第13卷第4期 智能系统学报 Vol.13 No.4 2018年8月 CAAI Transactions on Intelligent Systems Aug.2018 D0:10.11992/tis.201708003 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180402.1805.012.html 对偶树复小波与空域信息的手势识别分类研究 贾鹤鸣，朱传旭'，张森，杨泽文2，何东旭2 (1.东北林业大学机电工程学院，黑龙江哈尔滨150040；2.哈尔滨工程大学自动化学院，黑龙江哈尔滨 150001) 摘要：为提高手势识别中特征获取的有效性，本文提出空域特征与对偶树复小波变换特征相结合的融合特 征，主要包括水平位置、竖直位置、长宽比、矩形度、u矩7个分量，及11雏空域特征与对偶树复小波变换的 16维特征进行融合后得到的27维特征。针对分类器优化算法，提出进行训练样本优选的最优距离-支持向量 机BD-SVM)分类方法。最后的实验结果表明，对“1~9”手势进行测试，当采用径向基核函数时，平均识别精度 最高，为90.33%，平均识别时间为0.026s,说明所提出的方法能够较好地进行静态手势识别，具有较高的训练 速度和辨识精度。 关键词：手势识别；空域特征；对偶树复小波：特征融合；分类器优化；BD-SVM;径向基核函数：静态测试 中图分类号：TP273文献标志码：A文章编号：1673-4785(2018)04-0619-06 中文引用格式：贾鹤鸣，朱传旭，张森，等.对偶树复小波与空域信息的手势识别分类研究.智能系统学报，2018,13(4)： 619-624. 英文引用格式：JIA Heming,.ZHU Chuanxu,.ZHANG Sen,etal.Research on gesture recognition and classification of dual-tree complex wavelet and spatial information.CAAI transactions on intelligent systems,2018,13(4):619-624. Research on gesture recognition and classification of dual-tree complex wavelet and spatial information JIA Heming',ZHU Chuanxu',ZHANG Sen',YANG Zewen',HE Dongxu' (1.College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China;2.College of Automa- tion,Harbin Engineering University,Harbin 150001,China) Abstract:To improve the validity of features obtained in gesture recognition,in this paper,we propose a fusion feature that combines spatial and dual-tree complex wavelet transform features.These features mainly include seven compon- ents(horizontal position,vertical position,aspect ratio,rectangular degree,Hu moments,etc.)and 27 dimensional fea- tures,comprising 11 dimensional spatial features and 16 dimensional dual-tree complex wavelet transform features.We employ the optimal distance support vector machine(BD-SVM)classification method to optimize training samples for the classifier optimization algorithm.The experimental results show that,in a test of gestures"1~9"using the RBF ker- nel function,the highest average recognition accuracy is 90.33%and the average recognition time is 0.026 s.These res- ults reveal that the proposed method demonstrates excellent static gesture recognition,a high training speed,and accur- acy in identification. Keywords:gesture recognition:spatial feature:dual-tree complex wavelet:feature fusion:classifier optimization:BD- SVM:radial basis kernel function:static test 收稿日期：2017-08-03.网络出版日期：2018-04-03 手势语言作为一种常用的交流语言，通过不 基金项目：中央高校基本科研业务费专项资金项目(2572014BB03: 国家自然科学基金项目(31470714.51609048)：黑龙 同手势的组合、不同手形的变化，能够表达多种 江省研究生教育创新工程项目GXM_HLJ2016014), 通信作者：贾鹤鸣.E-mail:jiaheminglucky99@126.com. 复杂的含义，在非声音传递信息的方式中，如特DOI: 10.11992/tis.201708003 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180402.1805.012.html 对偶树复小波与空域信息的手势识别分类研究 贾鹤鸣1 ，朱传旭1 ，张森1 ，杨泽文2 ，何东旭2 （1. 东北林业大学 机电工程学院，黑龙江 哈尔滨 150040; 2. 哈尔滨工程大学 自动化学院，黑龙江 哈尔滨 150001） 摘 要：为提高手势识别中特征获取的有效性，本文提出空域特征与对偶树复小波变换特征相结合的融合特 征，主要包括水平位置、竖直位置、长宽比、矩形度、Hu 矩 7 个分量，及 11 维空域特征与对偶树复小波变换的 16 维特征进行融合后得到的 27 维特征。针对分类器优化算法，提出进行训练样本优选的最优距离–支持向量 机 (BD-SVM) 分类方法。最后的实验结果表明，对“1~9”手势进行测试，当采用径向基核函数时，平均识别精度 最高，为 90.33%，平均识别时间为 0.026 s，说明所提出的方法能够较好地进行静态手势识别，具有较高的训练 速度和辨识精度。 关键词：手势识别；空域特征；对偶树复小波；特征融合；分类器优化；BD-SVM；径向基核函数；静态测试 中图分类号：TP273 文献标志码：A 文章编号：1673−4785(2018)04−0619−06 中文引用格式：贾鹤鸣, 朱传旭, 张森, 等. 对偶树复小波与空域信息的手势识别分类研究[J]. 智能系统学报, 2018, 13(4): 619–624. 英文引用格式：JIA Heming, ZHU Chuanxu, ZHANG Sen, et al. Research on gesture recognition and classification of dual-tree complex wavelet and spatial information[J]. CAAI transactions on intelligent systems, 2018, 13(4): 619–624. Research on gesture recognition and classification of dual-tree complex wavelet and spatial information JIA Heming1 ，ZHU Chuanxu1 ，ZHANG Sen1 ，YANG Zewen2 ，HE Dongxu2 (1. College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, China; 2. College of Automa￾tion, Harbin Engineering University, Harbin 150001, China) Abstract: To improve the validity of features obtained in gesture recognition, in this paper, we propose a fusion feature that combines spatial and dual-tree complex wavelet transform features. These features mainly include seven compon￾ents (horizontal position, vertical position, aspect ratio, rectangular degree, Hu moments, etc.) and 27 dimensional fea￾tures, comprising 11 dimensional spatial features and 16 dimensional dual-tree complex wavelet transform features. We employ the optimal distance support vector machine (BD-SVM) classification method to optimize training samples for the classifier optimization algorithm. The experimental results show that, in a test of gestures “1~9” using the RBF ker￾nel function, the highest average recognition accuracy is 90.33% and the average recognition time is 0.026 s. These res￾ults reveal that the proposed method demonstrates excellent static gesture recognition, a high training speed, and accur￾acy in identification. Keywords: gesture recognition; spatial feature; dual-tree complex wavelet; feature fusion; classifier optimization; BD￾SVM; radial basis kernel function; static test 手势语言作为一种常用的交流语言，通过不 同手势的组合、不同手形的变化，能够表达多种 复杂的含义，在非声音传递信息的方式中，如特 收稿日期：2017−08−03. 网络出版日期：2018−04−03. 基金项目：中央高校基本科研业务费专项资金项目 (2572014BB03)； 国家自然科学基金项目 (31470714，51609048)；黑龙 江省研究生教育创新工程项目 (JGXM_HLJ_2016014). 通信作者：贾鹤鸣. E-mail：jiaheminglucky99@126.com. 第 13 卷第 4 期 智 能 系 统 学 报 Vol.13 No.4 2018 年 8 月 CAAI Transactions on Intelligent Systems Aug. 2018