CN107346207B - 一种基于隐马尔科夫模型的动态手势切分识别方法 - Google Patents

一种基于隐马尔科夫模型的动态手势切分识别方法 Download PDF

Info

Publication number
CN107346207B
CN107346207B CN201710521847.8A CN201710521847A CN107346207B CN 107346207 B CN107346207 B CN 107346207B CN 201710521847 A CN201710521847 A CN 201710521847A CN 107346207 B CN107346207 B CN 107346207B
Authority
CN
China
Prior art keywords
data
gesture
sub
hidden markov
training sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710521847.8A
Other languages
English (en)
Other versions
CN107346207A (zh
Inventor
代雨锟
黄昌正
周言明
韦伟
钟嘉茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DONGGUAN YILIAN INTERATION INFORMATION TECHNOLOGY Co.,Ltd.
GUANGZHOU HUANJING TECHNOLOGY Co.,Ltd.
Original Assignee
Guangzhou Science And Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Science And Technology Co Ltd filed Critical Guangzhou Science And Technology Co Ltd
Priority to CN201710521847.8A priority Critical patent/CN107346207B/zh
Publication of CN107346207A publication Critical patent/CN107346207A/zh
Application granted granted Critical
Publication of CN107346207B publication Critical patent/CN107346207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/014—Hand-worn input/output arrangements, e.g. data gloves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于隐马尔科夫模型的动态手势切分识别方法，包括训练隐马尔科夫模型(HMM)和连续动态手势切分与识别；本发明可以有效实时的检测出连续动态手势的起始点和终止点，进一步提高了手势别人的实时性，符合人们正常手势交流的习惯，使手势交流更加自然流畅，并且本发明结合加权处理，有效切分复杂手势序列，减少冗余数据，进一步识别提取出动态手势中能量较大的有效手势，提高了手势切分后手势识别的识别率，从而进一步提高手势识别精度和效率，并且能有效的解决实时场景下，连续动态手势的时空差异性问题和手势开始到结束间的手势切分问题。

Description

一种基于隐马尔科夫模型的动态手势切分识别方法
技术领域
本发明涉及人工智能及模式识别技术领域，尤其是一种基于隐马尔科夫模型的动态手势切分识别方法。
背景技术
随着手机触摸操作和人体跟踪识别的发展，人们体会到了手势交互方式具有以人为中心的自然性，简洁性，和直接性等优势，基于人手智能输入的交互界面正在成为新的技术趋势，尤其是随着沉浸式虚拟现实新设备的兴起，各种交互方案被用来提高沉浸式体验，其中以手势交互最为简洁、直接、自然。
手势识别作为一种人机交互手段，已广泛应用于增强现实，虚拟现实，体感游戏等场景，对于这些应用场景，操作手势是随机嵌入在连续动作流当中的，目前许多基于视觉的手势识别系统都假设输入的各个动作间存在停顿或已经切分好的独立手势，而在实时场景下的应用研究相对较少，在实际应用条件下难以在复杂手势流中定位具有操作意义手势的开始和结束关键点；并且同一种手势由于执行速度不同和动作幅度不同而不可避免地带有时空差异性，对识别的准确率和鲁棒性会造成很大影响，造成了自动切分困难，实时性差，以及手势识别率不高的问题。
发明内容
针对现有技术的不足，本发明提供一种基于隐马尔科夫模型的动态手势切分识别方法。
本发明的技术方案为：一种基于隐马尔科夫模型的动态手势切分识别方法，包括训练隐马尔科夫模型(HMM)和连续动态手势切分与识别；
S1)、训练隐马尔科夫模型(HMM)
S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据，其中，每个手势的手部姿态数据包括M个子训练样本，每个训练样本包括t个时刻，每个时刻包含n个特征数据，每个子训练样本的数据表示为S＝(s1,1,s1,2,...s1,t；s2,1,s2,2,...s2,t；...；sn,1,sn,2,...sn,t)，其中，si,j表示该样本S第j时刻第i个特征的数据；
S102)、对每个子训练样本S进行差分预处理，得到同一特征数据相邻两时刻数据之间的差距di,j，同一手势相邻两时刻之间的差距di,j＝si,j+1-si,j，差分预处理后的子训练样本的数据为D＝(d1,1,d1,2,...d1,t-1；d2,1,d2,2,...d2,t-1；...；dn,1,dn,2,...dn,t-1)；
S103)、针对每个差分预处理后的子训练样本的数据D计算得到其总能量W，其表达式为：
其中，wi表示子训练样本D第i维特征的能量，W表示该子训练样本D的总能量，其第i维特征数据的能量为：
S104)、对子训练样本的数据S进行加权处理，根据计算得到相应子训练样本数据每一维特征数据的权值qi，其中，qi表示子训练样本数据D的第i维特征的权值，将该子训练样本数据每一维特征的权值qi与其不同时刻的对应维特征数据si,t相乘，从而实现对子训练样本数据S进行加权处理；
S105)、采用kmeans聚类算法对加权后的子训练样本数据S进行离散化处理，将子训练样本数据S表示为S＝(s1,s2,...st)，其中，Sj＝(s1,j,s2,j,...sn,j)表示j时刻的手部姿态数据，预设m个类别，随机初始化m个聚类中心，m个类别的聚类中心分别记为Cz(z＝1,2,...m)，通过计算每一时刻手部姿态数据的类别，其中Gj表示j时刻的手部姿态数据的类别，然后对每一个类别Gj，重新计算其聚类中心式中|cz|表示第z个类别中样本的个数，若其聚类中心Cz不变，则其收敛，离散化过程结束，并将每个时刻的手部姿态数据用其相应的类别表示；
S106)、分别将离散化处理后的每个手势的M个子训练样本数据S输入到隐马尔科夫模型(HMM)中，结合模型的前向-后向算法(Baum-Welch)训练得到每个手势的HMM参数λ，从而得到K个手势相关的训练好的隐马尔科夫模型(HMM)；
S2)、连续动态手势切分与识别
S201)、数据采集，通过数据手套获取需要测试的连续的动作手势数据作为测试数据；
S202)、手势识别，按照步骤S102)对测试数据进行差分处理，并按照步骤S103)计算差分处理后的测试数据的能量累加和，若某一时间段能量累加和变化激增，则该时间段的手势为有效手势，对该段有效的连续手势进行切分并提取该段有效手势；
S203)、加权处理，按照步骤S104对步骤S202)中提取的有效手势进行加权处理；
S204)、离散化处理，并根据步骤S105)中的聚类中心Cz，将该有效手势归类到距离相应聚类中心Cz最近的类别，并用相应的类别号表示该有效手势；
S205)、将加权处理与离散化处理后的有效手势分别输入到K个手势对应的训练好的隐马尔科夫模型(HMM)中，计算该有效手势在不同手势对应的隐马尔科夫模型(HMM)下的概率值，并将概率值最大的隐马尔科夫模型(HMM)对应的手势作为识别结果。
所述的手部姿态数据包括手指弯曲数据、手掌的方位数据；
所述的手指弯曲数据可以为通过弯曲传感器采集的弯曲度数据，也可以为通过惯性传感器采集的手指弯曲方向的旋转数据；
所述的手掌的方位数据可以是通过惯性传感器采集的方位数据，也可以是通过光学定位获取的方位数据；
本发明的有益效果为：可以有效实时的检测出连续动态手势的起始点和终止点，进一步提高了手势别人的实时性，符合人们正常手势交流的习惯，使手势交流更加自然流畅，并且本发明结合加权处理，有效切分复杂手势序列，减少冗余数据，进一步识别提取出动态手势中能量较大的有效手势，提高了手势切分后手势识别的识别率，从而进一步提高手势识别精度和效率，并且能有效的解决实时场景下，连续动态手势的时空差异性问题和手势开始到结束间的手势切分问题。
附图说明
图1为本发明的流程图；
图2为本实施例的能量累加的示意图；
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1所示，一种基于隐马尔科夫模型的动态手势切分识别方法，包括隐马尔科夫模型(HMM)的训练和连续动态手势切分与识别；
S1)、训练隐马尔科夫模型(HMM)。
S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据，其中，每个手势的手部姿态数据包括M个子训练样本，每个子训练样本包括t个时刻，每个时刻包含n个特征数据，每个子训练样本的数据表示为S＝(s1,1,s1,2,...s1,t；s2,1,s2,2,...s2,t；...；sn,1,sn,2,...sn,t)，其中，si,j表示该样本S第j时刻第i个特征的数据。
S102)、对每个子训练样本S进行差分预处理，得到同一特征数据相邻两时刻数据之间的差距di,j，同一手势相邻两时刻之间的差距di,j＝si,j+1-si,j，差分预处理后的子训练样本的数据为D＝(d1,1,d1,2,...d1,t-1；d2,1,d2,2,...d2,t-1；...；dn,1,dn,2,...dn,t-1)。
S103)、针对每个差分预处理后的子训练样本的数据D计算得到其总能量W，其表达式为：
其中，wi表示子训练样本D第i维特征的能量，W表示该子训练样本D的总能量，其第i维特征数据的能量为：
S104)、对子训练样本的数据S进行加权处理，根据计算得到相应子训练样本数据每一维特征数据的权值qi，其中，qi表示训练样本数据D的第i维特征的权值，将该子训练样本数据每一维特征的权值qi与其不同时刻的对应维特征数据si,t相乘，从而实现对子训练样本数据S进行加权处理。
S105)、采用kmeans聚类算法对加权后的子训练样本数据S进行离散化处理，将子训练样本数据S表示为S＝(s1,s2,...st)，其中，Sj＝(s1,j,s2,j,...sn,j)表示j时刻的手部姿态数据，预设m个类别，随机初始化m个聚类中心，m个类别分别记为Cz(z＝1,2,...m)，通过计算每一时刻手部姿态数据的类别，其中Gj表示j时刻的手部姿态数据的类别，然后对每一个类别Gj，重新计算其聚类中心若其聚类中心Cz不变，则其收敛，并将每个时刻的手部姿态数据用其相应的类别表示。
S106)、分别将离散化处理后的每个手势的M个子训练样本数据S输入到隐马尔科夫模型(HMM)中，结合模型的前向-后向算法(Baum-Welch)训练得到每个手势的HMM参数λ，从而得到K个手势相关的训练好的隐马尔科夫模型(HMM)。
S2)、连续动态手势切分与识别。
S201)、数据采集，通过数据手套获取需要测试的连续的动作手势数据作为测试数据；
S202)、手势识别，按照步骤S102)对测试数据进行差分处理，并按照步骤S103)计算差分处理后的测试数据的能量累加和，若某一时间段能量累加和变化激增，则该时间段的手势为有效手势，对该段有效的连续手势进行切分并提取该段有效手势，如图2所示。
S203)、加权处理，按照步骤S104对步骤S202)中提取的有效手势进行加权处理。
S204)、离散化处理，并根据步骤S105)中的聚类中心Cz，将该有效手势归类到距离相应聚类中心Cz最近的类别，并用相应的类别号表示该有效手势。
S205)、将加权处理与离散化处理后的有效手势分别输入到K个手势对应的训练好的隐马尔科夫模型(HMM)中，计算该有效手势在不同手势对应的隐马尔科夫模型(HMM)下的概率值，并将概率值最大的隐马尔科夫模型(HMM)对应的手势作为识别结果。
所述的手部姿态数据包括手指弯曲数据、手掌的方位数据。
所述的手指弯曲数据可以为通过弯曲传感器采集的弯曲度数据，也可以为通过惯性传感器采集的手指弯曲方向的旋转数据。
所述的手掌的方位数据可以是通过惯性传感器采集的方位数据，也可以是通过光学定位获取的方位数据。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (4)

1.一种基于隐马尔科夫模型的动态手势切分识别方法，包括训练隐马尔科夫模型HMM和连续动态手势切分与识别；
S1)、训练隐马尔科夫模型HMM
S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据，其中，每个手势的手部姿态数据包括M个子训练样本，每个子训练样本包括t个时刻，每个时刻包含n个特征数据，每个子训练样本的数据表示为S＝(s1,1,s1,2,...s1,t；s2,1,s2,2,...s2,t；...；sn,1,sn,2,...sn,t)，其中，si,j表示该子训练样本的数据S的第j时刻第i个特征的数据；
S102)、对每个子训练样本的数据S进行差分预处理，得到同一特征数据相邻两时刻数据之间的差距di,j，同一手势相邻两时刻之间的差距di,j＝si,j+1-si,j，差分预处理后的子训练样本的数据为D＝(d1,1,d1,2,...d1,t-1；d2,1,d2,2,...d2,t-1；...；dn,1,dn,2,...dn,t-1)；
S103)、针对每个差分预处理后的子训练样本的数据D计算得到其总能量W，其表达式为：
其中，wi表示差分预处理后的子训练样本的数据D的第i维特征的能量，W表示该差分预处理后的子训练样本D的总能量，其第i维特征数据的能量为：
S104)、对子训练样本的数据S进行加权处理，根据计算得到相应子训练样本数据每一维特征数据的权值qi，其中，qi表示差分预处理后的子训练样本的数据D的第i维特征的权值，将该子训练样本数据每一维特征的权值qi与其不同时刻的对应维特征数据si,j相乘，从而实现对子训练样本的数据S进行加权处理；
S105)、采用kmeans聚类算法对加权后的子训练样本的数据S′进行离散化处理，将子训练样本的数据S′表示为S′＝(s′1,s′2,...s′t)，其中，s′j＝(s′1,j,s′2,j,...s′n,j)表示j时刻的手部姿态数据，预设m个类别，随机初始化m个聚类中心，m个类别的聚类中心分别记为Cz(z＝1,2,...m)，通过计算每一时刻手部姿态数据的类别，其中Gj表示j时刻的手部姿态数据的类别，然后对每一个类别Gj，重新计算其聚类中心式中|cz|表示第z个类别中样本的个数，若其聚类中心Cz不变，则其收敛，离散化过程结束，并将每个时刻的手部姿态数据用其相应的类别表示；
S106)、分别将离散化处理后的每个手势的M个子训练样本的数据S输入到隐马尔科夫模型HMM中，结合模型的前向-后向算法Baum-Welch训练得到每个手势的HMM参数λ，从而得到K个手势相关的训练好的隐马尔科夫模型HMM；
S2)、连续动态手势切分与识别
S201)、数据采集，通过数据手套获取需要测试的连续的动作手势数据作为测试数据；
S202)、手势识别，按照步骤S102)对测试数据进行差分处理，并按照步骤S103)计算差分处理后的测试数据的能量累加和，若某一时间段能量累加和变化激增，则该时间段的手势为有效手势，对该段有效的连续手势进行切分并提取该段有效手势；
S203)、加权处理，按照步骤S104对步骤S202)中提取的有效手势进行加权处理；
S204)、离散化处理，并根据步骤S105)中的聚类中心Cz，将该有效手势归类到距离相应聚类中心Cz最近的类别，并用相应的类别号表示该有效手势；
S205)、将加权处理与离散化处理后的有效手势分别输入到K个手势对应的训练好的隐马尔科夫模型HMM中，计算该有效手势在不同手势对应的隐马尔科夫模型HMM下的概率值，并将概率值最大的隐马尔科夫模型HMM对应的手势作为识别结果。
2.根据权利要求1所述的一种基于隐马尔科夫模型的动态手势切分识别方法，其特征在于：所述的手部姿态数据包括手指弯曲数据、手掌的方位数据。
3.根据权利要求2所述的一种基于隐马尔科夫模型的动态手势切分识别方法，其特征在于：所述的手指弯曲数据为通过弯曲传感器采集的弯曲度数据，或通过惯性传感器采集的手指弯曲方向的旋转数据。
4.根据权利要求2所述的一种基于隐马尔科夫模型的动态手势切分识别方法，其特征在于：所述的手掌的方位数据是通过惯性传感器采集的方位数据，或是通过光学定位获取的方位数据。
CN201710521847.8A 2017-06-30 2017-06-30 一种基于隐马尔科夫模型的动态手势切分识别方法 Active CN107346207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710521847.8A CN107346207B (zh) 2017-06-30 2017-06-30 一种基于隐马尔科夫模型的动态手势切分识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710521847.8A CN107346207B (zh) 2017-06-30 2017-06-30 一种基于隐马尔科夫模型的动态手势切分识别方法

Publications (2)

Publication Number Publication Date
CN107346207A CN107346207A (zh) 2017-11-14
CN107346207B true CN107346207B (zh) 2019-12-20

Family

ID=60256666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710521847.8A Active CN107346207B (zh) 2017-06-30 2017-06-30 一种基于隐马尔科夫模型的动态手势切分识别方法

Country Status (1)

Country Link
CN (1) CN107346207B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909042B (zh) * 2017-11-21 2019-12-10 华南理工大学 一种连续手势切分识别方法
CN107992193A (zh) * 2017-11-21 2018-05-04 出门问问信息科技有限公司 手势确认方法、装置及电子设备
CN109032478A (zh) * 2018-06-05 2018-12-18 北京长城华冠汽车科技股份有限公司 用于触摸屏的手势识别方法
CN109409277B (zh) * 2018-10-18 2020-11-24 北京旷视科技有限公司 手势识别方法、装置、智能终端及计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968621A (zh) * 2012-11-23 2013-03-13 西安电子科技大学 基于第二代Bandelet统计特征的人体运动识别方法
CN102982315A (zh) * 2012-11-05 2013-03-20 中国科学院计算技术研究所 一种自动检测非手势模式的手势分割识别方法及系统
CN103543826A (zh) * 2013-07-30 2014-01-29 广东工业大学 一种基于加速度传感器的手势识别方法
CN104268586A (zh) * 2014-10-17 2015-01-07 北京邮电大学 一种多视角动作识别方法
CN106648068A (zh) * 2016-11-11 2017-05-10 哈尔滨工业大学深圳研究生院 一种双手三维动态手势识别方法
US9672427B2 (en) * 2014-07-07 2017-06-06 Google Inc. Systems and methods for categorizing motion events

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120016641A1 (en) * 2010-07-13 2012-01-19 Giuseppe Raffa Efficient gesture processing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982315A (zh) * 2012-11-05 2013-03-20 中国科学院计算技术研究所 一种自动检测非手势模式的手势分割识别方法及系统
CN102968621A (zh) * 2012-11-23 2013-03-13 西安电子科技大学 基于第二代Bandelet统计特征的人体运动识别方法
CN103543826A (zh) * 2013-07-30 2014-01-29 广东工业大学 一种基于加速度传感器的手势识别方法
US9672427B2 (en) * 2014-07-07 2017-06-06 Google Inc. Systems and methods for categorizing motion events
CN104268586A (zh) * 2014-10-17 2015-01-07 北京邮电大学 一种多视角动作识别方法
CN106648068A (zh) * 2016-11-11 2017-05-10 哈尔滨工业大学深圳研究生院 一种双手三维动态手势识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Accelerometer-based gesture recognition using dynamic time warping and sparse representation;Wang, Haiying;《Multimedia tools and applications》;20150710;第75卷(第14期);全文 *
基于kinect手势识别的虚拟环境体感交互技术研究;张建荣;《中国优秀硕士学位论文全文数据库》;20170315(第03期);全文 *
基于隐马尔科夫模型的静态手势识别方法;黄菊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);全文 *

Also Published As

Publication number Publication date
CN107346207A (zh) 2017-11-14

Similar Documents

Publication Publication Date Title
Kumar et al. Sign language recognition
Gu et al. Human gesture recognition through a kinect sensor
Ibraheem et al. Survey on various gesture recognition technologies and techniques
EP2911089B1 (en) Method and system for handwriting and gesture recognition
CN107346207B (zh) 一种基于隐马尔科夫模型的动态手势切分识别方法
Barros et al. A dynamic gesture recognition and prediction system using the convexity approach
Kao et al. A human-machine interaction technique: hand gesture recognition based on hidden Markov models with trajectory of hand motion
CN106569613A (zh) 一种多模态人机交互系统及其控制方法
CN108256421A (zh) 一种动态手势序列实时识别方法、系统及装置
Kumar et al. 3D text segmentation and recognition using leap motion
CN106502390B (zh) 一种基于动态3d手写数字识别的虚拟人交互系统及方法
CN104484644B (zh) 一种手势识别方法和装置
CN110837792B (zh) 一种三维手势识别方法及装置
CN110308795B (zh) 一种动态手势识别方法及系统
CN107909042B (zh) 一种连续手势切分识别方法
JP2017504118A (ja) ジェスチャを使用するメディアの再生を制御するためのシステムおよび方法
Xu et al. Robust hand gesture recognition based on RGB-D Data for natural human–computer interaction
CN107909003B (zh) 一种针对大词汇量的手势识别方法
CN112101243A (zh) 一种基于关键姿势和dtw的人体动作识别方法
CN107292295B (zh) 手势分割方法及装置
Choudhury et al. A CNN-LSTM based ensemble framework for in-air handwritten Assamese character recognition
Liu et al. Ultrasonic positioning and IMU data fusion for pen-based 3D hand gesture recognition
Chen et al. A fusion recognition method based on multifeature hidden markov model for dynamic hand gesture
Dhamanskar et al. Human computer interaction using hand gestures and voice
JP2020160815A (ja) 経路認識方法、経路認識装置、経路認識プログラム、及び経路認識プログラム記録媒体

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201207

Address after: Room 01, 17 / F, Xingguang Yingjing, 117 Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province 510075

Patentee after: GUANGZHOU HUANJING TECHNOLOGY Co.,Ltd.

Patentee after: DONGGUAN YILIAN INTERATION INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 510000 Guangdong city of Guangzhou province Yuexiu District Shuiyin Road No. 119

Patentee before: GUANGZHOU HUANJING TECHNOLOGY Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A dynamic gesture segmentation and recognition method based on Hidden Markov model

Effective date of registration: 20210126

Granted publication date: 20191220

Pledgee: Bank of China Limited by Share Ltd. Guangzhou Tianhe branch

Pledgor: GUANGZHOU HUANJING TECHNOLOGY Co.,Ltd.

Registration number: Y2021440000024