CN109558826A - 基于模糊聚类的手势识别方法、系统、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于模糊聚类的手势识别方法、系统、设备及存储介质，本发明通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

Description

基于模糊聚类的手势识别方法、系统、设备及存储介质

技术领域

本发明涉及肢体语言语义识别领域，尤其涉及一种基于模糊聚类的手势识别方法、系统、设备及存储介质。

背景技术

随着电子设备的种类、数量越来越多，普及程度越来越广泛，用户与电子设备的人机交互方式也从利用遥控器、鼠标、键盘等外设进行的简单交互方式，发展到了利用语音交互、体感交互、眼动交互和手势交互等多样化的交互方式。这其中手势交互方式由于比较自然方便，在很多应用场景中具有很大的需求。

在手势交互方式中需要进行手势识别，而现有的手势识别方法中没有指出模糊聚类方法的应用。动作幅度较为完全的手势可以很方便的定义、分类，但当手势动作幅度较小、或手势动作已经偏离了典型手势的分类特征时，手势的识别具有模糊性。例如，天气阴、晴之间的界限也是模糊的。模糊聚类分析是涉及事物之间的模糊界限时按一定要求对事物进行分类的数学方法，属于数理统计中的一种多元分析方法，它是用数学方法定量地确定样本的亲疏关系，从而客观地划分类型。

现有的手势识别技术解决方案如机器学习、神经网络、支持向量机等，其事先需收集大量的手势数据，并人为地对这些数据进行分类，然后还需经过算法训练后，才能真正投入到手势识别的应用中，使用过程复杂，且消耗大量的人力、物力。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于模糊聚类的手势识别方法、系统、设备及存储介质，旨在解决现有技术中手势识别技术需要收集大量手势数据，而且识别过程复杂、准确性不高的技术问题。

为实现上述目的，本发明提供一种基于模糊聚类的手势识别方法，所述方法包括以下步骤：

一种基于模糊聚类的手势识别方法，其特征在于，所述基于模糊聚类的手势识别方法包括以下步骤：

采集当前手势数据；

将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

优选地，所述基于模糊聚类准则根据所述隶属度结果获得手势识别结果，具体包括：

从所述隶属度结果中获取隶属度最大值；

判断所述隶属度最大值是否小于有效隶属阈值；

在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

优选地，所述判断所述隶属度最大值是否小于有效隶属阈值之后，所述方法还包括：

在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

优选地，所述判断所述隶属度最大值是否小于有效隶属阈值之前，所述方法还包括：

根据所述隶属度结果及自适应阈值算法获得有效隶属阈值。

优选地，所述采集当前手势数据之前，所述方法还包括：

采集样本手势数据；

根据所述样本手势数据建立手势分类库，所述手势分类库包括手势类别及各手势类别对应的样本手势数据；

建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组。

优选地，所述建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组，具体包括：

将目标手势类别对应的样本手势数据的隶属度赋值为1，将其他手势类别对应的样本手势数据的隶属度赋值为0，获得数据点；

对所述数据点进行拟合，获得所述目标手势类别对应的隶属度函数；

根据所述隶属度函数获得隶属度函数组。

优选地，所述样本手势数据包括指关节掌关节相对角度、运动姿态欧拉角、运动姿态四元数、视频图像编码及视频图像特征点。

此外，为实现上述目的，本发明还提供一种基于模糊聚类的手势识别系统，所述基于模糊聚类的手势识别系统包括：

手势采集模块，用于采集当前手势数据；

隶属度计算模块，用于将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

手势识别模块，用于基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

此外，为实现上述目的，本发明还提供一种基于模糊聚类的手势识别设备，所述基于模糊聚类的手势识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于模糊聚类的手势识别程序，所述基于模糊聚类的手势识别程序配置为实现所述的基于模糊聚类的手势识别方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，其特征在于，所述存储介质上存储有基于模糊聚类的手势识别程序，所述基于模糊聚类的手势识别程序被处理器执行时实现所述的基于模糊聚类的手势识别方法的步骤。

本发明通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于模糊聚类的手势识别设备结构示意图；

图2为本发明基于模糊聚类的手势识别方法第一实施例的流程示意图；

图3为本发明基于模糊聚类的手势识别方法第二实施例的流程示意图；

图4为本发明实施例中手势分类库结构示意图；

图5为本发明基于模糊聚类的手势识别系统第一实施例的功能模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于模糊聚类的手势识别设备的结构示意图。

如图1所示，该基于模糊聚类的手势识别设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于模糊聚类的手势识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于模糊聚类的手势识别程序。

在图1所示的基于模糊聚类的手势识别设备中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；所述基于模糊聚类的手势识别设备通过处理器1001调用存储器1005中存储的基于模糊聚类的手势识别程序，并执行以下操作：

采集当前手势数据；

将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

进一步地，处理器1001可以调用存储器1005中存储的基于模糊聚类的手势识别程序，还执行以下操作：

从所述隶属度结果中获取隶属度最大值；

判断所述隶属度最大值是否小于有效隶属阈值；

在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

进一步地，处理器1001可以调用存储器1005中存储的基于模糊聚类的手势识别程序，还执行以下操作：

在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

进一步地，处理器1001可以调用存储器1005中存储的基于模糊聚类的手势识别程序，还执行以下操作：

根据所述隶属度结果及自适应阈值算法获得有效隶属阈值。

进一步地，处理器1001可以调用存储器1005中存储的基于模糊聚类的手势识别程序，还执行以下操作：

采集样本手势数据；

根据所述样本手势数据建立手势分类库，所述手势分类库包括手势类别及各手势类别对应的样本手势数据；

建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组。

进一步地，处理器1001可以调用存储器1005中存储的基于模糊聚类的手势识别程序，还执行以下操作：

将目标手势类别对应的样本手势数据的隶属度赋值为1，将其他手势类别对应的样本手势数据的隶属度赋值为0，获得数据点；

对所述数据点进行拟合，获得所述目标手势类别对应的隶属度函数；

根据所述隶属度函数获得隶属度函数组。

本实施例通过上述方案，通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

基于上述硬件结构，提出本发明基于模糊聚类的手势识别方法实施例。

参照图2，图2为本发明基于模糊聚类的手势识别方法第一实施例的流程示意图。

在第一实施例中，所述基于模糊聚类的手势识别方法包括以下步骤：

S10：采集当前手势数据。

应理解的是，由手势识别设备的硬件处理器从传感器获取经过量化的当前手势数据，所述经过量化的当前手势数据包括但不限于指关节掌关节相对角度、运动姿态欧拉角、运动姿态四元数、视频图像编码及视频图像特征点或特征向量等。

所述传感器的类型包括但不限于陀螺仪、加速度计、磁力计、摄像头等。

S20：将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果。

需要说明的是，所述预设隶属度函数组在对当前手势数据进行识别前建立，是隶属度函数的集合，将当前手势数据输入到预设隶属度函数组，就可以输出隶属度结果，不需要繁琐冗长的识别过程。

在具体实现中，由于所述当前手势数据是多维的，所述当前手势数据的每一维数据在经过隶属度函数运算后均可得到一个隶属度值z，由于各个维度在地位上是作用一致的，因此不设权重，相乘后开n次方，即可认为当前手势数据对应于该隶属度函数的隶属度值为：

应理解的是，所述隶属度结果说明了当前手势数据对应的手势类别的可能性，当所述隶属度结果的值越大，说明当前手势数据对应的手势类别的可能性越大。

S30：基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

应理解的是，隶属度结果经过手势模糊聚类准则的判别分析后，即可得出当前手势数据对应的手势类别，即手势识别结果。

具体地，为了降低手势识别的错误率，从所述隶属度结果中获取隶属度最大值；判断所述隶属度最大值是否小于有效隶属阈值；在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

进一步地，在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

需要说明的是，虽然通过隶属度函数组已经可以客观地计算出判别为手势分类库中各个手势的可能性，选择隶属度最大值所代表的手势类别，即是当前手势数据的手势识别结果。考虑到手势分类库中的典型手势有可能片面，本实施例提出在识别结果中加入“未定义手势”，用以标记当隶属度函数组最大值仍小于某个有效隶属阈值K时，即代表当前手势数据不属于手势分类库中的任何手势，从而降低手势识别的错误率。

有效隶属阈值K的确定可采用专家给定、自适应阈值等方法。

具体地，专家给定是指根据大多数人的手势习惯，将有效隶属阈值K固定在某个值上不再变动。本实施例中所述有效隶属阈值K优选设置为0.732。

自适应阈值是指在初始状态下采用专家给定法预设有效隶属阈值K，如取值0.732，然后在用户使用过程中，根据数据的表现来自适应确定有效隶属阈值K的变动。例如，在实际使用中，若隶属度函数组最大值与次大值有一定差距，且与有效隶属阈值K相差不大时，则自动减小有效隶属阈值K；反之，如果隶属度函数组经常有多个超过有效隶属阈值K的隶属度，则自动增大有效隶属阈值K，这样就可以灵活的适应手部大小不一和手指灵活性不一带来的问题。

以下举例进行说明，隶属度函数组中有3个隶属度函数，隶属度函数的取值范围是0-1，有效隶属阈值K通过自适应阈值算法计算为0.732，若通过计算获得的隶属度结果分别为0.2、0.6、0.9，则手势识别结果为隶属度结果为0.9对应的隶属度函数的手势分类，若通过计算获得的隶属度结果分别为0.2、0.4、0.6，则手势识别结果为未定义手势。

本实施例通过采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

进一步地，如图3所示，基于第一实施例提出本发明基于模糊聚类的手势识别方法第二实施例，在本实施例中，在步骤S10之前，所述基于模糊聚类的手势识别方法还包括以下步骤：

S110：采集样本手势数据。

需要说明的是，所述样本手势数据，是指各个手势在动作幅度较为完全情况下的量化的手势数据，可以理解为典型手势数据，包括但不限于指关节掌关节相对角度、运动姿态欧拉角、运动姿态四元数、视频图像编码、视频图像特征点或特征向量等。

S120：根据所述样本手势数据建立手势分类库，所述手势分类库包括手势类别及各手势类别对应的样本手势数据。

需要说明的是，为了建立手势分类库，每个手势类别对应的样本手势数据至少为一组，但是也不需要像现有手势识别中使用机器学习或神经网络技术那样收集大量的手势数据，而是只需要收集少量典型的分类手势数据，建立过程简单，节省人力、物力。所述手势分类库结构示意图可参照图4，所述手势分类库中包括各手势类别组，具体地包括但不限于手势序号、手势类别以及手势数据。

S130：建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组。

具体地，将目标手势类别对应的样本手势数据的隶属度赋值为1，将其他手势类别对应的样本手势数据的隶属度赋值为0，获得数据点；对所述数据点进行拟合，获得所述目标手势类别对应的隶属度函数；根据所述隶属度函数获得隶属度函数组。

需要说明的是，在具体实现中，以手势分类库中该手势对应的手势数据作为隶属度为1的标准，同时以其他手势类别的手势数据作为隶属度为0的标准获得数据点后，常常要对这些离散的数据点进行处理，本实施例中，可以采用拟合方法根据这些数据点获得隶属度值。拟合方法可以通过这些数据点去确定某一类已知函数的参数或寻求某个近似函数，使所得到的近似函数与已知数据有较高的拟合精度。

在具体实现中，样本手势数据的维数为n维，是经过归一化处理的量化数据，所述样本手势数据的其中一维手势数据的隶属度函数设计思路如下：模糊手势与样本手势的相似程度可以看作，在偏离样本手势较大时，其相似程度(函数值)增加缓慢，当手势的动作幅度与样本手势相似到一定程度，相似程度(函数值)快速增加，而当手势的动作幅度与样本手势相差无几时，相似程度(函数值)也近乎一致在最大值处徘徊，与Logistic曲线特征相近，因此初始隶属度函数可以表示为：

其中，a、b、c为待定系数。需要说明的是，标准的Logistic曲线函数中a、b、c的值为1，本实施例通过归一化数据后补充数据点进行拟合，得到适合手势识别的隶属度函数。

当归一化数据为1时，z(y)的函数值为1，当归一化数据为0时，z(y)的函数值为0。优选地，为了避免当前手势与所述样本手势相似度不高时误判，可以补充数据点(0.5，0.15)，为了避免在当前手势与所述样本手势相似度较高时因为手型大小或手指灵活度等原因造成漏判，可以补充数据点(0.8，0.9)，然后将数据点进行拟合，得到参数为：a＝0.9908，b＝3495，c＝12.85，则隶属度函数可以表示为：

进一步地，可以采用线性离差标准化归一化方法，将可能得到的、有实际意义的数据区间变换到[0,1]区间。当样本手势数据为q(0<q<1)时，需要进行二次变换，令q处的函数值最大(函数值为1)，而距离q差距最大的位置函数值最小(函数值为0)，可以得到：

当q大于等于0.5时：

当q小于0.5时。

另外，在获得目标手势类别对应的样本手势数据的隶属度函数以后，手势分类库中所有样本手势数据均可按照上述方法得到隶属度函数，全部的隶属度函数构成隶属度函数组。

本实施例通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

本发明进一步提供一种基于模糊聚类的手势识别系统。

参照图5，图5为本发明基于模糊聚类的手势识别系统一实施例的功能模块图。

本实施例中，所述基于模糊聚类的手势识别系统包括：

手势采集模块10，用于采集当前手势数据。

应理解的是，由手势识别设备的硬件处理器从传感器获取经过量化的当前手势数据，所述经过量化的当前手势数据包括但不限于指关节掌关节相对角度、运动姿态欧拉角、运动姿态四元数、视频图像编码及视频图像特征点或特征向量等。

所述传感器的类型包括但不限于陀螺仪、加速度计、磁力计、摄像头等。

隶属度计算模块20，用于将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果。

需要说明的是，所述预设隶属度函数组在对当前手势数据进行识别前建立，是隶属度函数的集合，将当前手势数据输入到预设隶属度函数组，就可以输出隶属度结果，不需要繁琐冗长的识别过程。

在具体实现中，由于所述当前手势数据是多维的，所述当前手势数据的每一维数据在经过隶属度函数运算后均可得到一个隶属度值z，由于各个维度在地位上是作用一致的，因此不设权重，相乘后开n次方，即可认为当前手势数据对应于该隶属度函数的隶属度值为：

应理解的是，所述隶属度结果说明了当前手势数据对应的手势类别的可能性，当所述隶属度结果的值越大，说明当前手势数据对应的手势类别的可能性越大。

手势识别模块30，用于基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

应理解的是，隶属度结果经过手势模糊聚类准则的判别分析后，即可得出当前手势数据对应的手势类别，即手势识别结果。

具体地，为了降低手势识别的错误率，从所述隶属度结果中获取隶属度最大值；判断所述隶属度最大值是否小于有效隶属阈值；在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

进一步地，在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

需要说明的是，虽然通过隶属度函数组已经可以客观地计算出判别为手势分类库中各个手势的可能性，选择隶属度最大值所代表的手势类别，即是当前手势数据的手势识别结果。考虑到手势分类库中的典型手势有可能片面，本实施例提出在识别结果中加入“未定义手势”，用以标记当隶属度函数组最大值仍小于某个有效隶属阈值K时，即代表当前手势数据不属于手势分类库中的任何手势，从而降低手势识别的错误率。

有效隶属阈值K的确定可采用专家给定、自适应阈值等方法。

具体地，专家给定是指根据大多数人的手势习惯，将有效隶属阈值K固定在某个值上不再变动。本实施例中所述有效隶属阈值K优选设置为0.732。

自适应阈值是指在初始状态下采用专家给定法预设有效隶属阈值K，如取值0.732，然后在用户使用过程中，根据数据的表现来自适应确定有效隶属阈值K的变动。例如，在实际使用中，若隶属度函数组最大值与次大值有一定差距，且与有效隶属阈值K相差不大时，则自动减小有效隶属阈值K；反之，如果隶属度函数组经常有多个超过有效隶属阈值K的隶属度，则自动增大有效隶属阈值K，这样就可以灵活的适应手部大小不一和手指灵活性不一带来的问题。

以下举例进行说明，隶属度函数组中有3个隶属度函数，隶属度函数的取值范围是0-1，有效隶属阈值K通过自适应阈值算法计算为0.732，通过计算获得的隶属度结果分别为0.2、0.6、0.9，则手势识别结果为隶属度结果为0.9对应的隶属度函数的手势分类，若通过计算获得的隶属度结果分别为0.2、0.4、0.6，则手势识别结果为未定义手势。

本实施例通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于模糊聚类的手势识别程序，所述基于模糊聚类的手势识别程序被处理器执行时实现如下操作：

采集当前手势数据；

将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

进一步地，所述基于模糊聚类的手势识别程序被处理器执行时还实现如下操作：

从所述隶属度结果中获取隶属度最大值；

判断所述隶属度最大值是否小于有效隶属阈值；

在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

进一步地，所述基于模糊聚类的手势识别程序被处理器执行时还实现如下操作：

在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

进一步地，所述基于模糊聚类的手势识别程序被处理器执行时还实现如下操作：

根据所述隶属度结果及自适应阈值算法获得有效隶属阈值。

进一步地，所述基于模糊聚类的手势识别程序被处理器执行时还实现如下操作：

采集样本手势数据；

根据所述样本手势数据建立手势分类库，所述手势分类库包括手势类别及各手势类别对应的样本手势数据；

建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组。

进一步地，所述基于模糊聚类的手势识别程序被处理器执行时还实现如下操作：

将目标手势类别对应的样本手势数据的隶属度赋值为1，将其他手势类别对应的样本手势数据的隶属度赋值为0，获得数据点；

对所述数据点进行插值和/或拟合，获得所述目标手势类别对应的隶属度函数；

根据所述隶属度函数获得隶属度函数组。

本实施例通过预先采集典型手势数据建立隶属度函数组，再采集当前手势数据，将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果，最后基于模糊聚类准则根据所述隶属度结果获得手势识别结果；整个识别过程前期只需要收集少量的典型手势数据即可完成，节省人力、物力；根据手势数据具有模糊性的特点采用模糊聚类对于手势识别的应用更加具备生活经验和数学分析理论基础的支持；将采集的手势数据直接用于隶属度计算并加入有效隶属阈值的干预后进行识别，避免了二次处理过程中可能造成的对手势细节的掩盖或干扰，提高了手势识别的准确性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于模糊聚类的手势识别方法，其特征在于，所述基于模糊聚类的手势识别方法包括以下步骤：

采集当前手势数据；

将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

2.如权利要求1所述的基于模糊聚类的手势识别方法，其特征在于，所述基于模糊聚类准则根据所述隶属度结果获得手势识别结果，具体包括：

从所述隶属度结果中获取隶属度最大值；

判断所述隶属度最大值是否小于有效隶属阈值；

在所述隶属度最大值不小于有效隶属阈值时，将所述隶属度最大值对应的手势类别作为手势识别结果。

3.如权利要求2所述的基于模糊聚类的手势识别方法，其特征在于，所述判断所述隶属度最大值是否小于有效隶属阈值之后，所述方法还包括：

在所述隶属度最大值小于有效隶属阈值时，将未定义手势类别作为手势识别结果。

4.如权利要求3所述的基于模糊聚类的手势识别方法，其特征在于，所述判断所述隶属度最大值是否小于有效隶属阈值之前，所述方法还包括：

根据所述隶属度结果及自适应阈值算法获得有效隶属阈值。

5.如权利要求1～4中任一项所述的基于模糊聚类的手势识别方法，其特征在于，所述采集当前手势数据之前，所述方法还包括：

采集样本手势数据；

根据所述样本手势数据建立手势分类库，所述手势分类库包括手势类别及各手势类别对应的样本手势数据；

建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组。

6.如权利要求5所述的基于模糊聚类的手势识别方法，其特征在于，所述建立各手势类别对应的隶属度函数，根据所述隶属度函数获得隶属度函数组，具体包括：

将目标手势类别对应的样本手势数据的隶属度赋值为1，将其他手势类别对应的样本手势数据的隶属度赋值为0，获得数据点；

对所述数据点进行拟合，获得所述目标手势类别对应的隶属度函数；

根据所述隶属度函数获得隶属度函数组。

7.如权利要求5所述的基于模糊聚类的手势识别方法，其特征在于，所述样本手势数据包括指关节掌关节相对角度、运动姿态欧拉角、运动姿态四元数、视频图像编码及视频图像特征点。

8.一种基于模糊聚类的手势识别系统，其特征在于，所述基于模糊聚类的手势识别系统包括：

手势采集模块，用于采集当前手势数据；

隶属度计算模块，用于将所述当前手势数据代入到预设隶属度函数组，获得所述当前手势数据的隶属度结果；

手势识别模块，用于基于模糊聚类准则根据所述隶属度结果获得手势识别结果。

9.一种基于模糊聚类的手势识别设备，其特征在于，所述基于模糊聚类的手势识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于模糊聚类的手势识别程序，所述基于模糊聚类的手势识别程序配置为实现如权利要求1至7中任一项所述的基于模糊聚类的手势识别方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于模糊聚类的手势识别程序，所述基于模糊聚类的手势识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于模糊聚类的手势识别方法的步骤。