指尖檢測根據應用可以分為單指尖檢測和多指尖檢測。
下面是我在工作中想到的方法,希望對你有用或提供點兒靈感。
單指尖檢測新方法:重心距離法
找到手的區域,我一般用膚色檢測
計算手的區域的重心
在手的區域的邊緣點集中尋找距離重心最遠的點,該點即為指尖候選位置
判斷找到的點是否為指尖。判據:候選點到重心的距離大於邊緣到重心平均距離的1.6倍,即為指尖;否則不是指尖,也就是說沒有手指伸出
下面是我在隨便挑的幾張上做的試驗
下面是我在應用中的試驗截圖:
說明:紅色圓是平均距離;藍色為重心;綠色表示最遠點,其中叉表示該點不是指尖,矩形表示該點是指尖
仔細看圖,你會知道該演算法的準確度怎麼樣
多指尖檢測方法之一:
1.細化影象,端點就是候選指尖點集:
2.找出指尖的點。仍然可以用重心距離法,當然這次操作是在候選指尖點集中進行
本演算法主要用於多指尖檢測。
多指尖檢測方法之二:
本演算法是單指尖檢測重心距離法的延伸
演算法:找出手的區域的freeman chain code,也就是乙個有序的邊緣,然後求出其中所有點到重心的距離
相信你看到下圖就會迫不及待地想要用自己的方法找到指尖,正好,因為我還沒有找到準確度很高的找到指尖的方法。
這裡我只是提供乙個比較有效地特徵,希望對你有用。
對影象的說明:四條線,從下往上,第一條是各點到重心的距離,第二條是第一條線的平滑,第四條是第一條的導數,第三條是第四條的平滑
第一組:
第二組:
多指尖檢測方法之三:
使用輪廓
KIENCT指尖檢測專案原理與資源彙總
2.這個思路是為我後續專案提供一定的資料,因為我們現在已經可以提取得到手指尖的位置了,有了乙個會追蹤你的手指尖的點座標你就可以實現你在生活中其他需要用手指尖來幹的事情了。這裡我們用手指尖來寫數字並實時繪製出,然後儲存到資料夾中供給給後續的分類器識別 下面來講講實現的原理以及kinect與opencv...
目標檢測之Selective Search原理簡述
目標檢測物體的候選框是如何產生的?如今深度學習火熱的今天,rcnn spp net fast rcnn等文章都會談及bounding boxes 候選邊界框 的生成與篩選策略。那麼候選框是如何產生,又是如何進行篩選的呢?其實物體候選框獲取當前主要使用影象分割與區域生長技術。區域生長 合併 主要由於檢...
目標檢測之SSD
ssd single shot multibox detector 翻譯 詳解 圖1 圖2 演算法步驟 1 輸入一幅 300x300 將其輸入到預訓練好的分類網路中來獲得不同大小的特徵對映,修改了傳統的vgg16網路 2 抽取conv4 3 conv7 conv8 2 conv9 2 conv10 ...