CN106371587A - 一种简单有效的手势识别方法 - Google Patents

Abstract

本发明公开一种简单有效的手势识别方法，基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。但是由于准确率及实时性的限制,目前的手势识别方法仍不足以推向实用。针对这一问题,本发明提出了一种简单有效的手势识别方法:在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别,通过提取反映各类手势运动学特征的加速度特征量,利用决策树分类器对手势进行预分类,然后根据各类手势的加速度变化规律识别具体的手势；该方法在15位实验者中获得了95.2%的平均准确率,识别时间小于0.01s,对基于MEMS加速度传感器的手势识别完全可以到应用效果。

Description

一种简单有效的手势识别方法

技术领域

本发明设计传感器算法领域,尤其涉及一种简单有效的手势识别方法。

背景技术

在现代社会中, 随着智能穿戴产品的发展, 人们日常生活中必不可少的通讯和娱乐工具,其主要的交互方式是键盘和触摸屏,而这两种交互方式都不可避免地将用户限制在了设备屏幕之上,降低了操作效率和用户体验。手势拥有自然 、直接 、易于学习等优点,将其作为移动电子设备现有交互式的一个补充,将一些简单、频繁的操作采用手势输入,可增强操作的便捷性和趣味性,提升用户体验。

目前,基于加速度传感器的手势识别方法主要有动态时间规整。然而由于个体差异,同一手势的加速度数据(如幅值、手势长度等)存在较大差异；即使同一个体,同一手势的加速度数据也存在差异。因此上述方法难以建立准确的手势模板和隐马尔卡夫模型,识别准确率较低,个体适应性较差；由于 DTW算法的计算量大,随着手势数量的增加,算法实时性将大大降低；并且由于加速度传感器无法获取设备姿态信息，用户只能严格地在给定的设备姿态下操 作,这给用户造成了极大的不便。鉴于此,本文提出通过提取反映各类手势运动学特征的加速度特征量及变化规律对手势进行识别,以提高对个体差异的适应性,增强算法鲁棒性和实时性；对于甩动和晃动手势,通过加速度计与陀螺仪相结合获得设备姿态 信息,将设备坐标系下的加速度转换到用户坐标系 再对其进行识别,简化了这两类手势的识别,同时提高了识别准确率。此外,由于敲击和翻转类手势的识别本身不需要姿态信息,因此本文的十个手势完 全取消了设备姿态的限制,用户可以在任意设备姿 态下操作手势。

本发明提出了一种简单有效的手势识别方法: 在手势定义阶段根据语义及操作的相似性将10个手势分为 4 个类别,通过提取反映各类手势运动学特征的加速度特征量,利用决策树分类器对手势进行预分类,然后根据各类手势的加速度变化规律识别具体的手势；同时通过严格的特征量阈值,有效地去除了无意识的误动作。该方法在15位实验者中获得了 95.2% 的平均准确率,识别时间小于 0.01s,对基于MEMS加速度传感器的手势识别完全可以到应用效果。

发明内容

本发明主要是解决现有产品所存在的技术问题，从而提供一种简单有效的手势识别方法，具体为：

a) 手势定义：在系统中定义有意义的手势，手指在空中画出0-9的轨迹定位为有效手势,并确定其书写规范；

b) 手势建模：鉴于加速度数据的时序性,选用 Bakis类型 HMM 分别对各个手势动作进行建模,并初始化模型参数 λi = ( A,B,π)；

c) 手势动作模型训练分别反复采集各个手势动作信号的数据,并利用Baum-Welch算法来对手势模型 λi 进行训练,使模型参数 尽可能趋于收敛,得出对应手势的最优 λi；

d）手势识别：选用 Viterbi 算法作为各个手势对应的 HMM 识别方法,即将输入手势的加速度特征序列分别与训练好的 λi 进行计算评估,取其概率输出最大的 λi 为对应手势动作的识别结果。

一种简单有效的手势识别方法，手势动作和静止时的加速度信号,用( x,y,z) 表示 X,Y,Z 三个轴的加速度信号,记 t 时刻加速度计的值 s( t) = ( x( t) ,y( t) ,z(t) ) 为手势动作产生的加速度信号量。当手动作时,采集的三轴加速度计原始值变化剧烈( 虚线框内)；反之,则波动较小；为了监测判断手势动作的起点和终点,采用算式Δst =|x(t) -x(t-1)|+|y(t) -y(t-1)|+
|z(t) -z(t-1) |，即门限阈值和信号差分运算来凸显加速度的变化量,以便自动截取手势的有效数据；

同时，为了尽量滤除噪声和确保手势数据的完整性,取 N 个采样数据的差分运算结果进行均值计算,并分别设置两个阈值：Start,End，对应活动的开始与结束,且开始阈值大于结束阈值。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种简单有效的手势识别方法的系统流程图。

具体实施方式

下面结合本发明的附图对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1所示：

首先,用户佩戴加速度传感器设备采集手部动作的加速度信号,经过高通滤波和归一化 等预处理后发送给智能主机端( PC)；数据经过特征提取等 后期处理后作为 HMM学习模型的训练样本,在完成训练之后,学习模型即可对用户的特定手势进行有效的识别,并可将手势识别结果与计算机操作指令相结合来完成一些人机交互应用。

一种简单有效的手势识别方法，具体为：

a) 手势定义：在系统中定义有意义的手势，手指在空中画出0-9的轨迹定位为有效手势,并确定其书写规范；

b) 手势建模：鉴于加速度数据的时序性,选用 Bakis类型 HMM 分别对各个手势动作进行建模,并初始化模型参数 λi = ( A,B,π)；

c) 手势动作模型训练分别反复采集各个手势动作信号的数据,并利用Baum-Welch 算法来对手势模型 λi 进行训练,使模型参数 尽可能趋于收敛,得出对应手势的最优 λi ；

d）手势识别：选用 Viterbi 算法作为各个手势对应的 HMM 识别方法,即将输入手势的加速度特征序列分别与训练好的 λi 进行计算评估,取其概率输出最大的 λi 为对应手势动作的识别结果。

一种简单有效的手势识别方法，手势动作和静止时的加速度信号,用( x,y,z) 表示 X,Y,Z 三个轴的加速度信号,记 t 时刻加速度计的值 s( t) = ( x( t) ,y( t) ,z(t) ) 为手势动作产生的加速度信号量。当手动作时,采集的三轴加速度计原始值变化剧烈( 虚线框内)；反之,则波动较小；为了监测判断手势动作的起点和终点,采用算式Δst =|x(t) -x(t-1)|+|y(t) -y(t-1)|+
|z(t) -z(t-1) |，即门限阈值和信号差分运算来凸显加速度的变化量,以便自动截取手势的有效数据；

同时，为了尽量滤除噪声和确保手势数据的完整性,取 N 个采样数据的差分运算结果进行均值计算,并分别设置两个阈值：Start,End，对应活动的开始与结束,且开始阈值大于结束阈值。

由于三轴加速度数据包含了重力信息,且每个轴受重力分量的影响随手势动作状态而相应变化,为了 更准确地反映手势动作信号,使用高通滤波去除重力分量, 得出净加速度信号A(t) =(x(t),y(t),z(t))。另外,鉴于 人手动作的差异性,不同个体做相同动作时加速度信号幅度和速度各不相同，这将会对识别精度造成影响，因此，通过线性插值的方法对加速度信号进行归一化处理。

显然，上述实施例仅仅是为清楚地说明所作的举例，而不是全部的实施例，并不用以限制本发明。对于所属领域的普通技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种简单有效的手势识别方法，其特征在于，具体为：

a) 手势定义：在系统中定义有意义的手势，手指在空中画出0-9的轨迹定位为有效手势,并确定其书写规范；

b) 手势建模：鉴于加速度数据的时序性,选用 Bakis类型 HMM 分别对各个手势动作进行建模,并初始化模型参数 λi = ( A,B,π)；

c) 手势动作模型训练分别反复采集各个手势动作信号的数据,并利用Baum-Welch 算法来对手势模型 λi 进行训练,使模型参数 尽可能趋于收敛,得出对应手势的最优 λi ；

d）手势识别：选用 Viterbi 算法作为各个手势对应的 HMM 识别方法,即将输入手势的加速度特征序列分别与训练好的 λi 进行计算评估,取其概率输出最大的 λi 为对应手势动作的识别结果。

2.一种简单有效的手势识别方法，其特征在于，手势动作和静止时的加速度信号,用(x,y,z) 表示 X,Y,Z 三个轴的加速度信号,记 t 时刻加速度计的值 s( t) = ( x( t) ,y( t) ,z( t) ) 为手势动作产生的加速度信号量;

当手动作时,采集的三轴加速度计原始值变化剧烈 ( 虚线框内)；反之,则波动较小；为了监测判断手势动作的起点和终点,采用算式Δst =|x(t) -x(t-1)|+|y(t) -y(t-1)|+|z(t) -z(t-1) |，即门限阈值和信号差分运算来凸显加速度的变化量,以便自动截取手势的有效数据；

同时，为了尽量滤除噪声和确保手势数据的完整性,取 N 个采样数据的差分运算结果进行均值计算,并分别设置两个阈值：Start,End，对应活动的开始与结束,且开始阈值大于结束阈值。