《表3 特征集及其描述：融合关节旋转特征和指尖距离特征的手势识别》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合关节旋转特征和指尖距离特征的手势识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在方法比较中，除了与Dhand方法[17]对比外，将HOG+SVM[20]、SURF+SVM[21]与本文的不同特征提取方法进行对比，以证实本文方法的有效性．其中HOG+SVM[20]方法在静态深度图中提取HOG特征并利用SVM进行分类，该方法直接针对深度图提取特征，对于轮廓相似的英文字母数据由于提取的深度图梯度特征较接近而难以正确区分，其识别率较低．SURF+SVM[21]方法则利用手势深度图提取的SURF描述作为特征并利用SVM分类，该方法针对差别较大的手势具有较好的识别率，而对于具有相似深度图的美国字母手势则难以正确区分．相较于已有方法，本文提出的手势特征表示由于具有更多可供区别的特征信息，能够更好地区别不同手势．表3中，根据是否包含手部关节旋转轴信息以及是否加入距离特征信息列出3种不同特征选取，特征集1使用“四元数特征（含旋转轴信息），加距离特征信息”；特征集2使用“四元数特征（不含旋转轴信息），不加距离特征信息”；特征集3则使用“四元数特征（不含旋转轴信息），加距离特征信息”．在中国数字手势识别中，利用含旋转轴信息的四元数和相对距离作为手势特征时，从表4可以看到旋转轴信息将对数据分类造成较大干扰，虽然手部关节旋转轴有助于确定关节位置信息，但是由于手势的空间差异性，相同的手势关节对旋转轴信息将会有较大差别．