CN105447506A - 一种基于区间分布概率特征的手势识别方法 - Google Patents

Abstract

本发明涉及一种基于区间分布概率特征的手势识别方法，包括：S1、利用红外传感技术，以设定的频率f采集手势的红外反射信号和红外温度信号；S2、通过红外温差变化判断是否目标动作；S3、自动检测手势运动段，并对其进行去噪归一、插值归整处理，得到的新的数据段；S4、特征提取，同时，利用标准手势原始数据建立手势特征模版作为训练样本；S5、最后，利用KNN法识别测试样本手势类型，本发明的方法简单直观，无监督学习过程，对常见动态手势的识别率高，实时性好，且对环境因素的变化或手势过程的差异包容性大，有较好的鲁棒性。

Description

一种基于区间分布概率特征的手势识别方法

技术领域

本发明涉及人机交互技术领域，更具体的说，是涉及一种基于区间分布概率特征的手势识别方法。

背景技术

手势识别技术是目前人机交互领域的研究热点，具有广阔的应用前景，由于手势本身具有多义多样性以及时空上的差异性，手势识别技术还有很大发展空间。传统的手势识别主要有基于可穿戴传感器的接触式和基于计算机视觉的非接触式两类。基于可穿戴传感器的识别方式需要用户佩戴专业设备，不受外界环境背景变化的影响，计算量较小，具有更好的实时性，但存在使用不便、成本高等不足。基于计算机视觉的识别方法虽然解决了适用范围问题，但对设备、环境要求较严，且算法较复杂，实时性较差。

目前针对手势识别主要有模版匹配、特征提取、神经网络和隐马尔科夫模型等识别方法被广泛采，但这些识别算法较复杂或存储空间需求大，随着识别手势的增多，系统存储空间不够或识别速度过慢影响交互效率，难以满足在线识别的要求。

综上所述当前智慧家庭、工业控制，人机交互领域还需要一种简便易行、在线实时性好且成本低廉非接触式的手势动作识别系统。

发明内容

有鉴于此，有必要针对上述问题，提供一种基于区间分布概率特征的手势识别方法，手势识别率高，实用性强，提高了在线识别的动态实时性，大大减小运算复杂度。

为实现上述目的，本发明的技术方案如下：

一种基于区间分布概率特征的手势识别方法，包括以下步骤：

S1、特征采集，通过红外传感技术，检测红外场域内目标运动变化过程中的红外反射信号和红外温度信号；

S2、目标判断，对采集到的红外温度信号进行温差对比，判断检测到的温度是否是人手温度，若是则进入步骤S3，若否则返回S1；

S3、信号预处理，检测手势运动段，对检测到的手势运动段去噪归一，并插值取整将手势动作长度统一为N；

S4、特征提取，划分S个运动区间，提取区间分布概率特征P＝[p₁,p₂,…,p_N]，计算P的均方差σ，判断是否平面手势，并输出手势特征序列，利用标准手势原始数据建立的手势特征模版并作为训练样本；

S5、手势识别，通过KNN(K-NearestNeighbor，最邻近规则分类)算法，计算测试样本与训练样本之间的距离，找出该测试样本的K个最近距离，将测试样本划分为K个最近距离的类别最大的一类。

作为优选的，所述步骤S3具体包括：

S301、通过设置门限阀值自动检测手势运动阶段红外反射强度的滑动窗口，手势的开始段和结束短，红外反射强度可用常量表示，手势的动作段红外反射强度明显增大

S302、对手势运动数据进行滤波处理，采用五点三次平滑滤波算法，利用最小二乘法原理对离散数据进行二次加权平滑滤波，再对其进行幅度归一化处理；

S303、进行插值规整，消除手势的速度差异对识别结果的影响，通过样条插值法或牛顿插值法将手势动作长度统一为N，获得手势动作特征。

作为优选的，所述步骤S4具体包括：

根据M种手势的运动方向特征在同一平面上划分S个不同的运动区间，获取手势的区间分布概率矩阵：

$p=\[p_1,p_2,\mathrm{...},p_N\]=\left[\begin{array}{cccc}{p}_1\left(1\right)& p_2\left(1\right)& \mathrm{...}& p_N\left(1\right)\\ p_1\left(2\right)& p_2\left(2\right)& \mathrm{...}& p_N\left(2\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ p_1\left(s\right)& p_2\left(s\right)& \mathrm{...}& p_N\left(s\right)\end{array}\right],$

其中p_t(i)(1≤i≤s,1≤t≤N)表示运动区间i在采样点t处的概率；

计算N个采样点的区间分布概率的均方差：

σ＝[σ₁,σ₂,…,σ_N]， ${\mathrm{\σ}}_t=\sqrt{\frac{1}{s}\underset{i=1}{\overset{s}{\Σ}}{\left(p_t\right(i)-\stackrel{\‾}{p_t})}^2},\left(1\≤t\≤N\right)$

算出均方差大于某一特定阀值κ的权重:

当Q＞0.5时，手势特征采用基于区间分布概率特征的区间序列R表示；当Q＜0.5时，采用概率特征和(总的红外反射量)E表示，同时，利用标准手势原始数据在PC机上建立的手势特征模版作为训练样本。

作为优选的，所述步骤S5中，计算测试样本与训练样本之间的距离，采用欧式距离表示，为了避免邻近数相同，K值取奇数。

进一步的，所述步骤S4中，当Q＞0.5时，手势特征采用基于区间分布概率特征的区间序列R表示，根据采样点t处的区间概率矩阵P_t，分析MaxP_t对应的运动区间，输出N个采样区间序列R＝{R₁,R₂,...,R_N}，例如在采样点t处，MaxP_t＝P_t(i)，则R_t＝i，(1<i<S)；当Q＜0.5时，采用概率特征和(总的红外反射量)E表示，E＝[E₁,E₂,…,E_t]， $E_t=\underset{i=1}{\overset{S}{\&Sigma;}}{p}_t\left(i\right)\underset{i=1}{\overset{m}{\&Sigma;}}{x}_i\left(t\right),(1\&le;t\&le;N).$

进一步的，所述步骤S3中，根据M种手势的运动方向特征在同一平面上划分S个不同的运动区间，至少可判断平面上S种动态手势，非平面或z轴手势至少可判断从上到下、从下到上和悬停3种动作手势。

作为优选的，所述步骤S1中具体包括：利用红外传感技术，以设定的频率f检测红外场域内目标运动变化过程中的红外反射信号和红外温度信号，设X(t)＝[x₁(t),x₂(t),…,x_m(t),T(t)]为t时刻采样的红外信号，x_i(t)表示t时刻第i个红外反射信号，T(t)表示t时刻采集的红外温度值。

作为优选的，所述步骤S2中具体包括：将S1采集的红外温度信号T(t)和前n个采样点逐个进行比较，设定比较差值△T，若||T(t)-T(t-n)||≥ΔT则进入步骤S3，若否则返回步骤S1。

与现有技术相比，本发明的有益效果在于：

1、识别过程利用红外传感技术获取手势的红外反射信号，具有敏感度高、受环境光干扰小和成本低等优点，没有大量复杂计算公式或递归运算，与相对复杂的模糊神经网络或隐马尔科夫模型的手势识别算法相比，提高了在线识别的动态实时性。

2、对常见手势识别率高，实用性强，可应用到多种场合，如家庭娱影设备的控制。本发明利用红外传感器获取手势信息后自动检测动态手势，然后将完整手势映射到不同区间，建立不同手势的区间分布概率特征模型，通过KNN分类算法实现手势判断。

3、用基于区间分布概率特征的算法，大大减小运算复杂度，所需存储空间小，对常见手势的在线识别率高，特别适用家庭娱影设备控制，如电视、照明、风扇和空调等设备的舒适、方便控制。

附图说明

图1是基于区间分布概率特征的手势识别方法流程框图；

图2是本法明的方法的具体流程示意图；

图3是本发明方法中手势识别特征采集信号中红外反射信号强度图；

图4是本发明方法中手势识别特征采集信号中温度放大10倍时的信号图；

图5是本发明方法中手势动作运动检测图；

图6是本发明方法中手势动作插值规整图；

图7是本发明方法中不同手势对应不同运动区间分布概率特征图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于区间分布概率特征的手势识别方法作进一步说明。

以下是本发明所述的一种基于区间分布概率特征的手势识别方法的最佳实例，并不因此限定本发明的保护范围。

图1示出了本发明的一种基于区间分布概率特征的手势识别方法的流程示意图，包括以下步骤：

S1、特征采集

利用红外传感技术，以设定的频率检测红外场域内目标运动变化过程中的红外反射信号和温度信号，本实施例中每组采样获取m+1维采样特征，设x(t)＝[x₁(t),x₂(t),…,x_m(t),T(t)]为t时刻采样的红外信号，x_i(t)表示t时刻第i个红外反射信号，T(t)表示t时刻采集的红外温度值，如图2所示。

S2、目标判断

将S1采集的红外温度信号T(t)和前n个采样点逐个进行比较，若||T(t)-T(t-n)||≥ΔT继续下一步骤，否侧返回上一步。

S3、信号预处理

首先是手势的运动检测S301，然后对检测到的手势运动段进行去噪归一S302，为消除手势的速度差异对识别结果的影响，进行插值规整S303，数据长度统一为N。

所述S3对采样数据进行预处理具体内容如下：

S301、如图3所示，通过设置门限阀值自动检测手势运动阶段红外反射强度的滑动窗口，手势的开始段和结束短，红外反射强度可用常量表示，手势的动作段红外反射强度明显增大。设f(x)＝Σx，Threshold为运动检测的门限阈值。当f(x)>Threshold时表示手势开始，该采样点为手势动作数据点，直到f(x)<Threshold手势结束。设手势动作段长度为n，则手势动作特征

S302、由于周围环境产生的小幅高频干扰信号，首先对手势运动数据进行滤波处理，可采用简单的五点三次平滑滤波算法，它是利用最小二乘法原理对离散数据进行二次加权平滑滤波，再对其进行幅度归一化处理。

S303、为消除手势的速度差异对识别结果的影响，进行插值规整，可通过样条插值法或牛顿插值法插值算法将手势动作长度统一为N，如图4所示，N＝100。本实施例中采用三次样条平滑插值法，获得手势动作特征

S4、特征提取

根据M种手势的运动方向特征在同一平面上划分S个不同的运动区间，获取手势的区间分布概率矩阵：

$p=\&lsqb;p_1,p_2,\mathrm{...},p_N\&rsqb;=\left[\begin{array}{cccc}{p}_1\left(1\right)& p_2\left(1\right)& \mathrm{...}& p_N\left(1\right)\\ p_1\left(2\right)& p_2\left(2\right)& \mathrm{...}& p_N\left(2\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ p_1\left(s\right)& p_2\left(s\right)& \mathrm{...}& p_N\left(s\right)\end{array}\right],$

其中p_t(i)(1≤i≤s,1≤t≤N)表示在采样点t处运动区间i的红外反射概率；

如图5所示，S＝4，不同的手势对应不同的区间分布概率图。

计算N个采样点的区间分布概率的均方差

σ＝[σ₁,σ₂,…,σ_N]，其中 ${\mathrm{\&sigma;}}_t=\sqrt{\frac{1}{s}\underset{i=1}{\overset{s}{\&Sigma;}}{\left(p_t\right(i)-\stackrel{\&OverBar;}{p_t})}^2},\left(1\&le;t\&le;N\right)$

算出均方差大于某一特定阀值κ的权重，本实例中K值取0.025

当Q＞0.5时，表示平面手势，手势特征采用基于区间分布概率特征的区间序列R表示。根据采样点t处的区间概率矩阵P_t，分析MaxP_t对应的运动区间，输出N个采样区间序列R＝{R₁,R₂,...,R_N}，例如在采样点t处，MaxP_t＝p_t(i)，则R_t＝i，(1<i<S)。

当Q≤0.5时，表示Z轴手势，手势特征采用概率特征和(总的红外反射量)E表示，其中E＝[E₁,E₂,…,E_t], $E_t=\underset{i=1}{\overset{S}{\&Sigma;}}{p}_t\left(i\right)\underset{i=1}{\overset{m}{\&Sigma;}}{x}_i\left(t\right),(1\&le;t\&le;N).$

S5、KNN识别

在本实施中，通过KNN(K-NearestNeighbor，最邻近规则分类)算法，，计算测试样本与训练样本之间的欧式距离：

$D_{ij}={(X_i-X_j)}^T(X_i-X_j)=\sqrt{\underset{k=1}{\overset{m}{\&Sigma;}}{(x_{ik}-x_{jk})}^2},$

其中，D_ij表示测试样本i与训练样本j间的欧式距离，x_ik表示样本i的第K维特征，m表示样本特征维数。

找出该测试样本的K个最近距离，将测试样本划分为K个最近距离的类别最大的那一类，最后将识别结果输出显示。

综上所述，本发明的有益效果在于：

1、识别过程利用红外传感技术获取手势的红外反射信号，具有敏感度高、受环境光干扰小和成本低等优点，没有大量复杂计算公式或递归运算，与相对复杂的模糊神经网络或隐马尔科夫模型的手势识别算法相比，提高了在线识别的动态实时性。

2、对常见手势识别率高，实用性强，可应用到多种场合，如家庭娱影设备的控制。本发明利用红外传感器获取手势信息后自动检测动态手势，然后将完整手势映射到不同区间，建立不同手势的区间分布概率特征模型，通过KNN分类算法实现手势判断。

3、用基于区间分布概率特征的算法，大大减小运算复杂度，所需存储空间小，对常见手势的在线识别率高，特别适用家庭娱影设备控制，如电视、照明、风扇和空调等设备的舒适、方便控制。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于区间分布概率特征的手势识别方法，其特征在于，包括以下步骤：

S1、特征采集，通过红外传感技术，检测红外场域内目标运动变化过程中的红外反射信号和红外温度信号；

S2、目标判断，对采集到的红外温度信号进行温差对比，判断检测到的温度是否是人手温度，若是则进入步骤S3，若否则返回S1；

S3、信号预处理，检测手势运动段，对检测到的手势运动段去噪归一，并插值取整将手势动作长度统一为N；

S4、特征提取，划分S个运动区间，提取区间分布概率特征P＝[p₁,p₂,…,p_N]，计算P的均方差σ，判断是否平面手势，并输出手势特征序列，利用标准手势原始数据建立的手势特征模版并作为训练样本；

S5、手势识别，计算测试样本与训练样本之间的距离，找出该测试样本的K个最近距离，将测试样本划分为K个最近距离的类别最大的一类。

2.根据权利要求1所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S3具体包括：

S301、通过设置门限阀值自动检测手势运动阶段红外反射强度的滑动窗口，手势的开始段和结束短，红外反射强度可用常量表示，手势的动作段红外反射强度明显增大

S302、对手势运动数据进行滤波处理，采用五点三次平滑滤波算法，利用最小二乘法原理对离散数据进行二次加权平滑滤波，再对其进行幅度归一化处理；

S303、进行插值规整，消除手势的速度差异对识别结果的影响，通过样条插值法或牛顿插值法将手势动作长度统一为N，获得手势动作特征。

3.根据权利要求1所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S4具体包括：

根据M种手势的运动方向特征在同一平面上划分S个不同的运动区间，获取手势的区间分布概率矩阵：

$P=\&lsqb;p_1,p_2,...,p_N\&rsqb;=\left[\begin{array}{cccc}{p}_1\left(1\right)& p_2\left(1\right)& ...& p_N\left(1\right)\\ p_1\left(2\right)& p_2\left(2\right)& ...& p_N\left(2\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ p_1\left(s\right)& p_2\left(s\right)& ...& p_N\left(s\right)\end{array}\right],$

其中p_t(i)(1≤i≤s,1≤t≤N)表示运动区间i在采样点t处的概率；

计算N个采样点的区间分布概率的均方差：

$\mathrm{\&sigma;}=\&lsqb;{\mathrm{\&sigma;}}_1,{\mathrm{\&sigma;}}_2,...,{\mathrm{\&sigma;}}_N\&rsqb;,{\mathrm{\&sigma;}}_t=\sqrt{\frac{1}{s}\underset{i=1}{\overset{s}{\&Sigma;}}{\left(p_t\right(i)-\stackrel{\&OverBar;}{p_t})}^2},(1\&le;t\&le;N)$

算出均方差大于某一特定阀值κ的权重:

当Q＞0.5时，手势特征采用基于区间分布概率特征的区间序列R表示；当Q＜0.5时，采用概率特征和(总的红外反射量)E表示，同时，利用标准手势原始数据在PC机上建立的手势特征模版作为训练样本。

4.根据权利要求1所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S5中，计算测试样本与训练样本之间的距离，采用欧式距离表示，为了避免邻近数相同，K值取奇数。

5.根据权利要求3所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S4中，当Q＞0.5时，手势特征采用基于区间分布概率特征的区间序列R表示，根据采样点t处的区间概率矩阵P_t，分析MaxP_t对应的运动区间，输出N个采样区间序列R＝{R₁,R₂,...,R_N}，例如在采样点t处，MaxP_t＝P_t(i)，则R_t＝i，(1<i<S)；当Q＜0.5时，采用概率特征和(总的红外反射量)E表示， $E=\&lsqb;E_1,E_2,...,E_t\&rsqb;,E_t=\underset{i=1}{\overset{S}{\&Sigma;}}{p}_t\left(i\right)\underset{i=1}{\overset{m}{\&Sigma;}}{x}_i\left(t\right),(1\&le;t\&le;N).$

6.根据权利要求3所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S3中，根据M种手势的运动方向特征在同一平面上划分S个不同的运动区间，至少可判断平面上S种动态手势，非平面或z轴手势至少可判断从上到下、从下到上和悬停3种动作手势。

7.根据权利要求1所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S1中具体包括：利用红外传感技术，以设定的频率f检测红外场域内目标运动变化过程中的红外反射信号和红外温度信号，设X(t)＝[x₁(t),x₂(t),…,x_m(t),T(t)]为t时刻采样的红外信号，x_i(t)表示t时刻第i个红外反射信号，T(t)表示t时刻采集的红外温度值。

8.根据权利要求7所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S2中具体包括：将S1采集的红外温度信号T(t)和前n个采样点逐个进行比较，设定比较差值△T，若||T(t)-T(t-n)||≥ΔT则进入步骤S3，若否则返回步骤S1。

9.根据权利要求1所述的基于区间分布概率特征的手势识别方法，其特征在于，所述步骤S2中，通过KNN(K-NearestNeighbor，最邻近规则分类)算法，计算测试样本与训练样本之间的距离，找出该测试样本的K个最近距离，将测试样本划分为K个最近距离的类别最大的一类。