·352· 智能系统学报 第14卷 图14类肤色区域背景下的WA、AMWA和ICWA之间处理结果的对比 Fig.14 Comparison of processing results among WA,AMWA and ICWA with skin-like background 输入 6个特征图 6个特征图16个特征图16个特征图 120个单元 84个单元输出分类标签0-9 48×48 44×44 22×22 18×18 9x9 (表示9种手势) 图15CNN手势识别结构图 Fig.15 The CNN architecture for gesture recognition 如表3所示，使用传统SIFT算法识别9种手 利用Marcel标准手势数据集，在表2所列的 势的平均识别率为83.04%，而本文所提出的ICWA+ 硬件平台上对本文所提出的ICWA和传统分水岭 LeNet CNN方法的识别率都高于SIFT算法，且其 算法进行对比实验。图16分别展示了ICWA+Le 平均识别率达到了97.85%。其主要原因在于：1) Net CNN方法和传统的分水岭算法+LeNet CNN SIFT方法会受到手势的旋转和阴影的干扰而导 方法对Marcel数据集中的每张图片进行分类识 致特征点提取的不一致和相应的匹配错误，最终 别的结果对比（按手势种类取平均值）。从实验结 无法正确进行手势识别：2)SFT算法需要进行特 果可以看出，ICWA+LeNet CNN方法识别率明显 征点匹配，若匹配不成功就会出现误据，而ICWA 高于传统分水岭算法+LeNet CNN方法。 利用CNN进行分类则不会出现误据的情况。因 ■传统分水岭算法识别率瑞ICWA算法识别率 此，ICWA算法可以完整地分割出静态手势的有 100.00r 效区域，进而能够准确地提取出静态手势的特征。 80.00 表3SIFT算法和ICWA算法准确率与误据率对比 Table 3 Comparison of accuracy and error rate 60.00 between SIFT and ICWA % 40.00 ICWA算法 SIFT算法 手势编号 20.00 识别率 误据率 识别率 误据率 0 99.75 0 79.83 18.05 2 3 4 56 7 8 9 手势种类编号 1 99.50 80.23 5.21 图16 传统分水岭算法(WA)与ICWA的平均识别率比较 2 99.03 84.57 21.37 Fig.16 Comparison of average recognition rate between 99.43 0 83.47 16.83 traditional WA and ICWA 4 96.02 S 86.31 15.50 5结束语 96.25 82.11 7.63 本文发现基于低成本单目视觉的静态手势分 6 96.16 0 87.36 12.11 割算法依然难以在复杂类肤色背景下进行准确 7 97.28 0 82.29 15.65 完整的手势图像分割与提取：1)传统分水岭算法 97.23 81.25 9.98 很容易在类肤色背景和手势前景中造成严重的过如表 3 所示，使用传统 SIFT 算法识别 9 种手 势的平均识别率为 83.04%，而本文所提出的 ICWA+ LeNet CNN 方法的识别率都高于 SIFT 算法，且其 平均识别率达到了 97.85%。其主要原因在于：1) SIFT 方法会受到手势的旋转和阴影的干扰而导 致特征点提取的不一致和相应的匹配错误，最终 无法正确进行手势识别; 2) SIFT 算法需要进行特 征点匹配，若匹配不成功就会出现误据，而 ICWA 利用 CNN 进行分类则不会出现误据的情况。因 此，ICWA 算法可以完整地分割出静态手势的有 效区域，进而能够准确地提取出静态手势的特征。 利用 Marcel 标准手势数据集，在表 2 所列的 硬件平台上对本文所提出的 ICWA 和传统分水岭 算法进行对比实验。图 16 分别展示了 ICWA+Le￾Net CNN 方法和传统的分水岭算法+LeNet CNN 方法对 Marcel 数据集中的每张图片进行分类识 别的结果对比 (按手势种类取平均值)。从实验结 果可以看出，ICWA+LeNet CNN 方法识别率明显 高于传统分水岭算法+LeNet CNN 方法。 5 结束语 本文发现基于低成本单目视觉的静态手势分 割算法依然难以在复杂类肤色背景下进行准确、 完整的手势图像分割与提取：1) 传统分水岭算法 很容易在类肤色背景和手势前景中造成严重的过 表 3 SIFT 算法和 ICWA 算法准确率与误据率对比 Table 3 Comparison of accuracy and error rate between SIFT and ICWA % 手势编号 ICWA 算法 SIFT 算法 识别率 误据率 识别率 误据率 0 99.75 0 79.83 18.05 1 99.50 0 80.23 5.21 2 99.03 0 84.57 21.37 3 99.43 0 83.47 16.83 4 96.02 0 86.31 15.50 5 96.25 0 82.11 7.63 6 96.16 0 87.36 12.11 7 97.28 0 82.29 15.65 8 97.23 0 81.25 9.98 图 14 类肤色区域背景下的 WA、AMWA 和 ICWA 之间处理结果的对比 Fig. 14 Comparison of processing results among WA, AMWA and ICWA with skin-like background 输入 48 × 48 6个特征图 44 × 44 6个特征图 22 × 22 16个特征图 18 × 18 16个特征图 9 × 9 120个单元 84个单元 输出分类标签0−9 (表示9种手势) 图 15 CNN 手势识别结构图 Fig. 15 The CNN architecture for gesture recognition 100.00 80.00 60.00 40.00 20.00 0 1 2 3 4 5 6 7 8 9 手势识别率/% 手势种类编号 传统分水岭算法识别率 ICWA算法识别率 图 16 传统分水岭算法 (WA) 与 ICWA 的平均识别率比较 Fig. 16 Comparison of average recognition rate between traditional WA and ICWA ·352· 智 能 系 统 学 报 第 14 卷