差。文献[7]提出了基于HOG特征的压缩感知目 估计算法，较好地抑制了跟踪漂移，但在较复杂背景 标跟踪，但由于特征误差的累积也容易产生跟踪漂 移。本文摈弃了经典HOG特征描述中对HOG特征 收稿日期：2015-07-16.网络出版日期：2016-01-05. 的等权值串联的理念，弥补了HOG特征的在特征描 通信作者：史东承.E-mail:deshi(@foxmail.com. 述上的不足。将HOG特征和HOG特征权值融合形
第 １１ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．１ ２０１６ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ２０１５０７００５ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０１０５．１５３２．０１０．ｈｔｍｌ 压缩感知 Ｗ⁃ＨＯＧ 特征的运动手势跟踪 史东承，倪康 （长春工业大学 计算机科学与工程学院，吉林 长春 １３００１２） 摘 要：运用单一特征或较简单的特征进行手势跟踪容易产生跟踪偏差。 为提高手势跟踪的精确性，将压缩感知运 动目标跟踪运用到手势跟踪中，并提取运动区域的 ＨＯＧ 特征替换原来广义的类 Ｈａｒｒ 特征进行压缩感知目标跟踪。 为减少不同图像块 ＨＯＧ 特征等权值串联对手势跟踪所产生的累积跟踪误差，需计算 ＨＯＧ 特征权值，并将特征权值 与 ＨＯＧ 特征进行有效融合，形成 Ｗ⁃ＨＯＧ 压缩特征。 实验数据统计结果表明本文所改进的算法在精确度方面较 ＣＴ 算法提高近 １６％，较 ＨＯＧ⁃ＣＴ 算法提高 ６％左右。 且在复杂背景下能够较精确地检测出运动手势，提高了手势跟踪 在光照变化、背景存在类肤色物体等情况下的鲁棒性，减少手势跟踪漂移的发生。 关键词：压缩感知；Ｈａｒｒ 特征；ＨＯＧ 特征；手势跟踪；跟踪漂移 中图分类号：ＴＰ３９１．９ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０１⁃０１２４⁃０５ 中文引用格式：史东承，倪康．压缩感知 Ｗ⁃ＨＯＧ 特征的运动手势跟踪［Ｊ］． 智能系统学报， ２０１６， １１（１）： １２４⁃１２８． 英文引用格式：ＳＨＩ Ｄｏｎｇｃｈｅｎｇ， ＮＩ Ｋａｎｇ． Ｍｏｔｉｏｎ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇｂａｓｅｄ ｏｎ Ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ Ｗ⁃ＨＯＧ ｆｅａｔｕｒｅｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓ⁃ ａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１６， １１（１）： １２４⁃１２８． Ｍｏｔｉｏｎ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ Ｗ⁃ＨＯＧ ｆｅａｔｕｒｅｓ ＳＨＩ Ｄｏｎｇｃｈｅｎｇ， ＮＩ Ｋａｎｇ （ Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈａｎｇｃｈｕｎ １３００１２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｕｓｅ ｏｆ ａ ｓｉｎｇｌｅ ｏｒ ｓｉｍｐｌｅ ｆｅａｔｕｒｅ ｆｏｒ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ ａｌｗａｙｓ ｉｎｄｕｃｅｓ ｔｒａｃｋｉｎｇ ｅｒｒｏｒｓ． Ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｈａｎｄ ｔｒａｃｋｉｎｇ， ｔｈｉｓ ｓｔｕｄｙ ｕｓｅｓ ｃｏｍｐｒｅｓｓｅｄ⁃ｓｅｎｓｉｎｇ ｍｏｔｉｏｎ ｔｒａｃｋｉｎｇ ｔｏ ｔｒａｃｋ ａ ｈａｎｄ ａｎｄ ｅｘｔｒａｃｔｓ ＨＯＧ ｆｅａｔｕｒｅｓ ｉｎ ｔｈｅ ｍｏｖｅｍｅｎｔ ａｒｅａ ｉｎｓｔｅａｄ ｏｆ ｏｒｉｇｉｎａｌ ｇｅｎｅｒａｌｉｚｅｄ ｃｌａｓｓ Ｈａｒｒ ｆｅａｔｕｒｅｓ ｔｏ ｔｒａｃｋ ｔｈｅ ｔａｒｇｅｔ． Ａｔ ｔｈｅ ｓａｍｅ ｔｉｍｅ， ｔｏ ｒｅｄｕｃｅ ｔｈｅ ａｃｃｕｍｕｌａｔｉｏｎ ｏｆ ｅｒｒｏｒｓ ｏｆ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ ｇｅｎｅｒａｔｅｄ ｂｙ ｗｅｉｇｈｔ ｓｅｒｉｅｓ， ｓｕｃｈ ａｓ ＨＯＧ ｆｅａｔｕｒｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｉｍａｇｅ ｂｌｏｃｋｓ， ｔｈｅ ｓｔｕｄｙ ｃａｌｃｕｌａｔｅｓ ｔｈｅ ＨＯＧ ｆｅａｔｕｒｅ ｗｅｉｇｈｔ ａｎｄ ｅｆｆｅｃｔｉｖｅｌｙ ｉｎｔｅｇｒａｔｅｓ ｔｈｅ ｗｅｉｇｈｔ ｗｉｔｈ ＨＯＧ ｆｅａｔｕｒｅｓ ｔｏ ｆｏｒｍ Ｗ⁃ＨＯＧ ｃｏｍｐｒｅｓｓｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ． Ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌ⁃ ｇｏｒｉｔｈｍ ｐｒｏｖｉｄｅｄ ｉｎｃｒｅａｓｅｄ ａｃｃｕｒａｃｙ ｂｙ ａｐｐｒｏｘｉｍａｔｅｌｙ １６％ ｃｏｍｐａｒｅｄ ｗｉｔｈ ＣＴ ａｌｇｏｒｉｔｈｍ ａｎｄ ａｐｐｒｏｘｉｍａｔｅｌｙ ６％ ｃｏｍｐａｒｅｄ ｗｉｔｈ ＨＯＧ⁃ＣＴ ａｌｇｏｒｉｔｈｍ． Ｍｏｒｅｏｖｅｒ， ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｄｅｔｅｃｔ ｔｈｅ ｍｏｖｉｎｇ ｇｅｓｔｕｒｅ ｉｎ ａ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ， ｉｍｐｒｏｖｅ ｔｈｅ ｔｒａｃｋｉｎｇ ｒｏｂｕｓｔｎｅｓｓ ｏｆ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ ｉｎ ｃｉｒｃｕｍｓｔａｎｃｅｓ ｏｆ ｉｌｌｕｍｉｎａｔｉｏｎ ｃｈａｎｇｅｓ ａｎｄ ｂａｃｋ⁃ ｇｒｏｕｎｄ ｏｂｊｅｃｔｓ ｗｉｔｈ ａ ｃｏｌｏｒ ｓｉｍｉｌａｒ ｔｏ ｔｈｅ ｓｋｉｎ， ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ ｄｒｉｆｔｉｎｇ． Ｋｅｙｗｏｒｄｓ：ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ； Ｈａｒｒ ｆｅａｔｕｒｅｓ； ＨＯＧ ｆｅａｔｕｒｅｓ； ｇｅｓｔｕｒｅ ｔｒａｃｋｉｎｇ； ｔｒａｃｋｉｎｇ ｄｒｉｆｔｉｎｇ 收稿日期：２０１５⁃０７⁃１６． 网络出版日期：２０１６⁃０１⁃０５． 通信作者：史东承． Ｅ⁃ｍａｉｌ：ｄｃｓｈｉ＠ ｆｏｘｍａｉｌ．ｃｏｍ． 在运动目标跟踪方面，实时性和鲁棒性是衡量 跟踪效果必不可少的 ２ 个因素。 传统方法在实时性 和鲁棒性存在或大或小的缺陷。 ＺｈａｎｇＫａｉｈｕａ 等 ２０１２ 年在 ＥＣＣＶ 会议上提出了基于压缩感知的目 标跟踪算法（ｃｏｍｐｒｅｓｓ ｔｒａｃｋｉｎｇ） ［１］ ，该算法在实时性 和鲁棒性有了很大的提高，但复杂背景下效果欠佳。 文献［２］在压缩感知目标跟踪的基础上结合了运动 估计算法，较好地抑制了跟踪漂移，但在较复杂背景 下算法效果不容乐观。 文献［３］和文献［４］都引用 了特征加权的思想，但都是基于压缩感知跟踪原始 特征，故在复杂背景下鲁棒性较差。 文献［５］ 和文 献［６］分别将光流法和 ＳＩＦＴ 特征点融入到压缩感 知目标跟踪中，在复杂背景下，这 ２ 种算法均能够较 准确进行目标跟踪，但是由于计算量的增加，实时性 差。 文献［７］ 提出了基于 ＨＯＧ 特征的压缩感知目 标跟踪，但由于特征误差的累积也容易产生跟踪漂 移。 本文摈弃了经典 ＨＯＧ 特征描述中对 ＨＯＧ 特征 的等权值串联的理念，弥补了 ＨＯＧ 特征的在特征描 述上的不足。 将 ＨＯＧ 特征和 ＨＯＧ 特征权值融合形
第1期 史东承，等：压缩感知WHOG特征的运动手势跟踪 ·125· 成W-HOG压缩特征，以此进行运动手势跟踪和对 在背景信息中含有噪声点、背景灰度变化较大以及 分类器进行更新，以提高算法在复杂背景下的鲁 背景中含有类肤色信息时，容易发生跟踪偏离和漂 棒性。 移。本文使用HOG特征和特征权重代替原来的灰 度特征，从而避免了等权值相加对进行运动手势跟 1经典压缩感知目标跟踪简介 踪所造成的累计误差。 Donoho等于2006年首次提出了压缩感知理 2.1W-HOG压缩特征空间的生成 论，该理论指出，通过一个满足约束等距性条件的稀 采用W-HOG特征代替原来的灰度特征后，原 疏测量矩阵对原图像特征空间做投影，会把保留高 始的高维特征为不同尺度的矩形滤波器与原图像卷 维特征的信息压缩到低维特征子空间。文献[1]中 积后的结果提取HOG特征。为了增加算法对复杂 的Zhang Kaihua等将压缩感知理论运用到运动目标 背景的鲁棒性，需要对HOG特征和特征权值进行特 跟踪中去(compressive tracking),此后，该跟踪算法 征融合，形成W-HOG特征，该特征为压缩后的低维 在视频跟踪领域得到广泛应用。 特征。 该算法低维特征提取公式为 2.1.1梯度方向直方图的构建与特征计算 V=PX (1) 对于候选区域随机选择不同大小的2~4个矩 式中：X∈R*1为高维的原始特征，P∈R为满足约 形图像块R,统计每个图像块的梯度方向直方图 束等距性条件的随机测量矩阵，V∈Kx1为压缩后的 H。将梯度方向分成bin块，块内的每个像素点向 低维特征。文献[1]中提出的X为各种不同尺度的 该方向进行投票加权，运用积分直方图)快速计算 矩形滤波器与原图像卷积结果的组合，实际为计算 该方向上的梯度幅值，继而得到子块的梯度方向直 一系列矩形内所有像素的灰度差。样本的实际特征 方图，总的梯度方向直方图特征为子块特征的加权 提取公式为 和。最终特征[0]为 号=爱uR (2) =】 ,b=1,2,…,bin (4) 台√NR 1√NR 式中：NR为图像块的数目，其数值一般在2~4之间 式中：，为第b个像素块的梯度方向直方图。低维 随机取，P.在1和-1之间等概率随机取，R为候选 梯度直方图特征[形成示意图如图1所示。 区域随机选取的图像块。 a 其后的目标跟踪就是通过迭代运算寻找与目标 特征最相似的候选区域，文献[7]中首先在后续帧 中遍历目标位置临近区域，然后在候选区域选用贝 m 叶斯分类器计算其分类分数，以得分数值最大的候 图1低维HOG特征生成示意图 选区域作为目标位置，判别公式[]如下： Fig.1 Schematic diagram of low dimensional HOG fea- (o)=∑lg(Pely=1) ture generating (3) i=1 p(v;ly=0) 2.1.2H0G特征权值的计算 式中：p(:y=1)和p(:ly=0)满足标准正态分布， 手势图像中不同图像块中所包含的特征信息量 后文的分类器更新中将会使用到标准正态分布的均 是不同的，信息熵反映了图像中所带信息量的大小 值和方差。我们选取最大的H()作为跟踪目标，最 信息嫡越大，该图像块所包含信息量就越大，则对手 后根据文献[1]进行相关系数的更新。 势跟踪的影响也就越大。本文对压缩后的矩形块进 行信息嫡计算来构造HOG加权系数。首先把该手 2 压缩感知W-HOG的运动手势跟踪 势图像转换成灰度图像，则第i个子块信息嫡的计 HOG特征是用梯度和方向来表现局部目标的 算公式如下[四]： 表象和形状，其优点是具有旋转和平移不变性、局部 E=- (5) 光照不变性。文献[7]提出的基于HOG特征的压 ∑plog2pi 缩感知目标跟踪，虽然使用HOG特征代替原来的灰 式中：n为像素级数，本文取256：P为第k级像素点 度特征，但是由于每个HOG图像块特征对整体手势 出现的概率。该像素块的HOG加权系数计算公式 跟踪效果的影响存在差异，若等权值相加每个图像 如下： 块的HOG特征，必会对手势跟踪造成较大影响。故
成 Ｗ⁃ＨＯＧ 压缩特征，以此进行运动手势跟踪和对 分类器进行更新，以提高算法在复杂背景下的鲁 棒性。 １ 经典压缩感知目标跟踪简介 Ｄｏｎｏｈｏ 等于 ２００６ 年首次提出了压缩感知理 论，该理论指出，通过一个满足约束等距性条件的稀 疏测量矩阵对原图像特征空间做投影，会把保留高 维特征的信息压缩到低维特征子空间。 文献［１］中 的 Ｚｈａｎｇ Ｋａｉｈｕａ 等将压缩感知理论运用到运动目标 跟踪中去（ ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ），此后，该跟踪算法 在视频跟踪领域得到广泛应用。 该算法低维特征提取公式为 Ｖ ＝ ＰＸ （１） 式中：Ｘ∈Ｒ ｎ×１为高维的原始特征，Ｐ∈Ｒ ｋ×ｎ为满足约 束等距性条件的随机测量矩阵，Ｖ∈Ｋ ｋ×１为压缩后的 低维特征。 文献［１］中提出的Ｘ 为各种不同尺度的 矩形滤波器与原图像卷积结果的组合，实际为计算 一系列矩形内所有像素的灰度差。 样本的实际特征 提取公式为 ｖｉ ＝ ∑ ＮＲ ｋ ＝ １ ｐｉ，ｋＲｉ，ｋ ＮＲ （２） 式中：ＮＲ 为图像块的数目，其数值一般在 ２ ～ ４ 之间 随机取，ｐｉ，ｋ在 １ 和－１ 之间等概率随机取，Ｒ 为候选 区域随机选取的图像块。 其后的目标跟踪就是通过迭代运算寻找与目标 特征最相似的候选区域，文献［７］ 中首先在后续帧 中遍历目标位置临近区域，然后在候选区域选用贝 叶斯分类器计算其分类分数，以得分数值最大的候 选区域作为目标位置，判别公式［８］如下： Ｈ ｋ （ｖ） ＝ ∑ ｋ ｉ ＝ １ ｌｏｇ（ ｐ（ｖｉ ｙ ＝ １） ｐ（ｖｉ ｙ ＝ ０） ） （３） 式中：ｐ（ｖｉ ｙ ＝ １）和 ｐ（ｖｉ ｙ ＝ ０）满足标准正态分布， 后文的分类器更新中将会使用到标准正态分布的均 值和方差。 我们选取最大的 Ｈ（ｖ）作为跟踪目标，最 后根据文献［１］进行相关系数的更新。 ２ 压缩感知 Ｗ⁃ＨＯＧ 的运动手势跟踪 ＨＯＧ 特征是用梯度和方向来表现局部目标的 表象和形状，其优点是具有旋转和平移不变性、局部 光照不变性。 文献［７］ 提出的基于 ＨＯＧ 特征的压 缩感知目标跟踪，虽然使用 ＨＯＧ 特征代替原来的灰 度特征，但是由于每个 ＨＯＧ 图像块特征对整体手势 跟踪效果的影响存在差异，若等权值相加每个图像 块的 ＨＯＧ 特征，必会对手势跟踪造成较大影响。 故 在背景信息中含有噪声点、背景灰度变化较大以及 背景中含有类肤色信息时，容易发生跟踪偏离和漂 移。 本文使用 ＨＯＧ 特征和特征权重代替原来的灰 度特征，从而避免了等权值相加对进行运动手势跟 踪所造成的累计误差。 ２．１ Ｗ⁃ＨＯＧ 压缩特征空间的生成 采用 Ｗ⁃ＨＯＧ 特征代替原来的灰度特征后，原 始的高维特征为不同尺度的矩形滤波器与原图像卷 积后的结果提取 ＨＯＧ 特征。 为了增加算法对复杂 背景的鲁棒性，需要对 ＨＯＧ 特征和特征权值进行特 征融合，形成 Ｗ⁃ＨＯＧ 特征，该特征为压缩后的低维 特征。 ２．１．１ 梯度方向直方图的构建与特征计算 对于候选区域随机选择不同大小的 ２ ～ ４ 个矩 形图像块 Ｒｉ，ｋ， 统计每个图像块的梯度方向直方图 Ｈｉ，ｋ。 将梯度方向分成 ｂｉｎ 块，块内的每个像素点向 该方向进行投票加权，运用积分直方图［９］ 快速计算 该方向上的梯度幅值，继而得到子块的梯度方向直 方图，总的梯度方向直方图特征为子块特征的加权 和。 最终特征［１０］为 ｖ ｋ ｉ ＝ ∑ ＮＲ ｋ ＝ １ ｐｉ，ｋ ．ｈ ｂ ｉ，ｋ ＮＲ ，ｂ ＝ １，２，…，ｂｉｎ （４） 式中：ｈ ｂ ｉ，ｋ为第 ｂ 个像素块的梯度方向直方图。 低维 梯度直方图特征［１１］形成示意图如图 １ 所示。 图 １ 低维 ＨＯＧ 特征生成示意图 Ｆｉｇ．１ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｌｏｗ ｄｉｍｅｎｓｉｏｎａｌ ＨＯＧ ｆｅａ⁃ ｔｕｒｅ ｇｅｎｅｒａｔｉｎｇ ２．１．２ ＨＯＧ 特征权值的计算 手势图像中不同图像块中所包含的特征信息量 是不同的，信息熵反映了图像中所带信息量的大小， 信息熵越大，该图像块所包含信息量就越大，则对手 势跟踪的影响也就越大。 本文对压缩后的矩形块进 行信息熵计算来构造 ＨＯＧ 加权系数。 首先把该手 势图像转换成灰度图像，则第 ｉ 个子块信息熵的计 算公式如下［１２］ ： Ｅｉ ＝ － ∑ ｎ ｋ ＝ １ ｐ ｋ ｉ ｌｏｇ２ ｐ ｋ ｉ （５） 式中：ｎ 为像素级数，本文取 ２５６；ｐ ｋ ｉ 为第 ｋ 级像素点 出现的概率。 该像素块的 ＨＯＧ 加权系数计算公式 如下： 第 １ 期 史东承，等：压缩感知 Ｗ⁃ＨＯＧ 特征的运动手势跟踪 ·１２５·
·126. 智能系统学报 第11卷 E 照式(8)更新分类器的均值和方差。 0:= (6) B. 2)运动手势目标跟踪 读取下一图像帧，在0<‖1(x)-1I<y周围采 式中：w:为该像素块的加权系数，E:为第i个子块 集手势样本，并根据算式(7)计算候选区域样本的 信息熵[1)。计算得到的HOG特征权值与相应的梯 低维W-H0G特征，继而代入算式(3)，取其最大值 度方向直方图相乘即得到W-HOG融合特征。融合 作为运动手势目标区域。 后的低维W-HOG特征可表示为 3)分类器的更新 Ph,b=1,2,…,bin (7) 在所确定的运动手势目标周围采集正负样 NR 本[15)]，并计算正负样本H0G特征，根据算式(8)分 2.2算法步骤 别更新分类器。 1)初始化分类器 4)跳转到步骤2)进行下一帧的处理。 a)视频序列的第一帧运用坐标信息选择运动 手势图像。 3实验结果和分析 b)正负样本的采集：在0<I1(x)-lI<a范围 本实验背景选择为复杂静态背景，背景中含有 内取正样本；在B<‖1(x)-1‖<y范围内取负样本， 多个类肤色物体的存在，自行拍摄的运动手势视频 并计算0<I1(x)-lI<y范围内的积分直方图并 约为9秒，经拆帧视频拆分为260帧，另外本实验还 保存。 对该视频分别进行CT跟踪以及基于HOG特征的 ©)利用积分直方图，快速计算运动手势目标和 CT跟踪进行对比实验。实验中，更新率取值为0.6、 背景的梯度直方图。 a=4、B=8、y=20。实验环境为Intel Core i5CPU =:+(1-A) 3.0GHZ,安装内存：2.0GB,Window7操作系统，使用 (G=√A(a)+(1-A)(G2+A(1-A)(4-u7 MATLAB2014h进行仿真实验。经仿真实验后，视 (8) 频序列第95帧仿真结果如图2所示，视频序列第 继而按照式(7)计算融合低维W-HOG特征，按 197帧仿真结果如图3所示。 (a)CT跟踪结果 (b)HOG-CT跟踪结果 (c)W-HOG-CT跟踪结果 图2第95帧仿真结果 Fig.2 Simulation results of Video sequence frame95 (a)CT跟踪结果 (b)HOG-CT跟踪结果 (c)W-HOG-CT跟踪结果 图3第197帧仿真结果 Fig.3 Simulation results of Video sequence frame197
ｗｉ ＝ Ｅｉ ∑ ｍ ｉ ＝ １ Ｅｉ （６） 式中：ｗｉ 为该像素块的加权系数，Ｅｉ 为第 ｉ 个子块 信息熵［１３］ 。 计算得到的 ＨＯＧ 特征权值与相应的梯 度方向直方图相乘即得到 Ｗ⁃ＨＯＧ 融合特征。 融合 后的低维 Ｗ⁃ＨＯＧ 特征可表示为 ｖ ｋ ｉ ＝ ∑ ＮＲ ｋ ＝ １ ｗｉ ｐｉ，ｋ ．ｈ ｂ ｉ，ｋ ＮＲ ， ｂ ＝ １，２，…，ｂｉｎ （７） ２．２ 算法步骤 １） 初始化分类器 ａ）视频序列的第一帧运用坐标信息选择运动 手势图像。 ｂ）正负样本的采集：在 ０＜‖ｌ（ ｘ） －ｌ‖＜α 范围 内取正样本；在 β＜‖ｌ（ｘ） －ｌ‖＜γ 范围内取负样本， 并计算 ０＜‖ｌ（ ｘ） －ｌ‖＜γ 范围内的积分直方图并 保存。 ｃ）利用积分直方图，快速计算运动手势目标和 背景的梯度直方图［１４］ 。 μ １ ｉ ＝ λμ １ ｉ ＋ （１ － λ）μ １ σ １ ｉ ＝ λ （σ １ ｉ ） ２ ＋ （１ － λ） （σ １ ） ２ ＋ λ（１ － λ） （μ １ ｉ － μ １ ） { ２ （８） 继而按照式（７）计算融合低维 Ｗ⁃ＨＯＧ 特征，按 照式（８）更新分类器的均值和方差。 ２）运动手势目标跟踪 读取下一图像帧，在 ０＜‖ｌ（ ｘ） －ｌ‖＜γ 周围采 集手势样本，并根据算式（７）计算候选区域样本的 低维 Ｗ⁃ＨＯＧ 特征，继而代入算式（３），取其最大值 作为运动手势目标区域。 ３）分类器的更新 在所确定的运动手势目标周围采集正负样 本［１５］ ，并计算正负样本 ＨＯＧ 特征，根据算式（８）分 别更新分类器。 ４）跳转到步骤 ２）进行下一帧的处理。 ３ 实验结果和分析 本实验背景选择为复杂静态背景，背景中含有 多个类肤色物体的存在，自行拍摄的运动手势视频 约为 ９ 秒，经拆帧视频拆分为 ２６０ 帧，另外本实验还 对该视频分别进行 ＣＴ 跟踪以及基于 ＨＯＧ 特征的 ＣＴ 跟踪进行对比实验。 实验中，更新率取值为０．６、 α ＝ ４、β ＝ ８、γ ＝ ２０。 实验环境为 Ｉｎｔｅｌ Ｃｏｒｅ ｉ５ ＣＰＵ ３．０ＧＨＺ，安装内存：２．０ＧＢ，Ｗｉｎｄｏｗ７ 操作系统，使用 ＭＡＴＬＡＢ ２０１４ｂ 进行仿真实验。 经仿真实验后，视 频序列第 ９５ 帧仿真结果如图 ２ 所示，视频序列第 １９７ 帧仿真结果如图 ３ 所示。 图 ２ 第 ９５ 帧仿真结果 Ｆｉｇ．２ Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ Ｖｉｄｅｏ ｓｅｑｕｅｎｃｅ ｆｒａｍｅ９５ 图 ３ 第 １９７ 帧仿真结果 Ｆｉｇ．３ Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ Ｖｉｄｅｏ ｓｅｑｕｅｎｃｅ ｆｒａｍｅ１９７ ·１２６· 智 能 系 统 学 报 第 １１ 卷
第1期 史东承，等：压缩感知WHOG特征的运动手势跟踪 ·127· 经对比实验可以看出，基于W-HOG的压缩感 且能够在较复杂环境下准确地进行运动手势跟踪， 知目标跟踪算法在背景复杂、背景中含有类肤色物 本算法还运用积分直方图减少运算量，但是手势跟 体等情况下能够准确地检测出运动手势。表1为3 踪的实时性有待提高。在尺度方面，该算法不能够 种跟踪算法运动手势跟踪准确率的统计结果，其中 有效地满足运动手势跟踪在尺度自适应方面的要 总帧数为260。 求，手势发生形变时，手势跟踪产生一定的误差。因 表1准确性统计结果 此，在实时性的提高和尺度自适应方面是以后研究 Table 1 Results statistics of accuracy 工作的重点。 算法 正确跟踪的帧数 正确率/% 参考文献： CT 197 76 [1]ZHANG Kaihua,ZHANG Lei,YANG M H.Real-time com- HOG-CT 223 86 pressive tracking[C]//Proceedings of the 12th European W-HOG-CT 239 8 Conference on Computer Vision.Florence,Italy,2012: 866-879. 从表格数据统计可以看出：较其他2种手势跟 [2]WU Jiayun,CHEN Daquan,YI Rui.Real-time compressive 踪算法，基于W-HOG的压缩感知运动手势跟踪算 tracking with motion estimation[C]//Proceedings of IEEE 法手势跟踪正确率较高。特征对每个图像块的 International Conference on Robotics and Biomimetics (RO- HOG特征进行加权处理，摈弃了经典HOG特征描 BIO).Shenzhen,China,2013:2374-2379. [3]ZHU Jianzhang,MA Yue,ZHENG Chen,et al.Adaptive 述中对HOG特征的等权值串联的理念，弥补了 weighted real-time compressive tracking[J].IET computer HOG特征在特征描述上的不足。为验证该算法的 vision,2014,8(6):740-752. 实时性，本文对该算法的运行时间进行统计，统计结 [4]王松林，项欣光.基于压缩感知的多特征加权目标跟踪 果如表2所示，其中总帧数数为260。 算法[J].计算机应用研究，2014,31(3)：929-932 表2实时性统计结果 WANG Songlin,XIANG Xinguang.Real-time tracking using multi-feature weighting based on compressive sensing[J]. Table 2 Results statistics of the real time Application research of computers,2014,31(3):929-932. 算法 运行时间/s 运行速率/(frame·s)1 [5]刘丹，窦勇.基于光流和压缩感知的目标跟踪[J].计算 CT 13.70 19 机技术与自动化，2013,32(4)：84-87. LIU Dan,DOU Yong.Object tracking based on optical flow HOG-CT 23.70 11 and compressive sensing[].Computer technology and auto- W-HOG-CT 25.90 10 mation,2013,32(4):84-87. [6]钟权，周进，崔雄文.融合ST特征的压缩跟踪算法 从表格数据统计可以看出：基于W-HOG的压 [J].光电工程，2015,42(2)：66-72. 缩感知运动手势跟踪运行时间较其他两种算法运行 ZHONG Quan,ZHOU Jin,CUI Xiongwen.Compressive 时间稍长，造成该现象的主要原因是W-HOG特征 tracking algorithm based on SIFT[J].Opto-Electronic Engi- 的计算增加了对图像块特征权值的计算。虽然 neering,2015,42(2):66-72. HOG特征的计算过程中增加了积分直方图以加快 [7]孙晓燕，常发亮.梯度特征稀疏表示目标跟踪[J].光学 精密工程，2013,21(12)：3191-3197. 特征的计算，但较经典HOG特征，计算复杂程度较 SUN Xiaoyan,CHANG Faliang.Object tracking based on 高。从手势跟踪对算法实时性的要求来看，该速率 sparse representation of gradient feature[J].Optics and pre- 已经能够满足基本要求，不会造成跟踪延迟等问题 cision engineering,2013,21(12):3191-3197. 的发生。 [8]LIU Jin,HAN Chongzhao,HAN Feng.A novel compressed sensing based track before detect algorithm for tracking mul- 4结束语 tiple targets [C]//Proceedings of the 16th International Conference on Information Fusion (FUSION).Istanbul,the 本文将压缩感知运动目标跟踪运用到了运动手 Republic of Turkey,2013:1514-1519. 势跟踪中，并且将HOG特征替代原来的类Har特 [9]LI Hanxi,SHEN Chunhua,SHI Qinfeng.Real-time visual 征，同时运用HOG特征权值进行特征融合，确定运 tracking using compressive sensing [C]//Proceedings of 动手势的位置，最后进行分类器的更新，完成了运动 IEEE Conference on Computer Vision and Pattern Recogni- tion (CVPR).Providence,USA,2011:1305-1312. 手势跟踪。该算法摈弃了经典HOG特征描述中对 [10]张雷，王延杰，何舒文.基于相位一致性的实时压缩跟 HOG特征的等权值串联的理念，有效减少了HOG 踪方法[J].光子学报，2014,43(8)：124-131 特征等权值相加对手势跟踪所造成的累积误差，并 ZHANG Lei,WANG Yanjie,HE Shuwen.Real-time com-
经对比实验可以看出，基于 Ｗ⁃ＨＯＧ 的压缩感 知目标跟踪算法在背景复杂、背景中含有类肤色物 体等情况下能够准确地检测出运动手势。 表 １ 为 ３ 种跟踪算法运动手势跟踪准确率的统计结果，其中 总帧数为 ２６０。 表 １ 准确性统计结果 Ｔａｂｌｅ １ Ｒｅｓｕｌｔｓ ｓｔａｔｉｓｔｉｃｓ ｏｆ ａｃｃｕｒａｃｙ 算法 正确跟踪的帧数 正确率／ ％ ＣＴ １９７ ７６ ＨＯＧ⁃ＣＴ ２２３ ８６ Ｗ⁃ＨＯＧ⁃ＣＴ ２３９ ９２ 从表格数据统计可以看出：较其他 ２ 种手势跟 踪算法，基于 Ｗ⁃ＨＯＧ 的压缩感知运动手势跟踪算 法手势跟踪正确率较高。 特征对每个图像块的 ＨＯＧ 特征进行加权处理，摈弃了经典 ＨＯＧ 特征描 述中对 ＨＯＧ 特征的等权值串联的理念， 弥补了 ＨＯＧ 特征在特征描述上的不足。 为验证该算法的 实时性，本文对该算法的运行时间进行统计，统计结 果如表 ２ 所示，其中总帧数数为 ２６０。 表 ２ 实时性统计结果 Ｔａｂｌｅ ２ Ｒｅｓｕｌｔｓ ｓｔａｔｉｓｔｉｃｓ ｏｆ ｔｈｅ ｒｅａｌ ｔｉｍｅ 算法 运行时间／ ｓ 运行速率／ （ｆｒａｍｅ·ｓ） －１ ＣＴ １３．７０ １９ ＨＯＧ⁃ＣＴ ２３．７０ １１ Ｗ⁃ＨＯＧ⁃ＣＴ ２５．９０ １０ 从表格数据统计可以看出：基于 Ｗ⁃ＨＯＧ 的压 缩感知运动手势跟踪运行时间较其他两种算法运行 时间稍长，造成该现象的主要原因是 Ｗ⁃ＨＯＧ 特征 的计算增加了对图像块特征权值的计算。 虽然 ＨＯＧ 特征的计算过程中增加了积分直方图以加快 特征的计算，但较经典 ＨＯＧ 特征，计算复杂程度较 高。 从手势跟踪对算法实时性的要求来看，该速率 已经能够满足基本要求，不会造成跟踪延迟等问题 的发生。 ４ 结束语 本文将压缩感知运动目标跟踪运用到了运动手 势跟踪中，并且将 ＨＯＧ 特征替代原来的类 Ｈａｒｒ 特 征，同时运用 ＨＯＧ 特征权值进行特征融合，确定运 动手势的位置，最后进行分类器的更新，完成了运动 手势跟踪。 该算法摈弃了经典 ＨＯＧ 特征描述中对 ＨＯＧ 特征的等权值串联的理念，有效减少了 ＨＯＧ 特征等权值相加对手势跟踪所造成的累积误差，并 且能够在较复杂环境下准确地进行运动手势跟踪， 本算法还运用积分直方图减少运算量，但是手势跟 踪的实时性有待提高。 在尺度方面，该算法不能够 有效地满足运动手势跟踪在尺度自适应方面的要 求，手势发生形变时，手势跟踪产生一定的误差。 因 此，在实时性的提高和尺度自适应方面是以后研究 工作的重点。 参考文献： ［１］ＺＨＡＮＧ Ｋａｉｈｕａ， ＺＨＡＮＧ Ｌｅｉ， ＹＡＮＧ Ｍ Ｈ． Ｒｅａｌ⁃ｔｉｍｅ ｃｏｍ⁃ ｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｆｌｏｒｅｎｃｅ， Ｉｔａｌｙ， ２０１２： ８６６⁃８７９． ［２］ＷＵ Ｊｉａｙｕｎ， ＣＨＥＮ Ｄａｑｕａｎ， ＹＩ Ｒｕｉ． Ｒｅａｌ⁃ｔｉｍｅ ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｍｏｔｉｏｎ ｅｓｔｉｍａｔｉｏｎ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ｂｉｏｍｉｍｅｔｉｃｓ （ＲＯ⁃ ＢＩＯ）． Ｓｈｅｎｚｈｅｎ， Ｃｈｉｎａ， ２０１３： ２３７４⁃２３７９． ［３］ＺＨＵ Ｊｉａｎｚｈａｎｇ， ＭＡ Ｙｕｅ， ＺＨＥＮＧ Ｃｈｅｎ， ｅｔ ａｌ． Ａｄａｐｔｉｖｅ ｗｅｉｇｈｔｅｄ ｒｅａｌ⁃ｔｉｍｅ ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ［ Ｊ］． ＩＥＴ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ， ２０１４， ８（６）： ７４０⁃７５２． ［４］王松林， 项欣光． 基于压缩感知的多特征加权目标跟踪 算法［Ｊ］． 计算机应用研究， ２０１４， ３１（３）： ９２９⁃９３２． ＷＡＮＧ Ｓｏｎｇｌｉｎ， ＸＩＡＮＧ Ｘｉｎｇｕａｎｇ． Ｒｅａｌ⁃ｔｉｍｅ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ｍｕｌｔｉ⁃ｆｅａｔｕｒｅ ｗｅｉｇｈｔｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ［ Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１４， ３１（３）： ９２９⁃９３２． ［５］刘丹， 窦勇． 基于光流和压缩感知的目标跟踪［ Ｊ］． 计算 机技术与自动化， ２０１３， ３２（４）： ８４⁃８７． ＬＩＵ Ｄａｎ， ＤＯＵ Ｙｏｎｇ． Ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ ｏｐｔｉｃａｌ ｆｌｏｗ ａｎｄ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ａｕｔｏ⁃ ｍａｔｉｏｎ， ２０１３， ３２（４）： ８４⁃８７． ［６］钟权， 周进， 崔雄文． 融合 ＳＩＦＴ 特征的压缩跟踪算法 ［Ｊ］． 光电工程， ２０１５， ４２（２）： ６６⁃７２． ＺＨＯＮＧ Ｑｕａｎ， ＺＨＯＵ Ｊｉｎ， ＣＵＩ Ｘｉｏｎｇｗｅｎ． Ｃｏｍｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＳＩＦＴ［Ｊ］． Ｏｐｔｏ⁃Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉ⁃ ｎｅｅｒｉｎｇ， ２０１５， ４２（２）： ６６⁃７２． ［７］孙晓燕， 常发亮． 梯度特征稀疏表示目标跟踪［ Ｊ］． 光学 精密工程， ２０１３， ２１（１２）： ３１９１⁃３１９７． ＳＵＮ Ｘｉａｏｙａｎ， ＣＨＡＮＧ Ｆａｌｉａｎｇ． Ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｇｒａｄｉｅｎｔ ｆｅａｔｕｒｅ［Ｊ］． Ｏｐｔｉｃｓ ａｎｄ ｐｒｅ⁃ ｃｉｓｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１３， ２１（１２）： ３１９１⁃３１９７． ［８］ＬＩＵ Ｊｉｎ， ＨＡＮ Ｃｈｏｎｇｚｈａｏ， ＨＡＮ Ｆｅｎｇ． Ａ ｎｏｖｅｌ ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｔｒａｃｋ ｂｅｆｏｒｅ ｄｅｔｅｃｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｒａｃｋｉｎｇ ｍｕｌ⁃ ｔｉｐｌｅ ｔａｒｇｅｔｓ ［ Ｃ ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ （ＦＵＳＩＯＮ）． Ｉｓｔａｎｂｕｌ， ｔｈｅ Ｒｅｐｕｂｌｉｃ ｏｆ Ｔｕｒｋｅｙ， ２０１３： １５１４⁃１５１９． ［９］ ＬＩ Ｈａｎｘｉ， ＳＨＥＮ Ｃｈｕｎｈｕａ， ＳＨＩ Ｑｉｎｆｅｎｇ． Ｒｅａｌ⁃ｔｉｍｅ ｖｉｓｕａｌ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉ⁃ ｔｉｏｎ （ＣＶＰＲ）．Ｐｒｏｖｉｄｅｎｃｅ， ＵＳＡ， ２０１１： １３０５⁃１３１２． ［１０］张雷， 王延杰， 何舒文． 基于相位一致性的实时压缩跟 踪方法［Ｊ］． 光子学报， ２０１４， ４３（８）： １２４⁃１３１． ＺＨＡＮＧ Ｌｅｉ， ＷＡＮＧ Ｙａｎｊｉｅ， ＨＥ Ｓｈｕｗｅｎ． Ｒｅａｌ⁃ｔｉｍｅ ｃｏｍ⁃ 第 １ 期 史东承，等：压缩感知 Ｗ⁃ＨＯＧ 特征的运动手势跟踪 ·１２７·
·128· 智能系统学报 第11卷 pressive tracking method based on phase congruency[]. [l5]宋海东，陈二虎，边敏.基于HOG-LBP特征的自适应 Acta photonica sinica,2014,43(8):124-131. 实时手掌检测算法[J].计算机与数字工程，2013,41 [11]张洁玉，武小川.加权局部二值模式的人脸特征提取 (11):1826-1828 [J].中国图象图形学报，2014,19(12)：1794-1801. SONG Donghai,CHEN Erhu,BIAN Min.HOG-LBP fea- ZHANG Jieyu,WU Xiaochuan.Feature extraction of faces based on a weighted local binary pattern[J].Journal of im- ture adaptive real-time palm detecting algorithm[J].Com- age and graphics,2014,19(12):1794-1801. puter and digital engineering,2013,41(11):1826-1828. [12]朱秋平，颜佳，张虎，等.基于压缩感知的多特征实时 作者简介： 跟踪[J].光学精密工程，2013,21(2)：437-444. 史东承，男，1959年生，教授。主要 ZHU Qiuping,YAN Jia,ZHANG Hu,et al.Real-time 研究方向为图像处理与机器视觉。主 tracking using multiple features based on compressive sens- 持完成信息产业部重点项目1项，吉林 ing[J].Optics and precision engineering,2013,21(2): 省级课题6项。曾获中国通信学会科 437.444. [13]王梅，屠大维，周许超.ST特征匹配和差分相乘融合 学技术二等奖1项、吉林省自然科学学 的运动日标检测[J].光学精密工程，2011,19(4)： 术成果二等奖1项。发表学术论文50 892-899. 余篇。 WANG Mei,TU Dawei,ZHOU Xuchao.Moving object de- tection by combining SIFT and differential multiplication [J].Optics and precision engineering,2011,19(4): 倪康，男，1991年生，硕士研究生， 892-899. [14]HASAN H S,KAREEM S A.Human computer interaction 主要研究方向为图像处理与机器视觉， for vision based hand gesture recognition:a survey[C]// 发表学术论文3篇。 Proceedings of International Conference on Advanced Com- puter Science Applications and Technologies.Kuala Lum- pur,Malaysia,2012:55-60. 全国第15届可拓学年会征文启事 全国第15届可拓学年会定于2016年8月10-12日在浙江省宁波市浙江大学宁波理工学院召开。会议将交流近年来可 拓学的理论和应用研究成果，讨论可拓学发展方向、学科建设和人才培养等问题。为此诚挚邀请国内外相关领域的专家学 者、管理人员和工程技术人员参加这次会议。 本次会议征文包括理论研究和应用研究成果两部分。 1.理论研究 1)基元理论：2)可拓数学：3)可拓逻辑：4)可拓学的哲学基础：4)可拓创新方法：5)可拓学与其他学科的交叉融合。具体 形式为学术论文。 2.应用研究 可拓论和可拓创新方法与各专业领域相结合产生的可拓工程理论、方法与应用研究的论文，如（但不限于此）：人工智能、 计算机、自动化、控制、检测、设计、管理、经济等。 征文要求： 1)文笔精练、资料可靠，字数不超过7千字，并附中英文摘要和关键词： 2)论文应是新的研究成果，严格按照科技论文规范撰写，且未在国内外学术会议或刊物上发表过。 此次会议由中国人工智能学会主办，由中国人工智能学会可拓学专业委员会、浙江大学宁波理工学院和《智能系统学报》 编辑部联合承办。会议征文中被大会录用的论文，需要作者参加会议交流，再由可拓学学术委员会评审出优秀论文，推荐到 《智能系统学报》、《数学的实践与认识》等核心期刊和《广东工业大学学报》（科技核心期刊）“可拓论坛”正式发表。欢迎相关 领域的研究人员、高校师生、企业家、工程技术人员、以及一切爱好和有志于可拓学理论研究与应用研究的朋友踊跃投稿。 本届大会的征文采用email投稿的方式，投稿email地址：extenics@vip.l63.com 重要日期： 征文截止日期：2016年5月30日 录用通知日期：2016年6月30日 会议联系地址：广东工业大学可拓学与创新方法研究所 Email:extenics@vip.163.com 电话：020-39322973传真：020-39322019 地址：广州大学城外环西路100号广东工业大学可拓学与创新方法研究所（邮编：510006） 联系人：李剑明老师，汤龙博土
ｐｒｅｓｓｉｖｅ ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｐｈａｓｅ ｃｏｎｇｒｕｅｎｃｙ［ Ｊ］． Ａｃｔａ ｐｈｏｔｏｎｉｃａ ｓｉｎｉｃａ， ２０１４， ４３（８）： １２４⁃１３１． ［１１］张洁玉， 武小川． 加权局部二值模式的人脸特征提取 ［Ｊ］． 中国图象图形学报， ２０１４， １９（１２）： １７９４⁃１８０１． ＺＨＡＮＧ Ｊｉｅｙｕ， ＷＵ Ｘｉａｏｃｈｕａｎ． Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｆａｃｅｓ ｂａｓｅｄ ｏｎ ａ ｗｅｉｇｈｔｅｄ ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｉｍ⁃ ａｇｅ ａｎｄ ｇｒａｐｈｉｃｓ， ２０１４， １９（１２）： １７９４⁃１８０１． ［１２］朱秋平， 颜佳， 张虎， 等． 基于压缩感知的多特征实时 跟踪［Ｊ］． 光学精密工程， ２０１３， ２１（２）： ４３７⁃４４４． ＺＨＵ Ｑｉｕｐｉｎｇ， ＹＡＮ Ｊｉａ， ＺＨＡＮＧ Ｈｕ， ｅｔ ａｌ． Ｒｅａｌ⁃ｔｉｍｅ ｔｒａｃｋｉｎｇ ｕｓｉｎｇ ｍｕｌｔｉｐｌｅ ｆｅａｔｕｒｅｓ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｖｅ ｓｅｎｓ⁃ ｉｎｇ［Ｊ］． Ｏｐｔｉｃｓ ａｎｄ ｐｒｅｃｉｓｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１３， ２１（２）： ４３７⁃４４４． ［１３］王梅， 屠大维， 周许超． ＳＩＦＴ 特征匹配和差分相乘融合 的运动目标检测［ Ｊ］． 光学精密工程， ２０１１， １９ （ ４）： ８９２⁃８９９． ＷＡＮＧ Ｍｅｉ， ＴＵ Ｄａｗｅｉ， ＺＨＯＵ Ｘｕｃｈａｏ． Ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅ⁃ ｔｅｃｔｉｏｎ ｂｙ ｃｏｍｂｉｎｉｎｇ ＳＩＦＴ ａｎｄ ｄｉｆｆｅｒｅｎｔｉａｌ ｍｕｌｔｉｐｌｉｃａｔｉｏｎ ［Ｊ］． Ｏｐｔｉｃｓ ａｎｄ ｐｒｅｃｉｓｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１１， １９ （ ４）： ８９２⁃８９９． ［１４］ＨＡＳＡＮ Ｈ Ｓ， ＫＡＲＥＥＭ Ｓ Ａ． Ｈｕｍａｎ ｃｏｍｐｕｔｅｒ ｉｎｔｅｒａｃｔｉｏｎ ｆｏｒ ｖｉｓｉｏｎ ｂａｓｅｄ ｈａｎｄ ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ： ａ ｓｕｒｖｅｙ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｄ Ｃｏｍ⁃ ｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｅｓ． Ｋｕａｌａ Ｌｕｍ⁃ ｐｕｒ， Ｍａｌａｙｓｉａ， ２０１２： ５５⁃６０． ［１５］宋海东， 陈二虎， 边敏． 基于 ＨＯＧ⁃ＬＢＰ 特征的自适应 实时手掌检测算法［ Ｊ］． 计算机与数字工程， ２０１３， ４１ （１１）： １８２６⁃１８２８． ＳＯＮＧ Ｄｏｎｇｈａｉ， ＣＨＥＮ Ｅｒｈｕ， ＢＩＡＮ Ｍｉｎ． ＨＯＧ⁃ＬＢＰ ｆｅａ⁃ ｔｕｒｅ ａｄａｐｔｉｖｅ ｒｅａｌ⁃ｔｉｍｅ ｐａｌｍ ｄｅｔｅｃｔｉｎｇ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｃｏｍ⁃ ｐｕｔｅｒ ａｎｄ ｄｉｇｉｔａｌ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１３， ４１（１１）： １８２６⁃１８２８． 作者简介： 史东承，男，１９５９ 年生，教授。 主要 研究方向为图像处理与机器视觉。 主 持完成信息产业部重点项目 １ 项，吉林 省级课题 ６ 项。 曾获中国通信学会科 学技术二等奖 １ 项、 吉林省自然科学学 术成果二等奖 １ 项。 发表学术论文 ５０ 余篇。 倪康，男，１９９１ 年生，硕士研究生， 主要研究方向为图像处理与机器视觉， 发表学术论文 ３ 篇。 全国第 １５ 届可拓学年会征文启事 全国第 １５ 届可拓学年会定于 ２０１６ 年 ８ 月 １０－１２ 日在浙江省宁波市浙江大学宁波理工学院召开。 会议将交流近年来可 拓学的理论和应用研究成果，讨论可拓学发展方向、学科建设和人才培养等问题。 为此诚挚邀请国内外相关领域的专家学 者、管理人员和工程技术人员参加这次会议。 本次会议征文包括理论研究和应用研究成果两部分。 １．理论研究 １）基元理论；２）可拓数学；３）可拓逻辑；４）可拓学的哲学基础；４）可拓创新方法；５）可拓学与其他学科的交叉融合。 具体 形式为学术论文。 ２．应用研究 可拓论和可拓创新方法与各专业领域相结合产生的可拓工程理论、方法与应用研究的论文，如（但不限于此）：人工智能、 计算机、自动化、控制、检测、设计、管理、经济等。 征文要求： １）文笔精练、资料可靠，字数不超过 ７ 千字，并附中英文摘要和关键词； ２）论文应是新的研究成果，严格按照科技论文规范撰写，且未在国内外学术会议或刊物上发表过。 此次会议由中国人工智能学会主办，由中国人工智能学会可拓学专业委员会、浙江大学宁波理工学院和《智能系统学报》 编辑部联合承办。 会议征文中被大会录用的论文，需要作者参加会议交流，再由可拓学学术委员会评审出优秀论文，推荐到 《智能系统学报》、《数学的实践与认识》等核心期刊和《广东工业大学学报》（科技核心期刊）“可拓论坛”正式发表。 欢迎相关 领域的研究人员、高校师生、企业家、工程技术人员、以及一切爱好和有志于可拓学理论研究与应用研究的朋友踊跃投稿。 本届大会的征文采用 ｅｍａｉｌ 投稿的方式，投稿 ｅｍａｉｌ 地址：ｅｘｔｅｎｉｃｓ＠ ｖｉｐ．１６３．ｃｏｍ 重要日期： 征文截止日期：２０１６ 年 ５ 月 ３０ 日 录用通知日期：２０１６ 年 ６ 月 ３０ 日 会议联系地址：广东工业大学可拓学与创新方法研究所 Ｅｍａｉｌ：ｅｘｔｅｎｉｃｓ＠ ｖｉｐ．１６３．ｃｏｍ 电话：０２０⁃３９３２２９７３ 传真：０２０⁃３９３２２０１９ 地址：广州大学城外环西路 １００ 号广东工业大学可拓学与创新方法研究所（邮编：５１０００６） 联系人：李剑明老师，汤龙博士 ·１２８· 智 能 系 统 学 报 第 １１ 卷