基于深度圖像的交警關鍵手勢獲取及預處理方法研究

羅昆 孫一蓬

摘要：智能技術在現(xiàn)代社會發(fā)展當中十分普及與深入，因而出現(xiàn)了“無人駕駛”技術，此項技術在理論上可以解放人駕車時的雙手，通過智能系統(tǒng)來獲取路況、交警手勢、交通指示牌等信息，再決策駕駛策略，但實際上此項技術目前還沒有大范圍投入實際應用當中，原因在于其信息獲取、識別能力還存在缺陷，對此本文出于改善目的，在深度圖像角度上針對“無人駕駛”技術的交警關鍵手勢獲取及預處理方法進行分析。

關鍵詞：深度圖像；交警關鍵手勢；預處理

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1009-3044（2019）06-0178-03

關于“無人駕駛”技術的交警關鍵手勢獲取、識別、預處理方法，在早期研究當中主要通過數據手套來實現(xiàn)，即交警佩戴具有圖像信息傳輸功能的手套來指揮交通，而“無人駕駛”技術的智能系統(tǒng)能夠獲取到實時的圖像信息，并在短時間內進行分析處理，最終決策駕駛方案，在理論上這種方法是可行的，但實際上因為早期技術水平不足，其識別精準性不足，說明智能系統(tǒng)的圖像信息處理、計算精度不足，因而需要采用一種精確性更高的計算方法來進行改善。

1 早期“無人駕駛”技術交警關鍵手勢獲取及預處理方法不足具體表現(xiàn)

早期“無人駕駛”技術單純在交警關鍵手勢獲取及預處理方面穩(wěn)定性表現(xiàn)良好，但因為精度不夠所以可靠性上相對不足。具體來說，不同的交警其因為身高、習慣等其他原因，其做出的關鍵手勢會存在差異，此時早期“無人駕駛”技術交警關鍵手勢獲取及預處理方法很難進行準確識別，同時在部分情況下，交警可能會做出一些近似指揮動作的手勢，此時智能系統(tǒng)容易受到誤導，相應產生錯誤的駕駛策略[1]。此外，在上述問題表現(xiàn)當中可見，早期“無人駕駛”技術交警關鍵手勢獲取及預處理方法的精度存在缺陷，并會導致一些智能決策駕駛方案錯誤，所以對于交通安全有不利影響。

2 深度圖像交警關鍵手勢獲取方法

在“無人駕駛”技術基礎上，結合深度圖像對其中交警關鍵手勢特征、技術優(yōu)勢、步驟、預處理技術進行分析。

2.1 交警關鍵手勢特征

交警關鍵手勢是指交警指揮交通時的手勢動作，根據當前交警專業(yè)知識得知，關鍵手勢主要分為8種：停止、直行、變道、左轉彎、右轉彎、減速慢行、左轉彎待轉和靠邊停車，通過這些手勢，可以對駕車目標進行引導，完成交通指揮工作。在“無人駕駛”技術基礎上，8種交警關鍵手勢會衍生出8種相應的圖像信息，而這些信息當中結合交警指揮時的方位得知，其中絕大部分都需要面向進行指揮，因此在無人駕駛車輛角度上，交警關鍵手勢信息不會出現(xiàn)中斷、斷續(xù)現(xiàn)象，全部都具有連續(xù)性特征，而在此特征條件下，任意兩個關鍵手勢動作的切換，都會出現(xiàn)上百幀的圖像信息序列，那么為了確保交警關鍵手勢識別的準確性，就需要智能系統(tǒng)具備識別幀內圖像信息的能力。此外，值得注意的是在現(xiàn)代技術水平之下，無人駕駛技術在面對上百幀的圖像信息序列時，是無法對每一幀的序列進行直接識別的，所以在技術本身功能上，其準確性依舊存在缺陷，而為了消除缺陷影響，智能系統(tǒng)需要具有關鍵圖像信息特征識別、獲取能力，通過這些信息可以為智能化決策提供有利幫助[2]。

2.2 深度圖像在交警關鍵手勢獲取中的優(yōu)勢

在交警關鍵手勢獲取當中，深度圖像相較于彩色圖像具有以下優(yōu)勢：深度圖像得到的圖像信息可以排除交警做關鍵手勢的遮擋問題；深度圖像在絕大部分情況下，可以提取交警做關鍵手勢時的手臂動作，即使手臂動作與交警身體主干存在傾斜、跨越等情況，手臂信息是區(qū)分關鍵手勢、無用手勢的重要信息；深度圖像在對交警關鍵手勢獲取時，映入其獲取范圍中的交警身體主干灰度值不會發(fā)生變化，因為交警介于職業(yè)素養(yǎng)會保持直立狀態(tài)，以避免造成圖像干擾，而手臂的灰度值則具有靈活變化的特征，具體動態(tài)變化走向由交警手臂動作幅度而定，有利于手勢獲取的準確性；在識別邏輯之下，結合深度圖像獲取到的信息，可以分析出手勢特征，推斷出具體意圖，例如當手勢圖像信息顯示手臂上升，則說明交警正在做出手勢，再結合邏輯對比手勢含義，可區(qū)分當前手勢是否為關鍵手勢。綜合上述說明，深度圖像相較于早期的彩色圖像，在交警關鍵手勢獲取當中具有明顯優(yōu)勢[3]。

2.3 深度圖像交警關鍵手勢獲取步驟

結合前人研究，了解到一種利用深度圖像來獲取交警關鍵手勢的方法，具體獲取步驟分為5步，內容如下。

步驟一：

依照智能系統(tǒng)功能，對深度圖像獲取的所有圖像信息，以視頻的方式進行排列，此時就得到了深度視頻流，對一系列深度視頻流進行深度解析，可以得到視頻幀序列。

2.4 深度圖像交警關鍵手勢獲取結果分析

針對上述像素點序列直方圖，以交警關鍵手勢當中的“右轉彎手勢”為例來進行分析。根據直方圖可見，其中橫軸代表了深度視頻幀序t、縱軸代表了像素點個數nt，在此基礎上進行分析得知，首先交警在做出右轉彎手勢時，其左臂必須向前伸直，且保持平整，該動作需要手臂脫離身體主干，所以會引起像素點發(fā)生變化，變化特征為：隨著手臂與身體主干脫離幅度增大，在整個動態(tài)過程當中像素點變化會持續(xù)上漲，而當動作完成且定制之后，像素點的變化則會停止，同時對應像素點的前后像素點也不會發(fā)生變化。圖2為右轉彎關鍵手勢幀示意圖。

3 深度圖像交警關鍵手勢預處理方法

深度圖像交警關鍵手勢預處理方法主要分為3個步驟，即背景去除、中值濾波、歸一化處理，具體內容如下所述。

1）背景去除

背景去除在本質上是一種針對某場景，將其中無用信息起初，得到準確信息的一種方法，這種方法具有較高的通用性，所以在本文分析當中可以適用。具體方法上，首先需要采用背景重建方法對背景進行更新，更新之后可以得到新的背景模型，其次根據背景模型當中的參數特征，區(qū)分需求信息以及無用信息，最終將無用信息去除即可。但在本文分析當中，常規(guī)的背景去除方法并不能對準確性做出保障，所以需要對常規(guī)方法進行改良，對此本文主要采用背景差分對背景模型當中的可靠特征、深度圖像對光照不敏感的特性、場景不變的訓練環(huán)境進行計算，在之后步驟當中，主要根據背景差分結果來確定模型當中，目標的具體位置，在改良方法應用之下，可以有效降低距離不同背景物對目標的影響。圖3背景差分法框圖，圖中Ik代表當前圖像；Ibk代表背景圖像；Dk代表差分運算過程。圖4為差分法下的背景差分示意圖。

2）中值濾波

在差分法下應用下，可以對深度圖像進行優(yōu)化，但其中還存在噪聲問題，那么為了降低噪聲影響，需要通過中值濾波來進行處理。中值濾波應用當中，首先需要確定將某像素作為中心待處理為鄰域窗口w，其次針對窗口內的像素，根據各像素的灰度值大小進行排列，同時需要確認各像素灰度值的均值，確認后用于代替選擇窗口像素點灰度值，最終在窗口移動過程中，就可以實現(xiàn)中值濾波處理。值濾波的表達式如公式（4）。

公式（4）：f（i，j）=median{f（r，s）}[∈]Nf（i，j）。式中f（r，s）代表W中任意像素點的像素值。

3）歸一化處理

在最小外接矩形條件下，先對手勢實際位置進行確認，之后，在最小外接矩形的四個邊界處，設置50個像素間隙，此時就形成了新外接矩形，最終在新外接矩形基礎上進行分割，得到手勢像素區(qū)，按比例縮放后得到120 x 120的歸一化圖像。圖5為歸一化處理下的最終圖像。

4 結語

本文主要對基于深度圖像的交警關鍵手勢獲取及預處理方法進行了分析，通過分析得到結論：早期的“無人駕駛”技術，在交警關鍵手勢獲取、預處理方法當中均存在準確性不足的問題，所以需要進行改善；在深度圖像基礎上，了解了交警關鍵手勢獲取方法、預處理方法的應用，并對深度圖像的優(yōu)勢進行了闡述；根據圖5說明本文深度圖像預處理法有效。

參考文獻：

[1] 華旭奮，孫俊.基于深度信息的手勢識別算法研究[J].傳感器與微系統(tǒng)，2017（12）：122-125.

[2] VanBang L E，朱煜，趙江坤，等.基于深度圖像HOG特征的實時手勢識別方法[J].華東理工大學學報，2015，41（5）：698-702.

[3] 瞿暢，沈芳，于陳陳，等.基于Kinect深度圖像的腕部及手指活動度測量方法[J].中國生物醫(yī)學工程學報，2016，35（5）：626-630.

[4] 沈潔.基于手勢識別技術的交互式虛擬攝影系統(tǒng)設計與實現(xiàn)[J].現(xiàn)代電子技術，2018（5）：93-96.

【通聯(lián)編輯：張薇】