[發明專利]一種加入符號序列匹配的基于三維加速度的手勢識別方法無效
| 申請號: | 201310211982.4 | 申請日: | 2013-05-31 |
| 公開(公告)號: | CN103309448A | 公開(公告)日: | 2013-09-18 |
| 發明(設計)人: | 賀樑;林雨薇;楊河彬;王偉杰;陳國梁;裴逸鈞 | 申請(專利權)人: | 華東師范大學 |
| 主分類號: | G06F3/01 | 分類號: | G06F3/01;G06K9/00 |
| 代理公司: | 上海藍迪專利事務所 31215 | 代理人: | 徐筱梅;張翔 |
| 地址: | 200241 *** | 國省代碼: | 上海;31 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 加入 符號 序列 匹配 基于 三維 加速度 手勢 識別 方法 | ||
技術領域
本發明涉及用于個性化人機交互的技術領域,具體地說是一種加入符號序列匹配的基于隱馬爾科夫模型(HMM)及三維加速度的手勢識別方法。
背景技術
基于三維加速度的手勢識別方法中常用的一種是基于隱馬爾科夫模型(HMM)的手勢識別方法。傳統的基于隱馬爾科夫模型(HMM)的手勢識別方法主要包含4個步驟:預處理、三維加速度量化、為每個手勢建立隱馬爾科夫模型(HMM)、手勢匹配。其中,預處理階段的任務是對三維加速度數據中的噪聲進行過濾;三維加速度量化是指使用K-means算法將三維加速度轉化為一維觀察向量,從而將手勢的三維加速度序列轉化為一維觀察向量序列;為每個手勢建立隱馬爾科夫模型是指使用隱馬爾科夫模型中的Baum-Welch算法利和每個手勢的訓練樣本訓練出每個手勢的隱馬爾科夫模型參數,得到每個手勢所對應的隱馬爾科夫模型;手勢匹配是指使用隱馬爾科夫模型中的Forward算法計算需要識別的手勢在所有手勢類型的隱馬爾科夫模型下產生的概率,將概率最高的手勢類型作為最終結果輸出。
在傳統的基于HMM的三維加速度識別方法中,在三維加速度量化階段使用了K-means算法。K-means算法的核心思想是將距離相近的點歸為一類,并不考慮兩個點坐標的正負號。所以使用這種方法在識別手勢軌跡相近但是方向相反的手勢時產生大量混淆。
發明內容
本發明的目的是針對現有技術中忽略手勢三維加速度序列中加速度符號只考慮加速度大小的技術缺陷而提供的一種既考慮加速度符號也考慮加速度大小的手勢識別方法。
實現本發明目的的具體技術方案是:
一種加入符號序列匹配的基于隱馬爾科夫模型(HMM)及三維加速度的手勢識別方法。首先,根據待識別手勢的三維加速度序列計算出待識別手勢的加速度符號序列并且使用向量量化方法將待識別手勢的三維加速度序列轉換為一維觀察序列,然后使用基于符號序列的模式匹配方法找出待識別手勢的候選類型列表,最后對于每一個處在候選列表中的候選手勢類別,使用隱馬爾科夫模型中的Forward算法計算出需要識別的手勢在該候選手勢類別所對應的隱馬爾科夫模型(HMM)下產生的概率,將概率最高的候選手勢類型作為待識別手勢的類型。其具體步驟如下:
第一步:對于包含N種手勢的手勢集,設定每種手勢的標準符號序列模版???????????????????????????????????????????????;
第二步:使用隱馬爾科夫模型中的Baum-Welch算法訓練出每種手勢的隱馬爾科夫參數,得到所有手勢對應的隱馬爾科夫模型為;
第三步:輸入一個待識別手勢G的三維加速度序列L,假設,其中?為手勢G某一時刻的三維加速度值;
第四步:根據第三步輸入的三維加速度序列L,得到待識別手勢的符號序列;
第五步:將第四步中得到的待識別手勢的符號序列與第一步中設定的每一種手勢的標準符號序列模版進行對比:如果某一手勢類別?j的標準符號序列模版包含待識別手勢的符號序列,則將此手勢的類別?j?加入待識別手勢的初始候選手勢類型列表?EarlyCandiList?中,否則不加入;
第六步:對于第五步中得到的初步手勢候選列表EarlyCandiList,按初步候選手勢列表的長度即初步候選手勢列表中候選手勢類別的個數,分為以下幾種情況:
a、初步候選手勢列表的長度為1即EarlyCandiList?只包含一個元素,將EarlyCandiList中的手勢類型作為最終結果,轉到第十步結束;
b、初步候選手勢列表的長度為0即EarlyCandiList?不包含任何元素,將所有手勢類型都加入到候選手勢列表中,得到最終手勢候選列表?LateCandiList,即;
c、初步候選手勢列表的長度大于1,初步手勢類型候選列表即為最終手勢類別候選列表,即LateCandiList?=?EarlyCandiList;
第七步:根據第三步輸入的三維加速度序列L,使用向量量化方法得到待識別手勢的一維觀察向量序列O;
第八步:使用隱馬爾科夫模型中的Forward算法計算第八步中得到的待識別手勢的一維觀察向量O在第七步中得到的最終手勢候選列表LateCandiList中的候選手勢類別所對應的隱馬爾科夫模型所產生的概率;
第九步:將第八步中最大概率所對應的候選手勢類別作為最終的識別結果,即待識別手勢的類型;
第十步:?結束。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于華東師范大學,未經華東師范大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201310211982.4/2.html,轉載請聲明來源鉆瓜專利網。





