Abstract
在本論文中，我們提出一個可以在複雜背景下辨識連續手勢的系統。 因為同一個手勢對不同的人而言，其手形存在很大的變異性，我們採用許 多可能的手形加以訓練以萃取此變異性之主要變化特徵，這個方法稱為主 動形狀模型。主動形狀模型可以藉由參數的調整來與未知的輸入手形做比 對，而得知此輸入之可能手勢。 在複雜背景下，我們所要的手形資訊摻雜了不可避免的雜訊，在本論 文 中，此系統使用手勢的輪廓和全域運動資訊來萃取手形，因此我們假設 手勢的輪廓特徵可辨識，且手勢在影像序列中並非靜止不動。為了去除不 必要的背景雜訊以使比對更加準確，在特徵萃取階段，我們使用雜訊清除 器來消除不具手形特徵的雜訊。 有了手形特徵，我們採用修正過的郝斯多夫距離量測法做為手形特徵 與 主動形狀模型相似程度的指標，以利後續程序的正確運行。由於手勢變 化太大，不適合將每一個手勢做單一考慮，因此我們將每一個手勢分割成 幾個狀態，並且分析所有狀態的相互關係。在本系統中，我們利用隱藏馬 可夫模型來表現：狀態的初始分佈、狀態與狀態間的關係，即狀態轉換之 機率分佈和狀態與系統間的關係，即觀察機率分佈。本系統在辨識上會有 許多可能的觀察序列，其中只有一些是符合完整手勢定義的序列，我們利 用菲得比演算法來求得最有可能的觀察序列，並找出其對應之狀態序列， 最後參考手勢定義完成手勢辨識程序。我們已測試了許多的輸入影像手勢 序列，其中可能含有一個完整的手勢或連接幾個手勢而成的組合手勢，本 系統均能正確地辨識。