基于FPGA的手势语音转换器

其中，所有标志为1的点构成前景区域，为0的点构成背景区域，k为自行设置的常数。K值的选取对分割效果具有直接的影响，当k过小时，提取了手部区域的同时还提取了部分的背景区域;当k过大时，会使提取的手部区域不完整。通过大量的实验，选取k=4时可以取得较好的分割结果。

(3)背景模型更新 随着时间的推移，背景中不可避免的会发生一些变化。如果一直使用最初的背景模型，长时间后就会发生较大的误差。为了解决这个问题，采用了背景模型更新的方法。设平均值和方差分别为时刻t点i的颜色期望和方差, 为时刻t采集到的图像中点t的颜色值，则t+1时刻，有：

其中α为学习率，可根据实际情况进行调解。这样，背景模型在每一时刻不断的得到更新，以便和实际情况尽可能保持一致。

实现如下：

n张图片中一副背景图片：

图1-1 背景图片

前景图片混合背景图片：

图1-2 前景图片混合背景图片

背景图像减法处理之后的结果

图1-3 背景减法处理后得到的图像

观察处理结果可以得到，手部的图片大致地保存下来，背景图片绝大部分被剪掉了。

背景减法的缺点是，如果背景和前景颜色接近，前景图片的数据会丢失，如上图，手部图像里面有黑色条纹，这是背景图片部分像素值和前景(及手势图像像素)接近，而被减掉了。另外，经背景减法处理后的图像，边缘部分会出现锯齿，于是要继续进行形态学滤波、空洞填充和中值滤波处理的到最终的分割结果。

背景图像减法需要和图像肤色提取一起使用，相辅相成才能得到比较好的处理结果。

4.2 图像的肤色提取

图像处理中区别人体与外界的一个很大的特征就是肤色，通过这一特征可以将图像分割成众多分立的小块。经过这一个操作后图像面积大大减少，提高了处理效率的同时又减少了大量外界环境的干扰，是图像处理中的很重要的一环。

人体的皮肤肤色受很多种因素的干扰，这手部图像的提取带来了很多的困难。例如不同人种的肤色就有不同差异，不同的人也有细微的差异，就算是同一人不同身体不同部位肤色也有些差异。肤色同样受到外界环境的影响，这其中最主要的就是光照。经过分析发现，光照因素分为光照强度，是否直射和光照颜色这几个部分，其中后两者是可以人为控制的（手的正面比较光滑，在光直接照射时出现反射，导致摄像头捕获的数据是纯白色，而大多数干扰也是白色），而光照强度择优光照距离的远近，是否遮挡以及周围环境反射情况决定。如果在室内，按目前的光照环境（光照环境分为自然光环境和人工光环境，目前照明主要采用日光灯，可以忽略光照颜色的影响，照明比较充分时，距离也可以忽略），可以只考虑遮挡带来的肤色变化，而遮挡实质也就是亮度的变化，如果有某个颜色状态不受亮度影响或与亮度是简单的线性关系（也就是零阶对应关系或一阶对应关系，高于一阶则对干扰过于敏感，规律性不强）。

2.1 颜色空间的选择

肤色提取常用的颜色空间除RGB外还有YUV、HSV等，在光照变化时，肤色在RGB颜色空间中的值都有较大的改变，有一定的线性度，但很容易受干扰（肤色产生较小的变化时，其值变化过于剧烈），不能直接用来做肤色提取，如果在YUV空间中，则Y值剧烈变化，线性度较差，而U、V则出现非线性变化，也不便于作为肤色提取的颜色空间，而通过对HSV空间中的分析也不太理想，主要是在这些之中S、V虽然波动相对较小，但规律性不强，H几乎捕捉不到其规律性，且其转化过程也过于繁琐，相比之下RGB略为占优。

图2-4 RGB随亮度的增加的变化示意图

2.2 肤色的特征值

在观察HSV颜色空间中的H值转化时发现R、G、B相互之间差值的波动范围较小，而且观察R-G与G-B比H值更加有效，因为它们在亮度改变时只有微小的波动，例如在对某一个人进行测试时R-G仅在15-35之间波动，G-B则在18-33波动，且波动并不是由光照直接导致，其证据就是在光照比较强烈的情况下和光照很弱的情况下，其波动的范围并没有因此而改变，监狱对这个特性的研究，我们提出了一种不同于以往的肤色提取的方法，下面的公式就是将肤色提取并转化为灰度图像的一个经验方程。

上式中：C表示表征肤色的量（肤色标量），数值越小越接近肤色；R、G、B为RGB颜色空间的三种颜色的值；i,j表示横向和纵向的坐标值。下面的修正公式各参数的含义与此处一样。

2.3 干扰抑制

由于肤色亮度范围也并不是越大越好，在过亮和过暗的情况下会引入很多不必要的干扰，需要依据亮度的范围对这些干扰进行抑制。为了简化计算，在已有的基础上可以仅用G来代表亮度(C较大时修正值的比重很小，可以忽略，C较小时R，G，B相互间的差在一个很小的范围内，G与