CN111222581A - 一种基于改进分类算法的云存储手势识别系统及方法 - Google Patents

一种基于改进分类算法的云存储手势识别系统及方法 Download PDF

Info

Publication number
CN111222581A
CN111222581A CN202010030023.2A CN202010030023A CN111222581A CN 111222581 A CN111222581 A CN 111222581A CN 202010030023 A CN202010030023 A CN 202010030023A CN 111222581 A CN111222581 A CN 111222581A
Authority
CN
China
Prior art keywords
layer
classification algorithm
gesture
knn
gesture recognition
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.)
Pending
Application number
CN202010030023.2A
Other languages
English (en)
Inventor
李菲菲
高传集
于昊
李凯
赵益鑫
冯建奎
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.)
Shandong Huimao Electronic Port Co Ltd
Original Assignee
Shandong Huimao Electronic Port 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 Shandong Huimao Electronic Port Co Ltd filed Critical Shandong Huimao Electronic Port Co Ltd
Priority to CN202010030023.2A priority Critical patent/CN111222581A/zh
Publication of CN111222581A publication Critical patent/CN111222581A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/604—Tools and structures for managing or administering access control systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices

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)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及云存储和手势识别领域，具体提供了一种基于改进分类算法的云存储手势识别系统及方法。与现有技术相比，本发明的一种基于改进分类算法的云存储手势识别系统，包括依次连接的数据采集层、特征提取层、手势识别层、手势分类层、存储层、基础管理层、应用接口层以及访问层。利用在手势识别层和手势分类层中所用到的改进KNN分类算法，将KNN分类算法与云存储技术相结合，通过把手势数据存储在云平台上，能够高效完整地存储大量的手势数据，从而能够更加便捷地为用户提供应用和个性化服务，具有良好的推广价值。

Description

一种基于改进分类算法的云存储手势识别系统及方法
技术领域
本发明涉及云存储和手势识别领域，具体提供一种改进分类算法 及云存储手势识别系统。
背景技术
手势作为最普通、自然、直接的沟通语音之一，被人类广泛所使 用。而手势识别作为模式识别的重要分支之一，被人们广泛所研究。 目前国内外对于手势分类算法的研究有很多，例如：
(1)机器学习分类算法，如：随机森林算法、马尔可夫模型、 K-近邻分类器和支持向量机(Support Vector Machine，SVM)等。
(2)深度学习分类算法，如：卷积神经网络模型(Convolutional NeuralNetworks，CNN)和循环神经网络模型(Recurrent Neural Network，RNN)。
虽然手势分类算法种类较多，但大多数的手势分类算法在识别纷 繁复杂的手势上还存在短板，并不都可以达到良好的分类效果。因此， 在对于手势分类算法的研究上，手势识别率还有待提高，需要对手势 分类算法提出进一步的改进措施。
发明内容
本发明是针对上述现有技术的不足，提供一种设计合理，安全适 用的基于改进分类算法的云存储手势识别系统。
本发明进一步的技术任务是提供一种实用性强的基于改进分类 算法的云存储手势识别方法。
本发明解决其技术问题所采用的技术方案是：
一种基于改进分类算法的云存储手势识别系统，包括依次连接的 数据采集层、特征提取层、手势识别层、手势分类层、存储层、基础 管理层、应用接口层以及访问层；
所述数据采集层用于采集用户手掌、手指和手关节部位29个骨 骼的3D坐标信息，每个骨骼点的坐标信息各采集N遍，形成数据集；
所述特征提取层用于利用指尖位置追踪特征提取算法提取用户 手部29个骨骼点出的位置、角度以及方向信息；
所述手势识别层用于把形成的数据集按照同等比例分为训练样 本集和测试样本集，并将训练集合测试集输入到KNN分类算法中进而 对获取的手部特征进行识别和分类；
所述手势分类层用于利用KNN分类算法对手势进行分类，获取不 同的手势1-n；
所述存储层用于利用存储方法，对大量的手势数据实现统一存储 和集中管理，便于为用户提供更好的服务；
所述基础管理层用于连接底层存储和上层应用，完成对重复手势 数据的删除、手势数据压缩等任务，以更好的性能对外提供服务；
所述应用接口层用于实现对手势数据权限的管理以及用户认证；
所述访问层用于被授权的用户能够在任何地方、任意一台电脑上 登录云平台来提取手势数据并进行相关工作。
进一步的，在手势识别层和手势分类层中所用到的KNN分类算法 由以下步骤获取：
S01、计算信息熵：假设存在n个样本和f个特征向量，信息熵 计算公式为
Figure RE-GDA0002428460900000021
其中，pij(i＝1,2,...,n，j＝1,2,...,f) 表示在第j个特征向量下，第i个样本占总样本的比重；而Ej为该特 征指标下的信息熵，Ej与权重成反比。
S02、计算权重：由信息熵公式导出权重计算公式如下，
Figure RE-GDA0002428460900000031
其中，wj即为第j个特征指标下的权重系数，由1减去信息熵与 1减去信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式：所述公式如下所示，
Figure RE-GDA0002428460900000032
Figure RE-GDA0002428460900000033
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和 曼哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维 的向量。
S04、距离优化：优化公式如下所示，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的 较小值，从而获得一组较近的距离矩阵。
进一步的，在S01中pij的计算公式如下：
Figure RE-GDA0002428460900000034
其中，cij表示第j个特征向量下的第i个样本，T表示总样本的数 量。
进一步的，在S03中基于KNN的欧式距离和曼哈顿距离的计算 公式如下：
Figure RE-GDA0002428460900000035
Figure RE-GDA0002428460900000036
其中，i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和 Y之间的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
作为优选，所述K的取值范围为3-20，存在的n为29个骨骼点 的三维坐标乘N。
一种基于改进分类算法的云存储手势识别方法，利用体感设备采 集用户手掌、手指和手关节部位29个骨骼点的3D坐标信息，每个骨 骼点的坐标信息各采集N遍，形成数据集；
利用指尖位置追踪特征提取算法提取用户手部29个骨骼点处的 位置、角度以及方向信息，把形成的数据集按照同等比例分为训练样 本集和测试样本集，并将训练样本集和测试样本集输入到KNN分类算 法中进而对获取的手部特征进行识别和分类，将手势分类为1-n；
利用块存储，对大量的手势数据实现统一存储和集中管理，连接 上层应用,完成对重复手势数据的删除、手势数据压缩的任务；
启动应用接口层，实现对手势数据权限的管理以及用户认证，通 过访问层，任何被授权的用户能够在任何地方、任意一台电脑上登录 云平台来提取手势数据并用于相关工作。
进一步的，所述KNN分类算法为：
S01、计算信息熵，假设存在n个样本和f个特征向量，信息熵 的计算公式为
Figure RE-GDA0002428460900000041
其中，pij(i＝1,2,...,n，j＝1,2,...,f)表示在第j个特征向量下，第i 个样本占总样本的比重；
S02、计算权重，由信息熵公式导出的权重计算公式如下，
Figure RE-RE-GDA0002428460900000051
wj即为第j个特征指标下的权重系数，由1减去信息熵与1减去 信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式，如下所示，
Figure RE-GDA0002428460900000052
Figure RE-GDA0002428460900000053
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和曼 哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维的 向量；
S04、距离优化，优化公式如下，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的 较小值，从而获得一组较近的距离矩阵。
进一步的，在KNN分类算法步骤S01中pij的计算公式如下，
Figure RE-GDA0002428460900000054
其中，cij表示第j个特征向量下的第i个样本，T表示总样本的数 量。
进一步的，在KNN分类算法步骤S03中基于KNN的欧式距离和曼 哈顿距离的计算公式如下，
Figure RE-GDA0002428460900000055
Figure RE-GDA0002428460900000056
其中，i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和 Y之间的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
作为优选，在KNN分类算法中K的取值范围为3-20，存在的n 为29个骨骼点的三维坐标乘N。
本发明的一种基于改进分类算法的云存储手势识别系统及方法 和现有技术相比，具有以下突出的有益效果：
(1)原始的KNN分类算法在一些存在异常手势数据集上并不能 发挥较好的效果，而对其赋予信息熵权重以后，便可以根据每条数据 所占比重的大小对不同手势数据进行不同的权重分配，从而使得无效 或者异常数据占有一个较小的权重，因此有利于提高手势识别率。
(2)本发明将手势识别技术与云存储技术相结合，通过把手势 数据存储在云平台上，能够高效完整地存储大量的手势数据，从而能 够更加便捷地为用户提供应用和个性化服务。
附图说明
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1是一种基于改进分类算法的云存储手势识别系统的示意 图；
附图2是KNN算法的流程框图；
附图3是一种基于改进分类算法的云存储手势识别方法中权重 分配图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具 体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例 仅仅是本发明一部分实施例，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做出创造性劳动前提下所获得的 所有其他实施例都属于本发明保护的范围。
下面给出一个最佳实施例：
如图1、2所示，本实施例中的基于改进分类算法的云存储手势 识别系统包括依次连接的数据采集层、特征提取层、手势识别层、手 势分类层、存储层、基础管理层、应用接口层以及访问层。
数据采集层用于利用小型体感设备Leap Motion采集用户手掌、 手指和手关节29个骨骼点的3D坐标信息，每个骨骼点的坐标信息各 采集N遍，N大于等于100遍，此实施例选取100遍，形成Leap Motion 数据集。
利用指尖位置追踪特征提取算法提取特征提取层用户手部29个 骨骼点处的位置、角度以及方向信息。
手势识别层用于把在Leap Motion数据集按照同等比例分为训练 样本集和测试样本集，并将训练样本集和测试样本集输入到改进的 KNN分类算法中，对获取的手部特征进行识别和分类。
手势分类层用于利用改进的KNN分类算法对手势进行分类，获得 不同的手势1-n。
存储层用于利用块存储的方法，对大量的手势数据实现统一存储 和集中管理，以便为用户提供更好的服务。
基础管理层用于连接底层存储和上层应用，完成对重复手势数据 的删除、手势数据压缩等任务，以更好的性能对外提供服务。
应用接口层用于实现度手势数据权限的管理以及用户认证。
访问层用于任何被授权的用户能够在任何地方、任意一台电脑上 登录云平台来提取手势数据并用于相关工作。
手势识别层和手势分类层中所用到的改进KNN分类算法由以下 步骤获取：
S01、计算信息熵：假设存在n个样本和f个特征向量，信息熵 计算公式为
Figure RE-GDA0002428460900000081
其中，pij(i＝1,2,...,n，j＝1,2,...,f) 表示在第j个特征向量下，第i个样本占总样本的比重；而Ej为该特 征指标下的信息熵，Ej与权重成反比。
S02、计算权重：由信息熵公式导出权重计算公式如下，
Figure RE-GDA0002428460900000082
其中，wj即为第j个特征指标下的权重系数，由1减去信息熵与 1减去信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式：所述公式如下所示，
Figure RE-GDA0002428460900000083
Figure RE-GDA0002428460900000084
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和 曼哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维 的向量。
S04、距离优化：优化公式如下所示，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的 较小值，从而获得一组较近的距离矩阵。
在步骤S01中pij的计算公式如所示：
Figure RE-GDA0002428460900000091
cij表示第j个特征向量下的第i个样本，T表示总样本的数量。
在步骤S03中基于KNN的欧式距离和曼哈顿距离的计算公式如下：
Figure RE-GDA0002428460900000092
Figure RE-GDA0002428460900000093
i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和Y之间 的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
在改进的KNN分类算法中K的取值范围为3-20，存在的n为29 个骨骼点的三维坐标乘N，N为100。
基于上述系统，该系统的传输方法为：
利用体感设备Leap Motion采集用户手掌、手指和手关节部位 29个骨骼点的3D坐标信息，每个骨骼点的坐标信息各采集N＝100遍， 形成数据集；
利用指尖位置追踪特征提取算法提取用户手部29个骨骼点处的 位置、角度以及方向信息，把形成的数据集按照同等比例分为训练样 本集和测试样本集，并将训练样本集和测试样本集输入到KNN分类算 法中进而对获取的手部特征进行识别和分类，将手势分类为1-n；
利用块存储，对大量的手势数据实现统一存储和集中管理，连接 上层应用,完成对重复手势数据的删除、手势数据压缩的任务；
启动应用接口层，实现对手势数据权限的管理以及用户认证，通 过访问层，任何被授权的用户能够在任何地方、任意一台电脑上登录 云平台来提取手势数据并用于相关工作。
改进的KNN分类算法计算流程为以下步骤：
S01、计算信息熵，假设存在n个样本和f个特征向量，信息熵 的计算公式为
Figure RE-GDA0002428460900000101
其中，pij(i＝1,2,...,n，j＝1,2,...,f)表示在第j个特征向量下，第i 个样本占总样本的比重；
S02、计算权重，由信息熵公式导出的权重计算公式如下，
Figure RE-RE-GDA0002428460900000102
wj即为第j个特征指标下的权重系数，由1减去信息熵与1减去 信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式，如下所示，
Figure RE-GDA0002428460900000103
Figure RE-GDA0002428460900000104
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和曼 哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维的 向量；
S04、距离优化，优化公式如下，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的 较小值，从而获得一组较近的距离矩阵。
在步骤S01中pij的计算公式如下
Figure RE-GDA0002428460900000111
其中，cij表示第j个特征向量下的第i个样本，T表示总样本的数 量。
在步骤S03中基于KNN的欧式距离和曼哈顿距离的计算公式如下 所示：
Figure RE-GDA0002428460900000112
Figure RE-GDA0002428460900000113
其中，i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和 Y之间的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
如图3所示，第一行中w1到wn表示n个不同的权重值，第二行是 将不同的权重值融入欧式距离DEU和曼哈顿距离DMA。
在KNN分类算法中K的取值范围为3-20，存在的n为29个骨骼 点的三维坐标乘100。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护 范围包括但不限于上述具体的实施方式，任何符合本发明的基于改进 分类算法的云存储手势识别系统及方法权利要求书的且任何所述技 术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明 的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员 而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实 施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要 求及其等同物限定。

Claims (10)

1.一种基于改进分类算法的云存储手势识别系统，其特征在于，包括依次连接的数据采集层、特征提取层、手势识别层、手势分类层、存储层、基础管理层、应用接口层以及访问层；
所述数据采集层用于采集用户手掌、手指和手关节部位29个骨骼的3D坐标信息，每个骨骼点的坐标信息各采集N遍，形成数据集；
所述特征提取层用于利用指尖位置追踪特征提取算法提取用户手部29个骨骼点处的位置、角度以及方向信息；
所述手势识别层用于把形成的数据集按照同等比例分为训练样本集和测试样本集，并将训练集合测试集输入到KNN分类算法中进而对获取的手部特征进行识别和分类；
所述手势分类层用于利用KNN分类算法对手势进行分类，获取不同的手势1-n；
所述存储层用于利用存储方法，对大量的手势数据实现统一存储和集中管理，便于为用户提供更好的服务；
所述基础管理层用于连接底层存储和上层应用，完成对重复手势数据的删除、手势数据压缩等任务，以更好的性能对外提供服务；
所述应用接口层用于实现对手势数据权限的管理以及用户认证；
所述访问层用于被授权的用户能够在任何地方、任意一台电脑上登录云平台来提取手势数据并进行相关工作。
2.根据权利要求1所述的一种基于改进分类算法的云存储手势识别系统，其特征在于，在手势识别层和手势分类层中所用到的KNN分类算法由以下步骤获取：
S01、计算信息熵：假设存在n个样本和f个特征向量，信息熵计算公式为
Figure FDA0002363965030000011
其中，pij(i＝1,2,...,n，j＝1,2,...,f)表示在第j个特征向量下，第i个样本占总样本的比重；而Ej为该特征指标下的信息熵，Ej与权重成反比。
S02、计算权重：由信息熵公式导出权重计算公式如下，
Figure FDA0002363965030000021
其中，wj即为第j个特征指标下的权重系数，由1减去信息熵与1减去信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式：所述公式如下所示，
Figure FDA0002363965030000022
Figure FDA0002363965030000023
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和曼哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维的向量。
S04、距离优化：优化公式如下所示，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的较小值，从而获得一组较近的距离矩阵。
3.根据权利要求2所述的一种基于改进分类算法的云存储手势识别系统，其特征在于，在S01中pij的计算公式如下：
Figure FDA0002363965030000024
其中，cij表示第j个特征向量下的第i个样本，T表示总样本的数量。
4.根据权利要求2所述的一种基于改进分类算法的云存储手势识别系统，其特征在于，在S03中基于KNN的欧式距离和曼哈顿距离的计算公式如下：
Figure FDA0002363965030000025
Figure FDA0002363965030000026
其中，i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和Y之间的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
5.根据权利要求1所述的一种基于改进分类算法的云存储手势识别系统，其特征在于，所述K的取值范围为3-20，存在的n为29个骨骼点的三维坐标乘N。
6.一种基于改进分类算法的云存储手势识别方法，其特征在于，利用体感设备采集用户手掌、手指和手关节部位29个骨骼点的3D坐标信息，每个骨骼点的坐标信息各采集N遍，形成数据集；
利用指尖位置追踪特征提取算法提取用户手部29个骨骼点处的位置、角度以及方向信息，把形成的数据集按照同等比例分为训练样本集和测试样本集，并将训练样本集和测试样本集输入到KNN分类算法中进而对获取的手部特征进行识别和分类，将手势分类为1-n；
利用块存储，对大量的手势数据实现统一存储和集中管理，连接上层应用,完成对重复手势数据的删除、手势数据压缩的任务；
启动应用接口层，实现对手势数据权限的管理以及用户认证，通过访问层，任何被授权的用户能够在任何地方、任意一台电脑上登录云平台来提取手势数据并用于相关工作。
7.根据权利要求6所述的一种基于改进分类算法的云存储手势识别方法，其特征在于，所述KNN分类算法为：
S01、计算信息熵，假设存在n个样本和f个特征向量，信息熵的计算公式为
Figure RE-FDA0002428460890000044
其中，pij(i＝1,2,...,n，j＝1,2,...,f)表示在第j个特征向量下，第i个样本占总样本的比重；
S02、计算权重，由信息熵公式导出的权重计算公式如下，
Figure RE-FDA0002428460890000041
wj即为第j个特征指标下的权重系数，由1减去信息熵与1减去信息熵的总和做除法运算，同时验证二者间的反比关系。
S03、权重融入KNN公式，如下所示，
Figure RE-FDA0002428460890000042
Figure RE-FDA0002428460890000043
其中，DWEU和DWMA分别表示基于信息熵权重分配的欧式距离和曼哈顿距离，Xi和Yi分别表示X＝(X1,X2....Xn)和Y＝(Y1,Y2....Yn)中第i维的向量；
S04、距离优化，优化公式如下，
DWE-KNN＝min(DWEU,DWMA)
其中，min(·)函数是选取DWEU和DWMA二者之中对应每一个向量的较小值，从而获得一组较近的距离矩阵。
8.根据权利要求7所述的一种基于改进分类算法的云存储手势识别方法，其特征在于，在KNN分类算法步骤S01中pij的计算公式如下，
Figure FDA0002363965030000043
其中，cij表示第j个特征向量下的第i个样本，T表示总样本的数量。
9.根据权利要求7所述的一种基于改进分类算法的云存储手势识别方法，其特征在于，在KNN分类算法步骤S03中基于KNN的欧式距离和曼哈顿距离的计算公式如下，
Figure FDA0002363965030000044
Figure FDA0002363965030000045
其中，i＝1,2,...,n，DEU表示X和Y之间的欧式距离，DMA表示X和Y之间的曼哈顿距离，Xi和Yi分别表示X和Y中第i维的向量。
10.根据权利要求7所述的一种基于改进分类算法的云存储手势识别方法，其特征在于，在KNN分类算法中K的取值范围为3-20，存在的n为29个骨骼点的三维坐标乘N。
CN202010030023.2A 2020-01-13 2020-01-13 一种基于改进分类算法的云存储手势识别系统及方法 Pending CN111222581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010030023.2A CN111222581A (zh) 2020-01-13 2020-01-13 一种基于改进分类算法的云存储手势识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010030023.2A CN111222581A (zh) 2020-01-13 2020-01-13 一种基于改进分类算法的云存储手势识别系统及方法

Publications (1)

Publication Number Publication Date
CN111222581A true CN111222581A (zh) 2020-06-02

Family

ID=70829449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010030023.2A Pending CN111222581A (zh) 2020-01-13 2020-01-13 一种基于改进分类算法的云存储手势识别系统及方法

Country Status (1)

Country Link
CN (1) CN111222581A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881869A (zh) * 2020-08-04 2020-11-03 浪潮云信息技术股份公司 一种基于手势数据的分级存储方法及系统
CN113468986A (zh) * 2021-06-16 2021-10-01 武汉理工大学 一种基于手势识别的空调控制方法及系统
CN116466828A (zh) * 2023-06-19 2023-07-21 无锡车联天下信息技术有限公司 一种智能座舱驾驶环境手势智能检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501445A (zh) * 2013-10-12 2014-01-08 青岛旲天下智能科技有限公司 一种手势交互的双向互动数字电视盒系统及实现方法
CN103955489A (zh) * 2014-04-15 2014-07-30 华南理工大学 基于信息熵特征权重量化的海量短文本分布式knn分类算法及系统
CN105224066A (zh) * 2014-06-03 2016-01-06 北京创思博德科技有限公司 一种基于云端处理的手势识别方法
CN109597485A (zh) * 2018-12-04 2019-04-09 山东大学 一种基于双指角域特征的手势交互系统及其工作方法
CN109753876A (zh) * 2018-12-03 2019-05-14 西北工业大学 一种三维手势的提取识别和三维手势交互系统的构建方法
CN109814712A (zh) * 2019-01-09 2019-05-28 成都大学 一种基于虚拟交互装置的手势识别系统
CN110059612A (zh) * 2019-04-15 2019-07-26 哈尔滨工程大学 一种基于信道状态信息的位置无关的手势识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501445A (zh) * 2013-10-12 2014-01-08 青岛旲天下智能科技有限公司 一种手势交互的双向互动数字电视盒系统及实现方法
CN103955489A (zh) * 2014-04-15 2014-07-30 华南理工大学 基于信息熵特征权重量化的海量短文本分布式knn分类算法及系统
CN105224066A (zh) * 2014-06-03 2016-01-06 北京创思博德科技有限公司 一种基于云端处理的手势识别方法
CN109753876A (zh) * 2018-12-03 2019-05-14 西北工业大学 一种三维手势的提取识别和三维手势交互系统的构建方法
CN109597485A (zh) * 2018-12-04 2019-04-09 山东大学 一种基于双指角域特征的手势交互系统及其工作方法
CN109814712A (zh) * 2019-01-09 2019-05-28 成都大学 一种基于虚拟交互装置的手势识别系统
CN110059612A (zh) * 2019-04-15 2019-07-26 哈尔滨工程大学 一种基于信道状态信息的位置无关的手势识别方法及系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
宁亚楠;李定主;韩燮;杨晓文;: "基于稀疏表示的手势识别方法" *
张慧: "EM-KNN算法在复烤烟叶分类上的运用" *
杨文璐;乔海丽;谢宏;夏斌;: "基于Leap Motion和支持向量机的手势识别" *
温俊芹;王修晖;: "基于线性判别分析和自适应K近邻法的手势识别" *
王增民: "基于熵权的 K 最临近算法改进" *
金宏硕;刘振宇;: "基于Kinect的手势图像识别研究" *
陈雪云;刘艳芳;柯婷;张剑楠;: "基于类别信息熵加权的MKNN算法" *
黄俊;施新岚;王驰;夏明;张作运;: "基于支持向量机数据分析红外手势识别方法研究" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881869A (zh) * 2020-08-04 2020-11-03 浪潮云信息技术股份公司 一种基于手势数据的分级存储方法及系统
CN111881869B (zh) * 2020-08-04 2023-04-18 浪潮云信息技术股份公司 一种基于手势数据的分级存储方法及系统
CN113468986A (zh) * 2021-06-16 2021-10-01 武汉理工大学 一种基于手势识别的空调控制方法及系统
CN116466828A (zh) * 2023-06-19 2023-07-21 无锡车联天下信息技术有限公司 一种智能座舱驾驶环境手势智能检测方法
CN116466828B (zh) * 2023-06-19 2023-08-18 无锡车联天下信息技术有限公司 一种智能座舱驾驶环境手势智能检测方法

Similar Documents

Publication Publication Date Title
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN108197532B (zh) 人脸识别的方法、装置及计算机装置
Chu et al. Image style classification based on learnt deep correlation features
Li et al. SHREC’14 track: Extended large scale sketch-based 3D shape retrieval
CN111222581A (zh) 一种基于改进分类算法的云存储手势识别系统及方法
CN105631436B (zh) 基于随机森林的级联位置回归用于人脸对齐的方法
CN110263774A (zh) 一种人脸检测方法
CN100492399C (zh) 利用降维方法进行人脸姿态估计的方法
Belbin The use of non-hierarchical allocation methods for clustering large sets of data
CN111179419A (zh) 三维关键点预测及深度学习模型训练方法、装置及设备
CN111709268B (zh) 一种深度图像中的基于人手结构指导的人手姿态估计方法和装置
AL-Allaf et al. Pattern recognition neural network for improving the performance of iris recognition system
CN112668482B (zh) 人脸识别训练方法、装置、计算机设备及存储介质
JP2020177615A (ja) アバター用の３ｄ顔モデルを生成する方法及び関連デバイス
CN113254491A (zh) 一种信息推荐的方法、装置、计算机设备及存储介质
CN108537887A (zh) 基于3d打印的草图与模型库三维视图匹配方法
CN113327191B (zh) 人脸图像合成方法及装置
Fayyaz et al. Feature representation for online signature verification
CN108174141A (zh) 一种视频通信的方法和一种移动装置
CN114926832A (zh) 特征提取模型训练、材质贴图处理方法、装置及电子设备
Muthumari et al. Mouse gesture based authentication using machine learning algorithm
CN109284409A (zh) 基于大规模街景数据的图片组地理定位方法
CN106599842B (zh) 空中手写识别方法及装置
CN115222951A (zh) 基于具备旋转不变性的三维点云描述子的图像处理方法
CN108268478A (zh) 一种基于ur-CAIM算法的不平衡数据集特征选择方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602