一种快速人手检测识别跟踪方法及装置

1.本发明协作机器人领域，尤其涉及一种快速人手检测识别跟踪方法及装置。


背景技术：

2.目标检测和跟踪是机器视觉的一个重要课题，在人机交互、军事制导、视频监控、机器人视觉导航、以及医疗诊断等许多方面有着重要应用。协作机器人和人体的交互通道，主要是通过人手，因此人手识别和跟踪是协作机器人正常工作的重要一步。
3.现有技术中，人手识别和跟踪主要有两大类方法：一类是使用数据手套，但是由于需要佩戴复杂的数据手套和繁琐的传感器，影响了使用者的体验，并且数据手套价格昂贵，所以不利于推广使用；另一类则是徒手检测与跟踪，虽然国内外有很多方法对物体进行检测与跟踪，但同时也有着各种的弊端，诸如对光照的影响敏感、模型不精确、跟踪实时性不高等。因此，如何进行准确、高效且快速的人手识别和跟踪是亟待解决的问题。


技术实现要素：

4.有鉴于此，有必要提供一种快速人手检测识别跟踪方法及装置，用以解决现有技术中对人手的识别和跟踪不够准确、高效且快速的问题。
5.为了解决上述技术问题，本发明提供一种快速人手检测识别跟踪方法，包括：
6.获取检测视频；
7.根据皮肤ycbcr颜色空间的二维高斯分布，确定所述检测视频中的皮肤定位手的初始位置；
8.基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正；
9.根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定所述皮肤定位手的人手轮廓位置，并控制机械臂向所述人手轮廓位置运动。
10.进一步地，所述根据皮肤ycbcr颜色空间的二维高斯分布，确定所述检测视频中的皮肤定位手的初始位置，包括：
11.将所述检测视频中每一帧的每个像素点的ycbcr值带入所述皮肤ycbcr颜色空间的二维高斯分布，计算出相应的概率值；
12.若所述概率值满足预设阈值条件，则属于所述初始位置。
13.进一步地，所述皮肤ycbcr颜色空间的二维高斯分布的确定，包括：
14.根据多类皮肤图片的ycbcr值中的cb值和cr值，确定多组二维变量；
15.将所述多组二维变量带入二维高斯分布公式，得到皮肤的颜色均值和颜色方差；
16.根据所述颜色均值和所述颜色方差，构建所述皮肤ycbcr颜色空间的二维高斯分布。
17.进一步地，所述基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，包括：
18.在所述检测视频中设定初始粒子进行粒子滤波跟踪；
19.基于所述初始位置，利用所述初始粒子跟踪所述皮肤定位手的下一个位置，其中，所述皮肤定位手的运动方程作为所述初始粒子的系统模型，所述皮肤定位手的皮肤二维高斯分布作为所述初始粒子的校正测量。
20.进一步地，所述并根据皮肤ycbcr颜色空间的二维高斯分布进行校正根据，包括：
21.根据粒子滤波中的每个粒子的ycbcr颜色空间的二维高斯分布概率，确定每个粒子的概率值；
22.根据所述概率值，确定所述校正相似度，对所述初始粒子进行粒子重采样，实现跟踪测量校正。
23.进一步地，所述根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定所述皮肤定位手的人手轮廓位置，包括：
24.根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定dog算子；
25.将所述皮肤定位手的图像与所述dog算子进行卷积，确定所述皮肤定位手的人手轮廓位置。
26.进一步地，所述根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定dog算子，包括：
27.根据第一参数下的高斯滤波式，对所述皮肤定位手的图像进行滤波，得到第一高斯滤波结果；
28.根据第二参数下的高斯滤波式，对所述皮肤定位手的图像进行滤波，得到第二高斯滤波结果；
29.根据所述第一高斯滤波结果和所述第二高斯滤波结果之差，确定所述dog算子。
30.进一步地，所述将所述皮肤定位手的图像与所述dog算子进行卷积，确定所述皮肤定位手的人手轮廓位置，包括：
31.确定所述皮肤定位手的图像中的人手与所述dog算子的相似度；
32.根据所述相似度，确定所述皮肤定位手的人手轮廓位置。
33.进一步地，所述并控制机械臂向所述人手轮廓位置运动，包括：
34.控制协作机器人的机械臂向所述人手轮廓位置运动；
35.判断所述机械臂是否将物体递到所述人手轮廓位置上的人手中；
36.若是，则结束任务；
37.若否，则更新所述初始位置，返回至所述基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正的步骤。
38.本发明还提供一种快速人手检测识别跟踪装置，包括：
39.获取单元，用于获取检测视频；
40.处理单元，用于根据皮肤ycbcr颜色空间的二维高斯分布，确定所述检测视频中的皮肤定位手的初始位置；还用于基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正；
41.控制单元，用于根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定所述皮肤定位手的人手轮廓位置，并控制机械臂向所述人手轮廓位置运动。
42.与现有技术相比，本发明的有益效果包括：首先，对检测视频进行有效的获取；然后，基于皮肤ycbcr颜色空间二维高斯分布，对人手的初始位置进行初始的定位，有效进行分割，保证后续的跟踪准确性；进而，在初始位置的基础上，将ycbcr颜色空间二维高斯分布用于粒子滤波，对人手的下一位置进行有效的跟踪，降低粒子滤波对光照的影响，增强跟踪的准确性；最后，利用皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，仅需简单的计算即可根据dog算子的相似度检测人手轮廓位置，进行精准定位，保证机械臂能准确、实时地运动至精确的人手轮廓位置。综上，本发明将ycbcr颜色空间二维高斯分布用于粒子滤波，降低粒子滤波对光照的影响，增强跟踪的准确性，同时将不同尺度空间下的高斯滤波差分式用于检测人手轮廓位置，避免了复杂的求导计算，计算速度更快、效率更高，实时性更好。
附图说明
43.图1为本发明提供的快速人手检测识别跟踪方法一实施例的流程示意图；
44.图2为本发明提供的图1中步骤s102一实施例的流程示意图；
45.图3为本发明提供的确定皮肤ycbcr颜色空间的二维高斯分布的流程示意图；
46.图4为本发明提供的皮肤高斯分布分割出人手一实施例的分割结果示意图；
47.图5为本发明提供的图1中步骤s103一实施例的流程示意图；
48.图6为本发明提供的图1中步骤s103另一实施例的流程示意图；
49.图7为本发明提供的图1中步骤s104一实施例的流程示意图；
50.图8为本发明提供的图7中步骤s701一实施例的流程示意图；
51.图9为本发明提供的log算子和dog算子曲线一实施例的流程示意图；
52.图10为本发明提供的图1中步骤s104一实施例的流程示意图；
53.图11为本发明提供的检测跟踪手背一实施例的检测示意图；
54.图12为本发明提供的检测跟踪手心一实施例的检测示意图；
55.图13为本发明提供的快速人手检测识别跟踪装置一实施例的结构示意图；
56.图14为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
57.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
58.在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
59.在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
60.本发明提供了一种快速人手检测识别跟踪方法及装置，结合不同尺度空间下的高
斯滤波差分式和ycbcr颜色空间二维高斯分布，为进一步提高对人手识别和跟踪的准确性和高效性提供了新思路。
61.在实施例描述之前，对相关词语进行释义：
62.ycbcr值：记作ycbcr或是y'cbcr，是色彩空间的一种，通常会用于影片中的影像连续处理，或是数字摄影系统中。y'为颜色的亮度(luma)成分、而cb和cr则为蓝色和红色的浓度偏移量成份。y'和y是不同的，而y就是所谓的亮度(luminance)，表示光的浓度且为非线性，使用伽马修正(gamma correction)编码处理；
63.粒子滤波：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。
64.基于上述技术名词的描述，现有技术中，往往利用数据手套进行人手跟踪检测，但数据手套成本高昂，导致检测成本大大提升，而且影响使用者体验，因此不利用推广应用；或者进行徒手检测与跟踪，但往往利用了多种复杂算子，最为典型的就是利用了log算子(laplacian of gaussian)计算图像特征极值来检测人手的斑点，而斑点反馈着二维图像中和周围颜色有颜色差异和灰度差异的区域，其中，log算子的公式如下：
[0065][0066]
其中，图像信号响应最大时，laplacian函数等于0，即：
[0067][0068]
导出2σ2＝x2 y2＝r2，其中，
[0069]
需要说明的是，这里r是圆的半径，即在尺度σ可以检测半径为r的特征斑点。可以看出，log算子需要计算二阶导数，非常耗时且效率低下。
[0070]
因而，现有方法对人手的识别和跟踪存在算法复杂、成本高昂、精确度不高的问题，本发明旨在提出一种高效准确的快速人手检测识别跟踪方法，解决上述问题。
[0071]
以下分别对具体实施例进行详细说明：
[0072]
本发明实施例提供了一种快速人手检测识别跟踪方法，结合图1来看，图1为本发明提供的快速人手检测识别跟踪方法一实施例的流程示意图，包括步骤s101至步骤s104，其中：
[0073]
在步骤s101中，获取检测视频；
[0074]
在步骤s102中，根据皮肤ycbcr颜色空间的二维高斯分布，确定所述检测视频中的皮肤定位手的初始位置；
[0075]
在步骤s103中，基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正；
[0076]
在步骤s104中，根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定所述皮肤定位手的人手轮廓位置，并控制机械臂向所述人手轮廓位置运动。
[0077]
在本发明实施例中，首先，对检测视频进行有效的获取；然后，基于皮肤ycbcr颜色空间二维高斯分布，对人手的初始位置进行初始的定位，有效进行分割，保证后续的跟踪准
确性；进而，在初始位置的基础上，将ycbcr颜色空间二维高斯分布用于粒子滤波，对人手的下一位置进行有效的跟踪，降低粒子滤波对光照的影响，增强跟踪的准确性；最后，利用皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，仅需简单的计算即可根据dog算子的相似度检测人手轮廓位置，进行精准定位，保证机械臂能准确、实时地运动至精确的人手轮廓位置。
[0078]
需要进一步说明的是，本发明通过获取皮肤ycbcr颜色空间的二维高斯分布初步检测人手，然后通过粒子滤波追踪人手，最后通过皮肤定位手的图像在不同尺度空间下的高斯滤波差分式生成相关算子确定人手的轮廓，能够有效克服人手作为非刚性物体的在运动中的形态变化以及尺度变化。
[0079]
作为优选的实施例，结合图2来看，图2为本发明提供的图1中步骤s102一实施例的流程示意图，步骤s102具体包括步骤s201至步骤s202，其中：
[0080]
在步骤s201中，将所述检测视频中每一帧的每个像素点的ycbcr值带入所述皮肤ycbcr颜色空间的二维高斯分布，计算出相应的概率值；
[0081]
在步骤s202中，若所述概率值满足预设阈值条件，则属于所述初始位置。
[0082]
在本发明实施例中，获取皮肤ycbcr颜色空间的二维高斯分布初步检测人手，能有效确定人手的初步定位，且实现前景/背景的分离精度的有效提升。
[0083]
作为优选的实施例，结合图3来看，图3为本发明提供的确定皮肤ycbcr颜色空间的二维高斯分布的流程示意图，具体包括步骤s301至步骤s303，其中：
[0084]
在步骤s301中，根据多类皮肤图片的ycbcr值中的cb值和cr值，确定多组二维变量；
[0085]
在步骤s302中，将所述多组二维变量带入二维高斯分布公式，得到皮肤的颜色均值和颜色方差；
[0086]
在步骤s303中，根据所述颜色均值和所述颜色方差，构建所述皮肤ycbcr颜色空间的二维高斯分布。
[0087]
在本发明实施例中，用高斯分布来描述皮肤，通过概率估计检测提取皮肤，实现更准确更高效的提取效果。
[0088]
在本发明一个具体的实施例中，结合图4来看，图4为本发明提供的皮肤二维高斯分布分割出人手一实施例的分割结果示意图，rgb颜色空间转换ycbcr颜色空间的公式如下：
[0089][0090]
其中，取预先得到多类皮肤图片的cb和cr构成二维变量代入二维高斯分布公式中求得皮肤颜色的均值和方差∑：
[0091]
其中，二维高斯(正态)分布公式如下：
[0092][0093]
需要说明的是，检测视频中的图像，将每个像素点的ycbcr值代入上式进行计算，概率值大于所设定阈值的检测为皮肤。本发明实施例通过检测皮肤定位手的初始位置，除去了因不同的肤色人手而需调整不同阈值的弊端，节省时间，效果更好。
[0094]
作为优选的实施例，结合图5来看，图5为本发明提供的图1中步骤s103一实施例的流程示意图，在步骤s103具体包括步骤s501至步骤s502，其中：
[0095]
在步骤s501中，在所述检测视频中设定初始粒子进行粒子滤波跟踪；
[0096]
在步骤s502中，基于所述初始位置，利用所述初始粒子跟踪所述皮肤定位手的下一个位置，其中，所述皮肤定位手的运动方程作为所述初始粒子的系统模型，所述皮肤定位手的皮肤二维高斯分布作为所述初始粒子的校正测量。
[0097]
在本发明实施例中，将皮肤定位手的皮肤二维高斯分布用于粒子滤波，降低粒子滤波对光照的影响，增强跟踪的准确性。
[0098]
作为优选的实施例，结合图6来看，图6为本发明提供的图1中步骤s103另一实施例的流程示意图，在步骤s103具体还包括步骤s601至步骤s602，其中：
[0099]
在步骤s601中，根据粒子滤波中的每个粒子所在像素点的ycbcr颜色空间的二维高斯分布概率，确定每个粒子的概率值；
[0100]
在步骤s602中，根据所述概率值，确定所述校正相似度，对所述初始粒子进行粒子重采样，实现跟踪测量校正。
[0101]
在本发明实施例中，ycbcr颜色空间的二维高斯分布概率(参见上述皮肤高斯分布分割出人手一实施例的相应公式(3)至公式(5))估计计算粒子滤波中每个粒子的概率，并对粒子进行重采样来跟踪目标。该颜色空间的优点是受亮度变化的影响小，而且是二维独立分布，能较好地限制肤色分布区域，多元高斯分布描述皮肤更准确，提高粒子跟踪的鲁棒性。
[0102]
作为优选的实施例，结合图7来看，图7为本发明提供的图1中步骤s104一实施例的流程示意图，在步骤s104具体还包括步骤s701至步骤s702，其中：
[0103]
在步骤s701中，根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定dog算子；
[0104]
在步骤s702中，将所述皮肤定位手的图像与所述dog算子进行卷积，确定所述皮肤定位手的人手轮廓位置。
[0105]
在本发明实施例中，利用不同尺度空间下的高斯滤波差分式生成dog(differece of gaussian)算子检测人手模型，计算过程简单，计算速度更快、效率更高，实时性更好。
[0106]
作为优选的实施例，结合图8来看，图8为本发明提供的图7中步骤s701一实施例的流程示意图，在步骤s701具体还包括步骤s801至步骤s803，其中：
[0107]
在步骤s801中，根据第一参数下的高斯滤波式，对所述皮肤定位手的图像进行滤波，得到第一高斯滤波结果；
[0108]
在步骤s802中，根据第二参数下的高斯滤波式，对所述皮肤定位手的图像进行滤波，得到第二高斯滤波结果；
[0109]
在步骤s803中，根据所述第一高斯滤波结果和所述第二高斯滤波结果之差，确定所述dog算子。
[0110]
在本发明实施例中，根据不同尺度空间下的高斯滤波差分式，有效生成对应的dog算子。
[0111]
在本发明一个具体的实施例中，dog算子是高斯函数的差分，具体到图像中，就是将图像在不同尺度空间下的高斯滤波结果相减，得到差分图。dog算子的表达式如下：
[0112][0113]
对上述高斯函数求导可得：
[0114][0115]
则存在以下等式：
[0116][0117]
因此，有：
[0118][0119]
在以下条件，可以取得dog对log的最佳近似值：
[0120][0121]
作为优选的实施例，步骤s702具体包括：
[0122]
确定所述皮肤定位手的图像中的人手与所述dog算子的相似度；
[0123]
根据所述相似度，确定所述皮肤定位手的人手轮廓位置。
[0124]
在本发明实施例中，基于dog算子和皮肤定位手的图像的卷积结果，确定对应的相似度，进行高效的人手轮廓位置检测。
[0125]
在本发明一个具体的实施例中，结合图9来看，图9为本发明提供的log算子和dog算子曲线一实施例的流程示意图，log算子和dog算子的函数波形对比如图9所示，显示非常近似，本发明用两个不同尺度空间下的高斯差来近似等价于log，并且能达到同样的效果，由于只需要计算卷积，不用计算二阶导数，所以计算速度更快、效率更高，实时性更好。另外，本发明提出的dog计算不同尺度空间极值，从而使目标检测不受尺度变化的影响。
[0126]
作为优选的实施例，结合图10来看，图10为本发明提供的图1中步骤s104一实施例的流程示意图，在步骤s104具体还包括步骤s1001至步骤s1004，其中：
[0127]
在步骤s1001中，控制协作机器人的机械臂向所述人手轮廓位置运动；
[0128]
在步骤s1002中，判断所述机械臂是否将物体递到所述人手轮廓位置上的人手中；
[0129]
在步骤s1003中，若是，则结束任务；
[0130]
在步骤s1004中，若否，则更新所述初始位置，返回至所述基于所述初始位置，设定
初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正的步骤。
[0131]
在本发明实施例中，有效控制协作机器人前端手臂向人手运动，判断机械臂是否把物体递到人手里，如果是则结束，否则回到步骤s103重复循环，直至流程结束。
[0132]
下面结合图11、图12来看，图11为本发明提供的检测跟踪手背一实施例的检测示意图，图12为本发明提供的检测跟踪手心一实施例的检测示意图，以一个具体的应用例更好地说明本发明技术方案：
[0133]
第一步，预先训练高斯分布下皮肤的参数；
[0134]
第二步，输入视频，通过已训练好的参数检测皮肤，初始定位人手；
[0135]
第三步，在视频图像中设定初始粒子；
[0136]
第四步，使用粒子滤波跟踪人手的下一个位置，运动方程作为预测粒子的系统模型，皮肤ycbcr颜色空间的二维高斯分布作为粒子滤波的校正测量；
[0137]
第五步，根据皮肤的校正相似度进行粒子重采样；
[0138]
第六步，dog确定人手轮廓，给出人手位置；
[0139]
第七步，控制协作机器人前端手臂向人手运动；
[0140]
第八步，判断机械臂是否把物体递到人手里，如果是则结束，否则回到第四步重复循环，直至流程结束。
[0141]
本发明实施例还提供了一种快速人手检测识别跟踪装置，结合图13来看，图13为本发明提供的快速人手检测识别跟踪装置一实施例的结构示意图，快速人手检测识别跟踪装置1300包括：
[0142]
获取单元1301，用于获取检测视频；
[0143]
处理单元1302，用于根据皮肤ycbcr颜色空间的二维高斯分布，确定所述检测视频中的皮肤定位手的初始位置；还用于基于所述初始位置，设定初始粒子对所述皮肤定位手进行下一位置的跟踪，并根据皮肤ycbcr颜色空间的二维高斯分布进行校正；
[0144]
控制单元1303，用于根据所述皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，确定所述皮肤定位手的人手轮廓位置，并控制机械臂向所述人手轮廓位置运动。
[0145]
快速人手检测识别跟踪装置的各个单元的更具体实现方式可以参见对于上述快速人手检测识别跟踪方法的描述，且具有与之相似的有益效果，在此不再赘述。
[0146]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如上所述的快速人手检测识别跟踪方法。
[0147]
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
[0148]
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执
行系统、装置或者器件使用或者与其结合使用。
[0149]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的python语言和基于tensorflow、pytorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0150]
本发明实施例还提供了一种电子设备，结合图14来看，图14为本发明提供的电子设备一实施例的结构示意图，电子设备1400包括处理器1401、存储器1402及存储在存储器1402上并可在处理器1401上运行的计算机程序，处理器1401执行程序时，实现如上所述的快速人手检测识别跟踪方法，和/或如上所述的快速人手检测识别跟踪方法。
[0151]
作为优选的实施例，上述电子设备1400还包括显示器1403，用于显示处理器1401执行如上所述的快速人手检测识别跟踪方法。
[0152]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1402中，并由处理器1401执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在电子设备1400中的执行过程。例如，计算机程序可以被分割成上述实施例中的获取单元1301、处理单元1302、控制单元1303，各单元的具体功能如上所述，在此不一一赘述。
[0153]
电子设备1400可以是带可调摄像头模组的桌上型计算机、笔记本、掌上电脑或智能手机等设备。
[0154]
其中，处理器1401可能是一种集成电路芯片，具有信号的处理能力。上述的处理器1401可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0155]
其中，存储器1402可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器1402用于存储程序，所述处理器1401在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的方法可以应用于处理器1401中，或者由处理器1401实现。
[0156]
其中，显示器1403可以是lcd显示屏，也可以是led显示屏。例如，手机上的显示屏。
[0157]
可以理解的是，图14所示的结构仅为电子设备1400的一种结构示意图，电子设备
1400还可以包括比图14所示更多或更少的组件。图14中所示的各组件可以采用硬件、软件或其组合实现。
[0158]
根据本发明上述实施例提供的计算机可读存储介质和电子设备，可以参照根据本发明实现如上所述的快速人手检测识别跟踪方法具体描述的内容实现，并具有与如上所述的快速人手检测识别跟踪方法类似的有益效果，在此不再赘述。
[0159]
本发明公开了一种快速人手检测识别跟踪方法及装置，首先，对检测视频进行有效的获取；然后，基于皮肤ycbcr颜色空间的二维高斯分布，对人手的初始位置进行初始的定位，有效进行分割，保证后续的跟踪准确性；进而，在初始位置的基础上，将ycbcr颜色空间二维高斯分布用于粒子滤波，对人手的下一位置进行有效的跟踪，降低粒子滤波对光照的影响，增强跟踪的准确性；最后，利用皮肤定位手的图像在不同尺度空间下的高斯滤波差分式，仅需简单的计算即可根据dog算子的相似度检测人手轮廓位置，进行精准定位，保证机械臂能准确、实时地运动至精确的人手轮廓位置。
[0160]
本发明技术方案，将ycbcr颜色空间二维高斯分布用于粒子滤波，降低粒子滤波对光照的影响，增强跟踪的准确性，同时将不同尺度空间下的高斯滤波差分式用于检测人手轮廓位置，避免了复杂的求导计算，计算速度更快、效率更高，实时性更好。
[0161]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。