[發明專利]一種手勢識別方法、裝置、存儲介質及數據手套

有效

• 申請號: 202011253584.5
• 申請日: 2020-11-11
• 公開（公告）號: CN112347951B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 王勃然;姜京池;劉劼
• 申請（專利權）人: 哈爾濱工業大學（深圳）
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/764;G06V10/77;G06V10/774;G06F3/01;G06V10/30;G06V10/82;G06N3/0464
• 代理公司: 北京隆源天恒知識產權代理有限公司 11473
• 代理人: 徐蘇明

1.一種手勢識別方法，其特征在于，包括：

獲取數據手套完成當前動作時所述數據手套的各個傳感器采集的傳感器數據，所有所述傳感器數據組成一個輸入數據；

采用主成分分析法對所述輸入數據進行特征提取，獲得第二特征數據；

將所述第二特征數據輸入訓練好的多類SVM分類器，確定所述當前動作對應的手勢；

當所述訓練好的多類SVM分類器無法識別所述當前動作時，對所述輸入數據進行預處理，獲得預處理后的數據；

將所述預處理后的數據輸入訓練好的手勢識別模型，輸出所述當前動作對應的手勢，其中，所述手勢識別模型是基于卷積神經網絡和長短期記憶循環網絡建立的；

所述將所述第二特征數據輸入訓練好的多類SVM分類器之前，包括：分別獲取所述數據手套完成不同的標定動作時的所述輸入數據；分別對每個所述輸入數據進行放大和濾波，獲得濾波后的輸入數據；采用主成分分析法對所有所述濾波后的輸入數據進行特征提取，獲得第一特征數據；采用所述第一特征數據訓練多類SVM分類器，獲得所述訓練好的多類SVM分類器；

所述采用主成分分析法對所有所述濾波后的輸入數據進行特征提取包括：計算所有所述濾波后的輸入數據的平均值；分別確定各個所述濾波后的輸入數據與所述平均值之間的差值，并根據所有所述差值確定協方差矩陣；根據所述協方差矩陣計算特征值和特征向量，根據所述特征向量確定主成分矩陣；根據所述主成分矩陣和所述差值確定所述第一特征數據；

所述標定動作與手勢模板一一對應，所述采用所述第一特征數據訓練多類SVM分類器包括：對于任一所述手勢模板，將所述手勢模板對應的所述第一特征數據作為正集，將所述正集以外的所述第一特征數據作為負集，對應的所述正集和所述負集為一個訓練集；將所述訓練集輸入所述多類SVM分類器，所述多類SVM分類器包括多個分類函數，每個所述分類函數分別對所述訓練集進行處理，分別輸出一個第一分類值；確定所述第一分類值中的最大值以及所述最大值對應的所述分類函數，將所述分類函數與所述手勢模板對應；依次對各個所述第一特征數據進行處理，將所述手勢模板與所述分類函數一一對應；

將所述第二特征數據輸入訓練好的多類SVM分類器，確定所述當前動作對應的手勢包括：將所述第二特征數據輸入所述訓練好的多類SVM分類器，每個所述分類函數分別對所述第二特征數據進行處理，分別輸出一個第二分類值；確定所有所述第二分類值中的最大值和次大值，將所述第二分類值中的最大值和所述次大值分別與預設閾值進行對比，當所述最大值大于或等于所述預設閾值而所述次大值小于所述預設閾值時，確定輸出所述最大值的所述分類函數對應的所述手勢模板為所述當前動作對應的手勢。

2.根據權利要求1所述的手勢識別方法，其特征在于，所述訓練好的多類SVM分類器無法識別所述當前動作包括所述第二分類值中的最大值和次大值均大于或等于所述預設閾值。

3.根據權利要求1或2所述的手勢識別方法，其特征在于，所述將所述預處理后的數據輸入訓練好的手勢識別模型之前，包括：

分別獲取所述數據手套完成不同的標定動作時的所述輸入數據；

分別對所有所述輸入數據進行預處理，獲得所述預處理后的數據；

構建基于卷積神經網絡和長短期記憶循環網絡的手勢識別模型，采用所述預處理后的數據訓練所述手勢識別模型，獲得所述訓練好的手勢識別模型。

4.根據權利要求3所述的手勢識別方法，其特征在于，每個所述輸入數據包括一個所述標定動作對應的所有所述傳感器數據，所述分別對所有所述輸入數據進行預處理，獲得所述預處理后的數據包括：

對于任一所述輸入數據，采用基于時隙信道跳變的時間同步機制對所述輸入數據對應的所有傳感器數據進行同步，獲得同步后的傳感器數據；

采用巴特沃斯帶通濾波器對所述同步后的傳感器數據進行濾波，獲得濾波后的傳感器數據；

采用滑動窗口截取所述濾波后的傳感器數據，獲得多個數據段，所有所述數據段組成所述預處理后的數據。