李 静

（唐山市人力资源和社会保障局劳动能力鉴定服务中心，河北 唐山 063000）

引言

随着经济进入新常态，我国工业进入了空前的发展阶段，信息化、人工智能、识别技术发展突飞猛进，为企业档案信息化的建设提供了可靠的支持。手势识别系统在企业档案信息安全管理系统体系成为研究的热点[1-3]。在档案安全管理中心利用相应的网络模型将所得特征值进行处理，得到相应的手势[4-8]。为了提高手势识别系统的准确率，本文利用人工智能技术建立档案信息安全管理系统交互识别模型实现对手势的识别，在人机交互原理的基础上建立信息安全的整合平台和反馈模块。通过建立颜色分布模型，对所得图像进行二值化处理，实现对手势姿态的判别，通过对图像的归一化处理得到最终的手势动作。

1 企业档案信息安全管理系统交互设计

在企业档案管理信息安全体系中，人机交互系统是重要发展方向。该系统主要由使用者、系统、输入和输出等组成，在对手势进行识别时需要悬停以实现用户对命令的选择，当静止时间大于设定时间则表示选中，反之则重新开始计时。本文所开发的档案管理系统隔空手势识别以多通道的信息交互技术为基础，通过引入信息安全整合平台和反馈模块，实现了整个系统的搭建，其具体结构如图1 所示。

该模型主要由用户、交互、表现、控制以及应用程序等多个模块组成，其中档案系统使用者模块主要通过对象库中的工具实现信息的输入，人机交互模块主要包括对输入信息的管理及输出设备的控制，将所采集的手势动作转换为交互的原语信号，并将结果输出。通过手势姿态信息可得到交互的原语，所有的原语均与设备相关，同时可通过该模块接收反馈信息并传输给用户。应用程序模块主要是将处理后的任务发送到控制模块，该模块包括多个信息的处理计算部分，可将处理后的信息传输给用户。

本文对模型进行处理时以MCG-Skin 数据库为基础，在YCrCb的空间内利用分量Cr和Cb建立如下颜色分布的表达式：

式中：μ 为颜色的均量化系数；α 和g 分别为颜色的分量系数和过滤值。

根据上文公式在对手势进行识别时，通过去除手势背景并对高斯模型进行混合处理，利用下式进行描述：

式中：α、μ、σ 分别表示对应概率密度函数的相关参数，其中αh+αf=1。

所采集的手势一直位于身体前侧，上式中的μh、μf分别表示手势和身体的深度，那么深度的阈值可表达为：

将经阈值处理后的像素点带入上文Pc（x）的表达式中，经过处理后可得到图像对应颜色的概率分布，然后将其与灰度值［0，255］进行映射，即可完成对手势图像的重建，当对应的灰度值增加时相似度也随之上升。利用最大类间方差法对图像进行处理后，可通过灰度值表达肤色点，除去肤色的其它点都处理为黑色，这样即可得到具体的手势姿态。

在对手势进行跟踪时，首先应确定深度的直方图，将灰度值在［0，L-1］范围内直方图转换为以下离散函数:

式中：rk表示灰度等级为k 的相对深度；nk表示为图像rk级别的像素总数。

通过下式对图像进行归一化处理，使其成为统一的标准形式。

式中：P（rk）表示为某级别灰度值所出现概率的估值。

根据像素点的绝对深度值可计算得到其相对深度最小值的绝对值，所以相对深度的范围为[0，D-1]。由上文可知rk表示第k 级灰度值的相对深度，该级别所对应的像素数量为nk，其中k=0，1，…，D-1。

利用评价概率分布相似性方法对相对深度直方图的相似性进行分析，利用下式对其巴氏距离的定义域进行判断。

式中：Bs（p，q）为巴氏系数。通过下式对手势进行跟踪：

式中：x 表示手的运动速度。通过上述模型及对应公式即可实现对手势的跟踪。

在对企业档案信息安全管理系统手势进行识别时，首先需引入一组级联学习器，通过学习器对手势的运动模式进行不断的学习实现对手势的识别，可让前两级学习器学习姿势较简单的非控制姿势，而让级别较高的学习器学习较难的控制姿势，进而提高手势识别的效率，如图2 所示。

在通过级联结构对手势进行识别时，级数越高时越能降低控制姿态和非控制姿态之间的不平衡性，在较高级别的学习器学习时应将重点放在两种姿态的差别上，降低二者的不平衡性对整体效果的影响。手势动作可由以下集合进行表示（手势种类的总数为n）：

当对手势G1进行识别时，需使非控制动作满足下式：

在所有姿势中选择一组样本作为训练数据，可表示为：

上式中第i 种姿势的样本总数为m。

任意选择一组级联分类器，可由下式表达:

上式中Mi表示第i 级分类器，其所对应的特征为Fi，进而可得到下式：

手势识别的具体流程包括以下步骤:

步骤二，当C={G1}时，提取两个集合中差异较大的手势动作，将所提取的手势归入到集合中，则C=G1-。

步骤三，将集合F 中识别耗时最短的Fi与训练识别{G，}的分类器Mi进行选取，同时令F1的值尽量接近1，将分类器Mi错分的样本归入到集合G中。

步骤四，在分类器T 中加入（Mi，Fi）。

步骤五，返回分类器T。

2 实验分析

利用相关软件结合企业档案信息安全管理系统使用者手势进行图像采集后，随机选取100 幅图像作为实验对象，实验所用计算机的运行内存为6 GB，处理器为双核E5500。实验分别采用本文模型和自学习稀疏表示法[9]和Leap Motion 模型[10]，分别对抓和放两个动作进行识别，采用F1对识别效果进行评估，该值越高表示识别的准确率越高。

式中：precision 和recall 分别表示准确率和召回率，这两个参数的计算公式见式（14）（15）。

式中：tp表示识别正确的样本数，fp表示识别错误的样本数，fn表示被识别为其它类别的样本数。

下页图3 所示为不同方法对手势识别的实验结果，观察可发现本文所研究模型对手势识别的准确率最高，得到了较理想的识别效果，所得评估指标F1的值高于96%，而自学习稀疏表示法和Leap Motion 模型的F1值低于93%，未达到想要的实验结果，无法满足精度的要求。

3 结语

随着工业经济及信息安全管理技术的发展，企业档案信息安全管理系统逐步与现代化技术接轨。为了提高企业档案管理系统体系中使用者手势交互识别的准确率，本文提出了一种新的手势识别模型。根据手势识别的原理建立了信息安全整合平台和反馈模块。本文研究可为企业档案管理体系安全防护系统的开发提供一定的参考。