基于Matlab GUI的手势识别之旅

基于matlab gui的手势识别，导入手部图片，基于肤色模型的颜色分割，去噪，边缘提取，傅立叶算子特征提取，利用最小距离识别手势。

最近在研究基于Matlab GUI的手势识别，觉得还挺有趣，来和大家分享分享。

导入手部图片

首先，得把我们要处理的手部图片导入到Matlab环境中。在Matlab里，这其实挺简单的。假设图片放在当前工作目录下，代码如下：

img = imread('hand_image.jpg'); imshow(img);

这里，imread函数就是用来读取图片的，括号里写上图片的文件名就行。imshow函数则是把读进来的图片显示出来，方便我们看看图片是不是导入对了。

基于肤色模型的颜色分割

肤色模型是手势识别中很关键的一步，通过它我们可以把手部区域从背景中大致分割出来。常见的肤色模型有YCrCb模型等。在Matlab里实现基于YCrCb模型的肤色分割，代码如下：

ycbcr = rgb2ycbcr(img); Cb = ycbcr(:,:,2); Cr = ycbcr(:,:,3); skin_mask = (Cb >= 77) & (Cb <= 127) & (Cr >= 133) & (Cr <= 173); skin_img = img; skin_img(~skin_mask,:) = 0; imshow(skin_img);

上面这段代码，先把RGB图像转换为YCrCb图像，然后提取出其中的Cb和Cr分量。接着通过设定合适的阈值范围，创建一个二值化的掩码skin_mask，符合肤色范围的像素为1，其他为0。最后，用这个掩码处理原始图像，得到只包含肤色区域的图像并显示。

去噪

经过颜色分割后的图像可能会存在一些噪声，这时候就需要去噪处理，让图像更干净，方便后续处理。高斯滤波是一种常用的去噪方法，Matlab实现代码如下：

denoised_img = imgaussfilt(skin_img, 2); imshow(denoised_img);

imgaussfilt函数就是进行高斯滤波的，第二个参数2表示高斯核的标准差，标准差越大，滤波效果越平滑，但也可能会丢失一些细节，这里根据实际情况调整这个参数。

边缘提取

有了干净的图像后，边缘提取能帮助我们确定手势的轮廓。Canny边缘检测算法是比较经典的，代码如下：

edges = edge(denoised_img, 'Canny'); imshow(edges);

edge函数里指定使用'Canny'算法，它会自动检测图像中的边缘，并生成一个二值化的边缘图像显示出来。

傅立叶算子特征提取

傅立叶算子可以把图像从空间域转换到频域，提取一些频域特征。这里简单演示一下对图像进行二维傅里叶变换：

img_fft = fft2(double(edges)); img_fft_shifted = fftshift(img_fft); magnitude_spectrum = log(1 + abs(img_fft_shifted)); imshow(magnitude_spectrum, []);

fft2函数对图像进行二维傅里叶变换，fftshift函数把零频率分量移到频谱中心，方便观察。最后取对数并加上1是为了更好地显示频谱，因为傅里叶变换后的幅度值范围很大，直接显示很难看出细节。

利用最小距离识别手势

最后一步就是利用前面提取的特征，通过最小距离法来识别手势啦。假设有一些已知手势的特征模板，代码大致框架如下：

% 假设已经提取了测试手势的特征向量test_feature % 假设有多个已知手势的特征向量存储在feature_templates矩阵中，每行一个特征向量 distances = pdist2(test_feature, feature_templates, 'euclidean'); [min_distance, min_index] = min(distances); recognized_gesture = gesture_labels(min_index);

这里pdist2函数计算测试特征向量与每个模板特征向量之间的欧氏距离。min函数找到最小距离及其对应的索引，通过这个索引就能从gesture_labels里找到识别出来的手势标签。

基于matlab gui的手势识别，导入手部图片，基于肤色模型的颜色分割，去噪，边缘提取，傅立叶算子特征提取，利用最小距离识别手势。

基于Matlab GUI实现手势识别，每一步都充满了挑战与乐趣，希望这篇文章能给同样对这个领域感兴趣的小伙伴一些启发。