Bestimmen Sie Skelettfugen mit einer Webcam (nicht Kinect)

es gibt eine einfache Methode für die Erkennung von hand-Haut-Ton. vielleicht könnte dies helfen... Sie sehen die Ergebnisse auf diesem youtube -video. Nachteil: der hintergrund sollte nicht enthalten hautfarbene Dinge wie Holz.

hier ist der code:

''' Detect human skin tone and draw a boundary around it.
Useful for gesture recognition and motion tracking.

Inspired by: http://stackoverflow.com/a/14756351/1463143

Date: 08 June 2013
'''

# Required moduls
import cv2
import numpy

# Constants for finding range of skin color in YCrCb
min_YCrCb = numpy.array([0,133,77],numpy.uint8)
max_YCrCb = numpy.array([255,173,127],numpy.uint8)

# Create a window to display the camera feed
cv2.namedWindow('Camera Output')

# Get pointer to video frames from primary device
videoFrame = cv2.VideoCapture(0)

# Process the video frames
keyPressed = -1 # -1 indicates no key pressed

while(keyPressed < 0): # any key pressed has a value >= 0

    # Grab video frame, decode it and return next video frame
    readSucsess, sourceImage = videoFrame.read()

    # Convert image to YCrCb
    imageYCrCb = cv2.cvtColor(sourceImage,cv2.COLOR_BGR2YCR_CB)

    # Find region with skin tone in YCrCb image
    skinRegion = cv2.inRange(imageYCrCb,min_YCrCb,max_YCrCb)

    # Do contour detection on skin region
    contours, hierarchy = cv2.findContours(skinRegion, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # Draw the contour on the source image
    for i, c in enumerate(contours):
        area = cv2.contourArea(c)
        if area > 1000:
            cv2.drawContours(sourceImage, contours, i, (0, 255, 0), 3)

    # Display the source image
    cv2.imshow('Camera Output',sourceImage)

    # Check for user input to close program
    keyPressed = cv2.waitKey(1) # wait 1 milisecond in each iteration of while loop

# Close window and camera after exiting the while loop
cv2.destroyWindow('Camera Output')
videoFrame.release()

den cv2.findContour ist sehr nützlich, Sie finden den Schwerpunkt eines "blob" mit cv2.Momente nach u finden der Konturen. haben Sie einen Blick auf die opencv-Dokumentation auf shape-Deskriptoren.

ich habe nicht noch herausgefunden, wie man die Skelette liegen in der Mitte der Kontur, aber ich dachte "Erodieren" die Konturen, bis Sie eine einzelne Zeile. in der Bildverarbeitung der Prozess heißt "skeletonization" oder "morphologische Skelett". hier einige grundlegende Informationen über skeletonization.

hier ist ein link, implementiert skeletonization in opencv und c++

hier ist ein link für skeletonization in opencv und python

hoffe, das hilft 🙂

--- EDIT ----

ich würde sehr empfehlen, dass Sie gehen durch diese Papiere von Deva Ramanan (nach unten scrollen nach dem Besuch der verlinkten Seite): http://www.ics.uci.edu/~dramanan/

1. C. Desai, R. Ramanan. "Die Erkennung von Aktionen, Haltungen, und Objekte mit
   Relationale Phraselets" European Conference on Computer Vision
   (ECCV), Florenz, Italien, Okt. 2012.
2. D. Park, D. Ramanan. "N-Beste Maximale Decoder für Teil-Modelle" Internationale Konferenz
   on Computer Vision (ICCV) Barcelona, Spanien, November 2011.
3. D. Ramanan. "Lernen zu Analysieren, Bilder von Artikulierten Objekten" Neuronaler Info. Proc.
   Systems (NIPS), Vancouver, Kanada, Dezember 2006.

InformationsquelleAutor der Antwort samkhan13

Mein Vorschlag, angesichts Ihrer Einschränkungen, würden Sie etwas wie dies:
http://docs.opencv.org/doc/tutorials/objdetect/cascade_classifier/cascade_classifier.html

Hier ist ein tutorial für die Verwendung der Gesichtserkennung:
http://opencv.willowgarage.com/wiki/FaceDetection?highlight=%28facial%29/%28recognition%29

Das problem, das Sie beschrieben haben, ist ziemlich schwierig, und ich bin mir nicht sicher, dass der Versuch, es zu tun mit nur einer webcam ist ein vernünftiger plan, aber dies ist wahrscheinlich Ihre beste Wette. Wie hier erklärt (http://docs.opencv.org/modules/objdetect/doc/cascade_classification.html?highlight=load#cascadeclassifier-load), müssen Sie zum trainieren des Klassifikators mit so etwas wie dies:

http://docs.opencv.org/doc/user_guide/ug_traincascade.html

Denken Sie daran: obwohl Sie nicht erforderlich ausführliche Informationen für Ihre Nutzung, wenn Sie diese Informationen macht es einfacher für die Bibliothek zu identifizieren, die eine hand.

InformationsquelleAutor der Antwort Andrew W

Weiß ich nicht über mögliche vorhandene Lösungen. Wenn der betreute (oder semi-supervised) lernen ist eine option, die Ausbildung Entscheidungsbäume oder neuronale Netze könnten schon genug sein (kinect verwendet zufällige Wälder von dem, was ich gehört habe). Bevor Sie gehen einen solchen Weg, alles, was Sie tun können, um eine bereits vorhandene Lösung. Erste Machine-Learning-Zeug nimmt eine Menge Zeit und Experimentieren.

OpenCV-hat Maschine-learning-Komponenten, was Sie brauchen, ist Trainingsdaten.

InformationsquelleAutor der Antwort kutschkem

Haben Sie jemals gehört, über Eyesweb

Habe ich es für eines meiner Projekt, und ich dachte, es könnte nützlich sein für das, was Sie erreichen wollen.
Hier sind einige interessante Publikation LNAI 3881 - Finger-Tracking-Methoden, die Mit EyesWeb und Powerpointing-HCI mit gesten

Grundsätzlich ist der workflow:

1. Erstellen Sie Ihre patch in EyesWeb
2. Bereiten Sie die Daten, die Sie senden möchten, mit einem Netzwerk-client
3. Verwendung Thesen verarbeiteten Daten auf Ihrem eigenen server (Ihre app)

Aber ich weiß nicht, ob es eine Möglichkeit zum einbetten von Echtzeit-Bildverarbeitung Teil der Augen Web, in einem weich wie eine Bibliothek.

InformationsquelleAutor der Antwort Gomino