CN103198324A

CN103198324A - 一种3d手写识别特征集取方法

Info

Publication number: CN103198324A
Application number: CN2013100771796A
Authority: CN
Inventors: 沈海斌; 应攀
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2013-03-11
Filing date: 2013-03-11
Publication date: 2013-07-10

Abstract

本发明公开了一种3D手写识别特征集取方法。该方法的步骤包括首先分别提取三维加速度的时域旋转特征和其频域快速傅氏变换特征，然后对提取的时域特征和频域特征进行特征融合，得到时频域融合特征——RF+FFT特征，并利用主成分分析和线性鉴别分析组合进行特征降维，从而得到更加可以表征3D手写识别系统的新特征，最后采用支持向量机进行手写字符的分类识别。利用本发明的方法，可以构建性能更好的3D手写识别系统，有效地提高3D手写识别系统的识别率。

Description

一种3D手写识别特征集取方法

技术领域

本发明属于3D手写识别技术领域，特别涉及3D手写识别技术中的特征集取方法。

背景技术

手写识别技术是在人机交互技术趋势下逐渐发展形成的一门热门技术。对比传统的平面手写识别，3D手写识别是目前一种新兴的手写识别技术，可以提供给用户一种更加自然和高效的人机交互体验，在这些年逐渐成为了手写识别技术的研究热点，是今后手写识别的发展趋势。同时，基于三维加速度传感器的3D手写识别系统因其体积较小、精度较高、抗外部环境干扰能力较强等特点，在近些年的研究中越来越受到重视。

一直以来，特征提取和特征降维是3D手写识别过程的关键技术要点。特征融合算法相对比较固定，而特征提取和特征降维算法则灵活多变，采用不同的算法会产生不同的结果。因此研究3D手写识别必然需要深入研究相关的特征提取技术和特征降维技术。虽然这些年3D手写识别研究已经取得了一定的进展，但在这两个方面都尚待深入，本发明就围绕这两个关键技术，提出了新的方法。

发明内容

本发明的目的是提供一种3D手写识别特征集取方法，从而构建性能更加优良的3D手写识别系统，进而可以有效地提高3D手写识别系统的识别率。

本发明的技术方案如下：一种3D手写识别特征集取方法，包括以下步骤，获取原始数据：采用ADI公司的三维加速度传感器评估板EVAL-ADXL345Z-M进行数据的采集；特征提取：提取识别率较高的旋转特征(Rotation Feature, RF)作为3D手写识别系统的时域特征，提取识别率较高的快速傅氏变换特征(Fast Fourier Transformation, FFT)作为3D手写识别系统的频域特征；特征融合：采用串行方法进行时域和频域特征融合，得到时频域融合特征——RF+FFT特征；特征降维：利用主成分分析(Principal Component Analysis, PCA)+线性鉴别分析(Linear Discriminant Analysis, LDA)组合算法降维；分类识别：使用支持向量机库(a library for Support Vector Machines, LIBSVM)软件包实现支持向量机(Supported Vector Machine, SVM)分类识别，核函数选用径向基函数，进行三次试验，取三次试验的平均识别率。

与现有技术相比，本发明的有益效果是：本发明的3D手写识别特征集取方法，一方面结合3D手写识别信号是典型非平稳信号，以及时域特征和频域特征之间存在互补性等特点，利用三维加速度传感器采集到的三维加速度时域RF旋转特征，融合三维加速度的频域FFT特征，得到手写识别系统的时频域特征——RF+FFT特征，该特征能更好地体现时域特征以及频域特征的互补性，从而可以构建性能更加优良的3D空间手写识别系统；另一方面由于两种主流的特征降维算法PCA和LDA各有优缺点，可以利用PCA+LDA组合的方法对融合后的特征进行降维，这样一来，吸收两者的优点，弥补它们的缺点，在PCA和LDA之间找到一个平衡点，从而可以有效地提高手写识别系统的识别率。

附图说明

图1本发明的核心技术要点的步骤框图。

图2本发明的3D手写识别特征集取方法流程图。

具体实施方式

本发明的核心技术要点涉及特征提取和特征降维，详见图1所示。

本发明的具体流程步骤如图2所示，下面结合图2和具体实施方式对本发明做进一步的详细说明。

该方法对3D手写识别系统进行特征集取，具体的实施方式步骤包括：

1.获取原始数据：本发明采用ADI公司的三维加速度传感器评估板EVAL-ADXL345Z-M进行数据的采集，实验对象是10个阿拉伯数字0、1、2、3、4、5、6、7、8、9。字符样本数据集的采集工作由同一实验室的20名同学完成：每个阿拉伯数字均收集180组样本数据，即这20名试验者可以按照自己的书写习惯利用三维加速度传感器在空中自由书写0、1、2、3、4、5、6、7、8、9这10个数字各9次。

2.特征提取：在原始时域特征提取中，基于三维加速度传感器的3D手写识别系统的加速度特征、速度特征和位移特征的平均识别率分别为70.24%、72.37%、74.62%，而RF旋转特征能够取得更高的平均识别率81.63%，因此选择RF旋转特征作为3D手写识别系统的时域特征；在原始频域特征提取中，基于三维加速度传感器的3D手写识别系统利用DCT变换特征的平均识别率只有70.53%，而其FFT变换特征能够取得更高的平均识别率77.34%，因此选择FFT变换特征作为3D手写识别系统的频域特征。

3.特征融合：在选取3D手写识别系统较优的原始时域特征和原始频域特征以后，结合时域和频域特征的互补性，可以将它们进行特征融合，以获得手写识别系统的时频域融合特征。本发明中采用串行方法进行特征融合，其优点是算法简单，易于实现，并且在一定程度上可以消除原始特征之间的冗余信息。

4.特征降维：结合3D手写识别系统的特点，将PCA+LDA组合降维算法应用于3D手写识别特征降维中，先利用PCA将高维的原始样本压缩，接着再PCA变换空间内，用LDA进行特征抽取。这样一来，PCA+LDA可以正好吸收了两者的优点，弥补它们的缺点，在PCA和LDA之间找到一个平衡点，也就是得到一个更加有效地投影矩阵，PCA+LDA对每类训练样本数较少的识别问题是非常有效的。

5.分类识别：在得到的每个数字180组样本数据库中，通过随机抽取的方法，各抽取其中的144组样本数据作为支持向量机的训练样本数据，将每个数字剩下的36组样本数据作为其测试样本。并且使用LIBSVM软件包实现SVM分类识别，核函数选用径向基函数，进行三次试验，取三次试验的平均识别率。实验结果显示，采用本发明的方法得到的基于三维加速度传感器的3D手写系统的识别率高达90.94%，远高于单独的时域特征得到的识别率81.63%或者单独的频域特征得到的识别率77.34%。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims

1. 一种3D手写识别特征集取方法，其特征在于包括以下步骤：

获取原始数据：采用ADI公司的三维加速度传感器评估板EVAL-ADXL345Z-M进行数据的采集；

特征提取：提取识别率较高的旋转特征作为3D手写识别系统的时域特征，提取识别率较高的快速傅氏变换特征作为3D手写识别系统的频域特征；

特征融合：采用串行方法进行时域和频域特征融合，得到时频域融合特征；

特征降维：利用主成分分析和线性鉴别分析组合算法降维；

分类识别：使用支持向量机库软件包实现支持向量机分类识别，核函数选用径向基函数，进行三次试验，取三次试验的平均识别率。