一種基于區(qū)間分布概率特征的手勢識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及人機(jī)交互技術(shù)領(lǐng)域，更具體的說，是設(shè)及一種基于區(qū)間分布概率特征 的手勢識別方法。
【背景技術(shù)】
[0002] 手勢識別技術(shù)是目前人機(jī)交互領(lǐng)域的研究熱點(diǎn)，具有廣闊的應(yīng)用前景，由于手勢 本身具有多義多樣性W及時(shí)空上的差異性，手勢識別技術(shù)還有很大發(fā)展空間。傳統(tǒng)的手勢 識別主要有基于可穿戴傳感器的接觸式和基于計(jì)算機(jī)視覺的非接觸式兩類?；诳纱┐鱾?感器的識別方式需要用戶佩戴專業(yè)設(shè)備，不受外界環(huán)境背景變化的影響，計(jì)算量較小，具有 更好的實(shí)時(shí)性，但存在使用不便、成本高等不足。基于計(jì)算機(jī)視覺的識別方法雖然解決了適 用范圍問題，但對設(shè)備、環(huán)境要求較嚴(yán)，且算法較復(fù)雜，實(shí)時(shí)性較差。
[0003] 目前針對手勢識別主要有模版匹配、特征提取、神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型等識 別方法被廣泛采，但運(yùn)些識別算法較復(fù)雜或存儲空間需求大，隨著識別手勢的增多，系統(tǒng)存 儲空間不夠或識別速度過慢影響交互效率，難W滿足在線識別的要求。
[0004] 綜上所述當(dāng)前智慧家庭、工業(yè)控制，人機(jī)交互領(lǐng)域還需要一種簡便易行、在線實(shí)時(shí) 性好且成本低廉非接觸式的手勢動(dòng)作識別系統(tǒng)。

【發(fā)明內(nèi)容】

[000引有鑒于此，有必要針對上述問題，提供一種基于區(qū)間分布概率特征的手勢識別方 法，手勢識別率高，實(shí)用性強(qiáng)，提高了在線識別的動(dòng)態(tài)實(shí)時(shí)性，大大減小運(yùn)算復(fù)雜度。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0007] -種基于區(qū)間分布概率特征的手勢識別方法，包括W下步驟：
[0008] S1、特征采集，通過紅外傳感技術(shù)，檢測紅外場域內(nèi)目標(biāo)運(yùn)動(dòng)變化過程中的紅外反 射信號和紅外溫度信號；
[0009] S2、目標(biāo)判斷，對采集到的紅外溫度信號進(jìn)行溫差對比，判斷檢測到的溫度是否是 人手溫度，若是則進(jìn)入步驟S3,若否則返回S1;
[0010] S3、信號預(yù)處理，檢測手勢運(yùn)動(dòng)段，對檢測到的手勢運(yùn)動(dòng)段去噪歸一，并插值取整 將手勢動(dòng)作長度統(tǒng)一為N;
[00川 S4、特征提取，劃分S個(gè)運(yùn)動(dòng)區(qū)間，提取區(qū)間分布概率特征P=[pi，P2，一，PnW+#P 的均方差0,判斷是否平面手勢，并輸出手勢特征序列，利用標(biāo)準(zhǔn)手勢原始數(shù)據(jù)建立的手勢 特征模版并作為訓(xùn)練樣本；
[0012] S5、手勢識別，通過K順化-Nearest Nei曲bor，最鄰近規(guī)則分類)算法，計(jì)算測試樣 本與訓(xùn)練樣本之間的距離，找出該測試樣本的K個(gè)最近距離，將測試樣本劃分為K個(gè)最近距 離的類別最大的一類。
[0013] 作為優(yōu)選的，所述步驟S3具體包括：
[0014] S301、通過設(shè)置口限閥值自動(dòng)檢測手勢運(yùn)動(dòng)階段紅外反射強(qiáng)度的滑動(dòng)窗口，手勢 的開始段和結(jié)束短，紅外反射強(qiáng)度可用常量表示，手勢的動(dòng)作段紅外反射強(qiáng)度明顯增大
[0015] S302、對手勢運(yùn)動(dòng)數(shù)據(jù)進(jìn)行濾波處理，采用五點(diǎn)Ξ次平滑濾波算法，利用最小二乘 法原理對離散數(shù)據(jù)進(jìn)行二次加權(quán)平滑濾波，再對其進(jìn)行幅度歸一化處理；
[0016] S303、進(jìn)行插值規(guī)整，消除手勢的速度差異對識別結(jié)果的影響，通過樣條插值法或 牛頓插值法將手勢動(dòng)作長度統(tǒng)一為N，獲得手勢動(dòng)作特征。
[0017] 作為優(yōu)選的，所述步驟S4具體包括：
[0018] 根據(jù)Μ種手勢的運(yùn)動(dòng)方向特征在同一平面上劃分S個(gè)不同的運(yùn)動(dòng)區(qū)間，獲取手勢的 區(qū)間分布概率矩陣：
[0019]
[0020] 其中pt(i)(l y < s，l < t卽)表示運(yùn)動(dòng)區(qū)間i在采樣點(diǎn)t處的概率；
[0021]
[0022] 計(jì)算N個(gè)采樣點(diǎn)的區(qū)間分布概率的均方差：
[0023]
[0024] 算出均方差大于某一特定閥值K的權(quán)重：
[0025]
[0026] 當(dāng)Q>0.5時(shí)，手勢特征采用基于區(qū)間分布概率特征的區(qū)間序列R表示；當(dāng)Q<0.5 時(shí)，采用概率特征和(總的紅外反射量化表示，同時(shí)，利用標(biāo)準(zhǔn)手勢原始數(shù)據(jù)在PC機(jī)上建立 的手勢特征模版作為訓(xùn)練樣本。
[0027] 作為優(yōu)選的，所述步驟S5中，計(jì)算測試樣本與訓(xùn)練樣本之間的距離，采用歐式距離 表示，為了避免鄰近數(shù)相同，K值取奇數(shù)。
[0028] 進(jìn)一步的，所述步驟S4中，當(dāng)Q>0.5時(shí)，手勢特征采用基于區(qū)間分布概率特征的區(qū) 間序列R表示，根據(jù)采樣點(diǎn)t處的區(qū)間概率矩陣Pt，分析Max Pt對應(yīng)的運(yùn)動(dòng)區(qū)間，輸出N個(gè)采樣 區(qū)間序列 R={Ri，R2，. . .，Rn}，例如在采樣點(diǎn) t 處，MaxPt = Pt(i)，則 Rt = i，（l<i<S);當(dāng) Q<0.5 時(shí)，采用概率特征和(總的紅外反射量化表示，E=曲瓜，…，Et]，
化t《N)。
[0029] 進(jìn)一步的，所述步驟S3中，根據(jù)Μ種手勢的運(yùn)動(dòng)方向特征在同一平面上劃分S個(gè)不 同的運(yùn)動(dòng)區(qū)間，至少可判斷平面上巧巾動(dòng)態(tài)手勢，非平面或Ζ軸手勢至少可判斷從上到下、從 下到上和懸停3種動(dòng)作手勢。
[0030] 作為優(yōu)選的，所述步驟S1中具體包括:利用紅外傳感技術(shù)，W設(shè)定的頻率f檢測紅 外場域內(nèi)目標(biāo)運(yùn)動(dòng)變化過程中的紅外反射信號和紅外溫度信號，設(shè)X(t) = [Xl(t)，X2 (t)，一，Xm(t)，T(t)]為t時(shí)刻采樣的紅外信號，Xi(t)表示t時(shí)刻第i個(gè)紅外反射信號，T(t)表 示t時(shí)刻采集的紅外溫度值。
[0031] 作為優(yōu)選的，所述步驟S2中具體包括:將S1采集的紅外溫度信號T(t)和前η個(gè)采樣 點(diǎn)逐個(gè)進(jìn)行比較，設(shè)定比較差值ΔΤ，若||T(t)-T(t-n)| I > AT則進(jìn)入步驟S3,若否則返回 步驟S1。
[0032] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：
[0033] 1、識別過程利用紅外傳感技術(shù)獲取手勢的紅外反射信號，具有敏感度高、受環(huán)境 光干擾小和成本低等優(yōu)點(diǎn)，沒有大量復(fù)雜計(jì)算公式或遞歸運(yùn)算，與相對復(fù)雜的模糊神經(jīng)網(wǎng) 絡(luò)或隱馬爾科夫模型的手勢識別算法相比，提高了在線識別的動(dòng)態(tài)實(shí)時(shí)性。
[0034] 2、對常見手勢識別率高，實(shí)用性強(qiáng)，可應(yīng)用到多種場合，如家庭娛影設(shè)備的控制。 本發(fā)明利用紅外傳感器獲取手勢信息后自動(dòng)檢測動(dòng)態(tài)手勢，然后將完整手勢映射到不同區(qū) 間，建立不同手勢的區(qū)間分布概率特征模型，通過KNN分類算法實(shí)現(xiàn)手勢判斷。
[0035] 3、用基于區(qū)間分布概率特征的算法，大大減小運(yùn)算復(fù)雜度，所需存儲空間小，對常 見手勢的在線識別率高，特別適用家庭娛影設(shè)備控制，如電視、照明、風(fēng)扇和空調(diào)等設(shè)備的 舒適、方便控制。
【附圖說明】
[0036] 圖1是基于區(qū)間分布概率特征的手勢識別方法流程框圖；
[0037] 圖2是本法明的方法的具體流程示意圖；
[0038] 圖3是本發(fā)明方法中手勢識別特征采集信號中紅外反射信號強(qiáng)度圖；
[0039] 圖4是本發(fā)明方法中手勢識別特征采集信號中溫度放大10倍時(shí)的信號圖；
[0040] 圖5是本發(fā)明方法中手勢動(dòng)作運(yùn)動(dòng)檢測圖；
[0041 ]圖6是本發(fā)明方法中手勢動(dòng)作插值規(guī)整圖；
[0042] 圖7是本發(fā)明方法中不同手勢對應(yīng)不同運(yùn)動(dòng)區(qū)間分布概率特征圖。
【具體實(shí)施方式】
[0043] 下面結(jié)合附圖和實(shí)施例對本發(fā)明所述的一種基于區(qū)間分布概率特征的手勢識別 方法作進(jìn)一步說明。
[0044] W下是本發(fā)明所述的一種基于區(qū)間分布概率特征的手勢識別方法的最佳實(shí)例，并 不因此限定本發(fā)明的保護(hù)范圍。
[0045] 圖1示出了本發(fā)明的一種基于區(qū)間分布概率特征的手勢識別方法的流程示意圖， 包括W下步驟：
[0046] S1、特征采集
[0047] 利用紅外傳感技術(shù)，W設(shè)定的頻率檢測紅外場域內(nèi)目標(biāo)運(yùn)動(dòng)變化過程中的紅外反 射信號和溫度信號，本實(shí)施例中每組采樣獲取m+1維采樣特征，設(shè)x(t) = [xi(t)，X2(t)，···， Xm(t)，T(t)]為t時(shí)刻采樣的紅外信號，Xi(t)表示t時(shí)刻第i個(gè)紅外反射信號，T(t)表示t時(shí)刻 采集的紅外溫度值，如圖2所示。
[004引 S2、目標(biāo)判斷
[0049]將S1采集的紅外溫度信號T(t)和前η個(gè)采樣點(diǎn)逐個(gè)進(jìn)行比較，若||T(t)-T(t-n) I > Δ Τ繼續(xù)下一步驟，否側(cè)返回上一步。
[0050] S3、信號預(yù)處理
[0051] 首先是手勢的運(yùn)動(dòng)檢測S301，然后對檢測到的手勢運(yùn)動(dòng)段進(jìn)行去噪歸一 S302,為 消除手勢的速度差異對識別結(jié)果的影響，進(jìn)行插值規(guī)整S303,數(shù)據(jù)長度統(tǒng)一為Ν。
[0052] 所述S3對采樣數(shù)據(jù)進(jìn)行預(yù)處理具體內(nèi)容如下：
[0053] S301、如圖3所示，通過設(shè)置口限閥值自動(dòng)檢測手勢運(yùn)動(dòng)階段紅外反射強(qiáng)度的滑動(dòng) 窗口，手勢的開始段和結(jié)束短，紅外反射強(qiáng)度可用常量表示，手勢的動(dòng)作段紅外反射強(qiáng)度明 顯增大。設(shè)f (X) = Σχ，Τ虹eshold為運(yùn)動(dòng)檢測的口限闊值。當(dāng)f (χ)〉Τ虹eshold時(shí)表示手勢開 始，該采樣點(diǎn)為手勢動(dòng)作數(shù)據(jù)點(diǎn)，直到fUKThreshold手勢結(jié)束。設(shè)手勢