- 前言
一、手部关键点检测
- 1.1 功能源码
- 1.2 功能效果
二、手势识别
- 2.1算法原理
- 2.2功能源码
三、结果显示
- 3.1功能源码
- 3.2效果显示
四、源码
- 总结
前言
本文将使用OpenCV C++ 实现手势识别效果。
本案例主要可以分为以下几个步骤：
1、手部关键点检测
2、手势识别
3、效果显示
接下来就来看看本案例具体是怎么实现的吧！！！
一、手部关键点检测
如图所示，为我们的手部关键点所在位置。
第一步，我们需要检测手部21个关键点。
我们使用深度神经网络DNN模块来完成这件事。
通过使用DNN模块可以检测出手部21个关键点作为结果输出，具体请看源码。
//手部关键点检测
bool HandKeypoints_Detect(Mat src, vector<Point>&HandKeypoints)
{
//模型尺寸大小
int width = src.cols;
int height = src.rows;
float ratio = width / (float)height;
int modelHeight = 368; //由模型输入维度决定
int modelWidth = int(ratio*modelHeight);
//模型文件
string model_file = "pose_deploy.prototxt"; //网络模型
string model_weight = "pose_iter_102000.caffemodel";//网络训练权重
//加载caffe模型
Net net = readNetFromCaffe(model_file, model_weight);
//将输入图像转成blob形式
Mat blob = blobFromImage(src, 1.0 / 255, Size(modelWidth, modelHeight), Scalar(0, 0, 0));
//将图像转换的blob数据输入到网络的第一层“image”层，见deploy.protxt文件
net.setInput(blob, "image");
//结果输出
Mat output = net.forward();
int H = output.size[2];
int W = output.size[3];
for (int i = 0; i < nPoints; i++)
{
//结果预测
Mat probMap(H, W, CV_32F, output.ptr(0, i));
resize(probMap, probMap, Size(width, height));
Point keypoint; //最大可能性手部关键点位置
double classProb; //最大可能性概率值
minMaxLoc(probMap, NULL, &classProb, NULL, &keypoint);
HandKeypoints[i] = keypoint; //结果输出，即手部关键点所在坐标
}
return true;
}
如图所示，我们已经通过DNN检测出21个手部关键点所在位置。
接下来，我们需要使用这些关键点进行简单的手势识别。
二、手势识别 2.1算法原理
本案例实现手势识别是通过比较关键点位置确定的。
首先拿出每个手指尖关键点索引（即4、8、12、16、20）。
接下来，对比每个手指其它关键点与其指尖所在位置。
例如我们想确定大拇指现在的状态是张开的还是闭合的。
如下图所示，由于OpenCV是以左上角为起点建立坐标系的。
当大拇指处于张开状态时（掌心向内），我们可以发现，对比关键点4、关键点3所在位置。
当4的x坐标大于3的x坐标时，拇指处于张开状态；当4的x坐标小于3的x坐标时，拇指处于闭合状态。
同理，其余四个手指，以食指为例。
当关键点8的y坐标小于关键点6的y坐标时，此时食指处于张开状态；当关键点8的y坐标大于关键点6的y坐标时，此时食指处于闭合状态。
当手指处于张开状态时，我们计数1。
通过统计手指的张开数达到手势识别的目的。
具体请看源码。
//手势识别
bool Handpose_Recognition(vector<Point>&HandKeypoints, int& count)
{
vector<int>fingers;
//拇指
if (HandKeypoints[tipIds[0]].x > HandKeypoints[tipIds[0] - 1].x)
{
//如果关键点'4'的x坐标大于关键点'3'的x坐标，则说明大拇指是张开的。
计数1
fingers.push_back(1);
}
else
{
fingers.push_back(0);
}
//其余的4个手指
for (int i = 1; i < 5; i++)
{
if (HandKeypoints[tipIds[i]].y < HandKeypoints[tipIds[i] - 2].y)
{
//例：如果关键点'8'的y坐标小于关键点'6'的y坐标，则说明食指是张开的。
计数1
fingers.push_back(1);
}
else
{
fingers.push_back(0);
}
}
//结果统计
for (int i = 0; i < fingers.size(); i++)
{
if (fingers[i] == 1)
{
count++;
}
}
return true;
}
三、结果显示
通过以上步骤，我们已经有了手部关键点所在坐标位置以及对应的手势结果，接下来就进行效果展示。
在这里，为了逼格高一点，我们将下面的手势模板图像作为输出结果放进我们的测试图中。
具体 *** 作请看源码。
//识别效果显示
bool ShowResult(Mat& src, vector<Point>&HandKeypoints, int& count)
{
//画出关键点所在位置
for (int i = 0; i < nPoints; i++)
{
circle(src, HandKeypoints[i], 3, Scalar(0, 0, 255), -1);
putText(src, to_string(i), HandKeypoints[i], FONT_HERSHEY_COMPLEX, 0.8, Scalar(0, 255, 0), 2);
}
//为了显示骚 *** 作，读取模板图片，作为识别结果
vector<string>imageList;
string filename = "images/";
glob(filename, imageList);
vector<Mat>Temp;
for (int i = 0; i < imageList.size(); i++)
{
Mat temp = imread(imageList[i]);
resize(temp, temp, Size(100, 100), 1, 1, INTER_AREA);
Temp.push_back(temp);
}
//将识别结果显示在原图中
Temp[count].copyTo(src(Rect(0, src.rows- Temp[count].rows, Temp[count].cols, Temp[count].rows)));
putText(src, to_string(count), Point(20, 60), FONT_HERSHEY_COMPLEX, 2, Scalar(0, 0, 128), 3);
return true;
}
除此之外，我们还可以将所有的图片整合成一张图，具体请看源码吧。
//将所有图片整合成一张图片
bool Stitching_Image(vector<Mat>images)
{
Mat canvas = Mat::zeros(Size(1200, 1000), CV_8UC3);
int width = 400;
int height = 500;
for (int i = 0; i < images.size(); i++)
{
resize(images[i], images[i], Size(width, height), 1, 1, INTER_LINEAR);
}
int col = canvas.cols / width;
int row = canvas.rows / height;
for (int i = 0; i < row; i++)
{
for (int j = 0; j < col; j++)
{
int index = i * col + j;
images[index].copyTo(canvas(Rect(j*width, i*height, width, height)));
}
}
namedWindow("result", WINDOW_NORMAL);
imshow("result", canvas);
waitKey(0);
return true;
}
最终结果如图所示。
以上就是整个案例的流程啦。
。
。
四、源码
#include
计数1
fingers.push_back(1);
}
else
{
fingers.push_back(0);
}
//其余的4个手指
for (int i = 1; i < 5; i++)
{
if (HandKeypoints[tipIds[i]].y < HandKeypoints[tipIds[i] - 2].y)
{
//例：如果关键点'8'的y坐标小于关键点'6'的y坐标，则说明食指是张开的。
计数1
fingers.push_back(1);
}
else
{
fingers.push_back(0);
}
}
//结果统计
for (int i = 0; i < fingers.size(); i++)
{
if (fingers[i] == 1)
{
count++;
}
}
return true;
}
//识别效果显示
bool ShowResult(Mat& src, vector<Point>&HandKeypoints, int& count)
{
//画出关键点所在位置
for (int i = 0; i < nPoints; i++)
{
circle(src, HandKeypoints[i], 3, Scalar(0, 0, 255), -1);
putText(src, to_string(i), HandKeypoints[i], FONT_HERSHEY_COMPLEX, 0.8, Scalar(0, 255, 0), 2);
}
//为了显示骚 *** 作，读取模板图片，作为识别结果
vector<string>imageList;
string filename = "images/";
glob(filename, imageList);
vector<Mat>Temp;
for (int i = 0; i < imageList.size(); i++)
{
Mat temp = imread(imageList[i]);
resize(temp, temp, Size(100, 100), 1, 1, INTER_AREA);
Temp.push_back(temp);
}
//将识别结果显示在原图中
Temp[count].copyTo(src(Rect(0, src.rows- Temp[count].rows, Temp[count].cols, Temp[count].rows)));
putText(src, to_string(count), Point(20, 60), FONT_HERSHEY_COMPLEX, 2, Scalar(0, 0, 128), 3);
return true;
}
//将所有图片整合成一张图片
bool Stitching_Image(vector<Mat>images)
{
Mat canvas = Mat::zeros(Size(1200, 1000), CV_8UC3);
int width = 400;
int height = 500;
for (int i = 0; i < images.size(); i++)
{
resize(images[i], images[i], Size(width, height), 1, 1, INTER_LINEAR);
}
int col = canvas.cols / width;
int row = canvas.rows / height;
for (int i = 0; i < row; i++)
{
for (int j = 0; j < col; j++)
{
int index = i * col + j;
images[index].copyTo(canvas(Rect(j*width, i*height, width, height)));
}
}
namedWindow("result", WINDOW_NORMAL);
imshow("result", canvas);
waitKey(0);
return true;
}
int main()
{
vector<string>imageList;
string filename = "test/";
glob(filename, imageList);
vector<Mat>images;
for (int i = 0; i < imageList.size(); i++)
{
Mat src = imread(imageList[i]);
vector<Point>HandKeypoints(nPoints);
HandKeypoints_Detect(src, HandKeypoints);
int count = 0;
Handpose_Recognition(HandKeypoints, count);
ShowResult(src, HandKeypoints, count);
images.push_back(src);
imshow("Demo", src);
waitKey(0);
}
Stitching_Image(images);
system("pause");
return 0;
}
总结
本文使用OpenCV C++实现一些简单的手势识别，在这里仅为了提供一个算法思想，理解了算法思想自己想实现什么功能都会很简单。
主要 *** 作有以下几点。
1、使用DNN模块实现手部关键点检测
2、利用各关键点所在位置来判定手指的张合状态。
3、效果显示（仅为了实现效果演示，可以省略）
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）