CN112883849A - 识别手势的方法、装置、存储介质及终端设备 - Google Patents
识别手势的方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112883849A CN112883849A CN202110145960.7A CN202110145960A CN112883849A CN 112883849 A CN112883849 A CN 112883849A CN 202110145960 A CN202110145960 A CN 202110145960A CN 112883849 A CN112883849 A CN 112883849A
- Authority
- CN
- China
- Prior art keywords
- gesture
- vector
- signal
- feature
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 320
- 230000004044 response Effects 0.000 claims abstract description 51
- 230000009471 action Effects 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims description 165
- 238000005070 sampling Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开涉及一种识别手势的方法、装置、存储介质及终端设备,该方法应用于终端设备,包括:接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;根据所述特征向量确定所述手势动作对应的手势。这样,由于特征向量只与信号自身相关,信号的回波衰减不会影响特征向量的准确率,从而使得该终端设备的手势识别的准确率更高。
Description
技术领域
本公开涉及终端技术领域,尤其涉及一种识别手势的方法、装置、存储介质及终端设备。
背景技术
随着电子技术日益发展,越来越多的应用领域(例如,医疗、电竞等)需要更多元化的人机操作界面,常用的操作媒介例如鼠标、键盘或者触控面板已不能满足用户的需求,手势识别技术由于可以提供良好的人机互动性,并提高操作便利性,已受到业界广泛的重视。
相关技术中,可以基于多普勒效应进行手势识别,但是,由于多普勒的精度较低,声音回波衰减比较快,导致手势识别的准确率较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种识别手势的方法、装置、存储介质及终端设备。
根据本公开实施例的第一方面,提供一种识别手势的方法,应用于终端设备,所述方法包括:接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;根据所述特征向量确定所述手势动作对应的手势。
在一些实施例中,所述获取所述信号关联的特征向量包括:获取所述终端设备对应的手势响应距离;根据所述手势响应距离,确定所述信号关联的特征向量包含的数据元素的目标数量;将所述信号对应的非零采样数据中最后的所述目标数量的采样数据,作为所述特征向量。
在一些实施例中,所述根据所述预设手势响应距离,确定所述信号关联的特征向量包含的数据元素的目标数量包括:通过预设设置的数量关联关系,确定所述手势响应距离对应的目标数量,所述数量关联关系包括不同的手势响应距离和所述目标数量的对应关系。
在一些实施例中,所述根据所述特征向量确定所述手势动作对应的手势包括:根据所述特征向量,获取目标特征变化向量;根据所述目标特征变化向量和预先训练的手势预测模型,确定所述手势动作对应的手势。
在一些实施例中,所述目标特征变化向量包括第一预设数量的特征变化向量,所述根据所述特征向量,获取目标特征变化向量包括:循环执行特征变化向量获取步骤,直到得到的所述特征变化向量的当前数量为所述第一预设数量,将所述第一预设数量的特征变化向量作为所述目标特征变化向量;所述特征变化向量获取步骤包括:获取所述特征向量对应的当前帧信号的前一帧信号对应的历史特征向量;将所述特征向量与所述历史特征向量的向量差,作为所述特征变化向量;将所述当前帧信号的下一帧信号作为新的当前帧信号。
在一些实施例中,所述根据所述特征向量,获取目标特征变化向量包括:获取第二预设数量的历史特征变化向量,所述第二预设数量的历史特征变化向量包括在所述当前帧信号之前最后获取的所述第二预设数量的特征变化向量;循环执行所述特征变化向量获取步骤,直到得到的所述特征变化向量的当前数量与所述第二预设数量之和等于所述第一预设数量,将得到的所述当前数量的特征变化向量和所述第二预设数量的历史特征变化向量作为所述目标特征变化向量。在一些实施例中,所述根据所述目标特征变化向量和预先训练的手势预测模型,确定所述手势动作对应的手势包括:将所述目标特征变化向量作为所述手势预测模型的输入,得到所述手势动作对应的每个预设手势的概率;将概率最高的所述预设手势作为所述手势动作对应的手势。
在一些实施例中,所述终端设备包括多个麦克风,不同的麦克风用于采集不同的所述信号,不同的所述信号对应所述手势预测模型的不同通道;所述将所述目标特征变化向量作为所述手势预测模型的输入,得到所述手势动作对应的每个预设手势的概率包括:在得到多个所述信号中每个所述信号对应的目标特征变化向量的情况下,针对每个所述信号,获取该信号对应的目标通道;将该信号对应的所述目标特征变化向量作为所述手势预测模型的目标通道的输入,得到所述手势动作对应的每个预设手势的概率。
在一些实施例中,所述信号为反射超声波信号,在所述接收携带目标对象信息的信号前,所述方法还包括:实时发射超声波信号;所述接收携带目标对象信息的信号包括:接收所述超声波信号被所述目标对象反射的所述反射超声波信号。
根据本公开实施例的第二方面,提供一种识别手势的装置,应用于终端设备,所述装置包括:信号接收模块,被配置为接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;特征向量获取模块,被配置为获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;手势确定模块,被配置为根据所述特征向量确定所述手势动作对应的手势。
在一些实施例中,所述特征向量获取模块包括:距离获取子模块,被配置为获取所述终端设备对应的手势响应距离;目标数量确定子模块,被配置为根据所述手势响应距离,确定所述信号关联的特征向量包含的数据元素的目标数量;特征向量获取子模块,被配置为将所述反射超声波信号对应的非零采样数据中最后的所述目标数量的采样数据,作为所述特征向量。
在一些实施例中,所述目标数量确定子模块还被配置为:通过预设设置的数量关联关系,确定所述手势响应距离对应的目标数量,所述数量关联关系包括不同的手势响应距离和所述目标数量的对应关系。
在一些实施例中,所述手势确定模块包括:变化向量获取子模块,被配置为根据所述特征向量,获取目标特征变化向量;手势确定子模块,被配置为根据所述目标特征变化向量和预先训练的手势预测模型,确定所述手势动作对应的手势。
在一些实施例中,所述目标特征变化向量包括第一预设数量的特征变化向量,所述变化向量获取子模块被配置为:循环执行特征变化向量获取步骤,直到得到的所述特征变化向量的数量之和为所述第一预设数量,将所述第一预设数量的特征变化向量作为所述目标特征变化向量;所述特征变化向量获取步骤包括:获取所述特征向量对应的当前帧信号的前一帧信号对应的历史特征向量;将所述特征向量与所述历史特征向量的向量差,作为所述特征变化向量;将所述当前帧信号的下一帧信号作为新的当前帧信号。
在一些实施例中,所述变化向量获取子模块还被配置为:获取第二预设数量的历史特征变化向量,所述第二预设数量的历史特征变化向量包括在所述当前帧信号之前最后获取的所述第二预设数量的特征变化向量;循环执行所述特征变化向量获取步骤,直到得到的所述特征变化向量的当前数量与所述第二预设数量之和等于所述第一预设数量,将得到的所述当前数量的特征变化向量和所述第二预设数量的历史特征变化向量作为所述目标特征变化向量。在一些实施例中,所述手势确定子模块被配置为:将所述目标特征变化向量作为所述手势预测模型的输入,得到所述手势动作对应的每个预设手势的概率;将概率最高的所述预设手势作为所述手势动作对应的手势。
在一些实施例中,所述终端设备包括多个麦克风,不同的麦克风用于采集不同的所述信号,不同的所述信号对应所述手势预测模型的不同通道;所述手势确定子模块被配置为还被配置为:在得到多个所述信号中每个所述信号对应的目标特征变化向量的情况下,针对每个所述信号,获取该信号对应的目标通道;将该信号对应的所述目标特征变化向量作为所述手势预测模型的目标通道的输入,得到所述手势动作对应的每个预设手势的概率。
在一些实施例中,所述信号为反射超声波信号,所述装置还包括:信号发射模块,被配置为实时发射超声波信号;所述信号接收模块还被配置为:接收所述超声波信号被所述目标对象反射的所述反射超声波信号。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的识别手势的方法的步骤。
根据本公开实施例的第四方面,提供一种终端设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所提供的识别手势的方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;根据所述特征向量确定所述手势动作对应的手势。如此,本公开的终端设备可以接收携带目标对象信息的信号,并根据该信号关联的特征向量,识别手势动作对应的手势,这样,由于该特征向量只与信号自身相关,信号的回波衰减不会影响该特征向量的准确率,从而使得该终端设备的手势识别的准确率更高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种识别手势的方法的流程图;
图2是根据一示例性实施例示出的一种超声波信号的示意图;
图3是根据一示例性实施例示出的另一种识别手势的方法的流程图;
图4是根据一示例性实施例示出的一种识别手势的装置的结构示意图;
图5是根据一示例性实施例示出的另一种识别手势的装置的结构示意图;
图6是根据一示例性实施例示出的一种终端设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先,对本公开的应用场景进行说明。随着智能终端与可穿戴技术的不断发展,出现了许多新型的人机交互场景与形式。目前主流的基于触摸屏的人机交互方式要求用户与触摸屏接触,影响人机交互的普适性和自然性,尤其是针对特定场景(如驾驶车辆过程、烹饪食物过程等)和特定设备形态(如智能眼镜、智能手环等),用户难以进行触摸,无法完全满足人机交互多样化的需求。因此,迫切需要一种隔空手势与终端设备进行交互。
相关技术中,可以基于多普勒效应进行手势识别,先通过多普勒得到用户的手指的加速度、距离以及时间的图像,将该图像作为神经网络的输入,得到用户的手势。但是,由于多普勒的精度较低,声音回波衰减比较快,导致手势识别的准确率较低。
为了解决上述问题,本公开提供一种识别手势的方法、装置、存储介质及终端设备,终端设备可以接收携带目标对象信息的信号,并根据该信号关联的特征向量,识别手势动作对应的手势,这样,由于该特征向量只与信号自身相关,信号的回波衰减不会影响该特征向量的准确率,从而使得识别的手势的准确率比较高。
下面结合具体实施例对本公开进行说明。
本公开的终端设备可以包括移动设备、可穿戴设备、家用电器等,例如:手机、平板电脑、笔记本电脑、智能手环、智能手表、智能音箱、智能电视等设备,本公开对此不作限定。
图1是根据一示例性实施例示出的一种识别手势的方法的流程图,该方法应用于终端设备,该终端设备包含麦克风和扬声器,如图1所示,该方法包括:
S101、接收携带目标对象信息的信号。
其中,该目标对象可以包括待识别的手势动作,该目标对象还可以包括在该终端设备周围的物体,示例地,若该终端设备为电视机,则该目标对象还可以包括位于该电视机周围的墙面、桌椅等;该信号可以是反射超声波信号,该反射超声波信号可以是被该目标对象反射的超声波信号。
需要说明的是,该超声波信号可以是预先生成的具有自相关性的序列,示例地,可以使用巴克码生成该超声波信号,由于该巴克码自身具有强相关特性,因此,根据该巴克码生成的该超声波信号也具备较强的自相关性。
该超声波信号的频率可以是大于20kHZ的任何频率,例如,该超声波信号的频率可以是21kHZ,该超声波信号可以包括预设数量的采样点,例如,该预设数量可以是480,本公开对此不作限定。
在该超声波信号所包含的多个采样点中,可以将第1个采样点至第N个采样点对应的数据设置为非零数据,将第N+1个采样点至最后一个采样点对应的数据设置为0,以便于区分不同的超声波信号的周期。图2是根据一示例性实施例示出的一种超声波信号的示意图,如图2所示,该超声波信号的第1个采样点至第320个采样点对应的数据为非零数据,第321个采样点至最后一个采样点对应的数据为0。另外,也可以将该超声波信号的多个采样点中第1个采样点至第M个采样点对应的数据设置为零,将第M+1个采样点至最后一个采样点对应的数据设置为非零,本公开对此不作限定。
在本步骤中,该终端设备可以通过采集线程,控制该终端设备的麦克风实时采集该信号。在一种可能的实现方式中,该终端设备可以实时发射该超声波信号,接收该超声波信号被该目标对象反射的反射超声波信号。示例地,该终端设备可以通过发射线程,控制该终端设备的扬声器周期性发射该超声波信号,该发射周期可以是发射一个完整的超声波信号所需要的时间,也就是说,该终端设备是持续不断发送该超声波信号,示例地,在发送完一次超声波信号后,接着再发送下一次超声波信号。
其中,该采集线程采集该反射超声波信号的采样率可以根据该超声波信号所包含的采样点的数量确定,示例地,在该超声波信号包含480个采样点的情况下,该采集线程采集该反射超声波信号的采样率可以是48kHZ,每10ms可以采集到一帧包括480个采样点的反射超声波信号。
在另一些可能的实现方式中,可以通过信号收发设备发送该超声波信号,并接收被该目标对象反射的反射超声波信号,该信号收发设备可以是与该终端设备处于相同位置的其它终端设备。在该信号收发设备接收到该反射超声波信号后,可以将该反射超声波信号发送至该终端设备。
S102、获取该信号关联的特征向量。
其中,该特征向量用于表征该目标对象的位置与该终端设备之间的信道脉冲响应,该特征向量可以为CIR(Channel Impulse Response,信道脉冲响应)向量。
在本步骤中,在该终端设备接收该信号过程中,可以针对每一帧信号,通过相干检测(coherent detection)方法对该信号进行解调,之后,再获取该帧信号对应的特征向量。
S103、根据该特征向量确定该手势动作对应的手势。
在本步骤中,由于该信号是携带目标对象信息的信号,而该目标对象除了手势动作外,可能还会包括其它物体,例如,该终端设备周围的墙面,因此,在得到该信号关联的特征向量后,可以先滤除手势动作之外的其它目标对象信息对应的特征向量,仅保留该手势动作相关的特征变化向量。
在一些可能的实现方式中,可以在获取当前帧信号的特征向量后,获取已采集并存储的该当前帧信号的前一帧信号的特征向量,获取该当前帧信号的特征向量与该当前帧信号的前一帧信号的特征向量之间的向量差,该向量差即为该当前帧信号中与该手势动作相关的特征变化向量。
进一步地,在得到多帧信号中与该手势动作相关的多个特征变化向量后,可以将该多个特征变化向量输入预先训练的手势预测模型,通过该手势预测模型输出该手势动作对应的手势。
采用上述方法,终端设备可以接收携带目标对象信息的信号,并根据该信号关联的特征向量,识别手势动作对应的手势,这样,由于该特征向量只与信号自身相关,信号的回波衰减不会影响该特征向量的准确率,从而使得识别的手势的准确率比较高。
图3是根据一示例性实施例示出的另一种识别手势的方法的流程图,如图3所示,该方法包括:
S301、接收携带目标对象信息的信号。
其中,该目标对象可以包括待识别的手势动作,该目标对象还可以包括在该终端设备周围的物体,示例地,若该终端设备为电视机,则该目标对象还可以包括位于该电视机周围的墙面、桌椅等。该信号可以是反射超声波信号,该反射超声波信号可以是被该目标对象反射的超声波信号。
需要说明的是,该超声波信号可以是预先生成的具有自相关性的序列,示例地,可以使用巴克码生成该超声波信号,由于该巴克码自身具有强相关特性,因此,根据该巴克码生成的该超声波信号也具备较强的自相关性。
该超声波信号的频率可以是大于20kHZ的任何频率,例如,该超声波信号的频率可以是21kHZ,该超声波信号可以包括预设数量的采样点,例如,该预设数量可以是480,本公开对此不作限定。
在该超声波信号所包含的多个采样点中,可以将第1个采样点至第N个采样点对应的数据设置为非零数据,将第N+1个采样点至最后一个采样点对应的数据设置为0,以便于区分不同的超声波信号的周期。另外,也可以将该超声波信号的多个采样点中第1个采样点至第M个采样点对应的数据设置为零,将第M+1个采样点至最后一个采样点对应的数据设置为非零,本公开对此不作限定。
S302、获取该终端设备对应的手势响应距离。
在本步骤中,以该信号为反射超声波信号为例进行说明,由于该终端设备对应的手势响应距离可以通过以下公式计算得到:
M=L*343*0.021/2 (1)
其中,M为该终端设备对应的手势响应距离,L为该超声波信号中非零采样点的目标数量。
因此,可以在该终端设备中设置多个手势响应距离,以便用户根据自身需求从该多个手势响应距离中选择目标手势响应距离。考虑到手势响应距离与目标数量相关,该目标数量越大,该手势响应距离也越大,该目标数量越小,该手势响应距离也越小,可以针对不同的手势响应距离,预先存储不同的超声波信号,该超声波信号中非零的采样点的目标数量可以根据该手势响应距离确定。示例地,可以在该终端设备的设置菜单中添加手势响应距离选项,该手势响应距离可以包括近、中、远,近距离对应的目标数量可以是100,中距离对应的目标数量可以是140,远距离对应的目标数量可以是161。
S303、根据该手势响应距离,确定该信号关联的特征向量包含的数据元素的目标数量。
在本步骤中,在获取该手势响应距离后,可以通过预先设置的数量关联关系,确定该手势响应距离对应的目标数量,该数量关联关系包括不同的手势响应距离和该目标数量的对应关系。
需要说明的是,考虑到手势响应距离越远,该终端设备对手势识别的准确率越低,因此,本公开也可以针对不同类型的终端对手势响应距离的需求,预先设置不同的超声波信号,并将该超声波信号存储在该终端设备中,本公开对该手势响应距离的设置方式不作限定。
S304、将该信号对应的非零采样数据中最后的目标数量的采样数据,作为该特征向量。
在本步骤中,以该信号为反射超声波信号为例进行说明,在得到该目标数量后,可以通过以下公式推导计算得到该特征向量:
conv(s,h)=r (2)
其中,s为该超声波信号对应的向量,h为该当前帧反射超声波信号对应的特征向量,r为该反射超声波信号对应的向量。
公式(2)对应的矩阵表达式为:
其中,该S[n]由该超声波信号中的非零数据组成,R[n]由该当前帧反射超声波信号中的非零数据组成。
需要说明的是,在该超声波信号具备较强的自相关性的情况下,由于S[n]的自相关性仅在无偏移处较高,因此,该S[n]是一个对角阵,而对角阵的逆矩阵也是对角阵,因此,可以将R[n]作为该H[n],这样,可以直接根据得到的该反射超声波信号对应的向量得到该特征向量,从而降低该特征向量的计算复杂度,提高手势识别的效率。
从上述矩阵表达式可以看出,该当前帧反射超声波信号对应的特征向量为该当前帧反射超声波信号中的非零数据中最后的P个数据。由于该S[n]是一个对角阵,而对角阵为方阵,因此,L与P相等,根据该超声波信号中采样数据不为零的采样点的数量,可以确定L的大小,即确定该特征向量包含的数据元素的目标数量。
基于上述推导过程,在获取该特征向量包含的数据元素的目标数量后,可以获取该当前帧信号中的所有非零数据,将该当前帧信号中的所有非零数据中最后的目标数量的采样数据,作为该特征向量。示例地,在该当前帧信号中的所有非零数据为312个的情况下,可以将该当前帧信号中的所有非零数据中第162至312个非零数据作为该特征向量。
S305、根据该特征向量,获取目标特征变化向量。
其中,该目标特征变化向量可以包括第一预设数量的特征变化向量,该第一预设数量可以根据该终端设备对手势识别的准确率和实时性的要求确定,示例地,针对手势识别的准确率要求较高但实时性要求较低的终端设备,可以设置较大的第一预设数量,例如,该第一预设数量可以是300,针对手势识别的准确率要求较低但实时性要求较高的终端设备,可以设置较小的第一预设数量,例如,该第一预设数量可以是200,本公开对该第一预设数量的设置方式不作限定。
该特征变化向量用于表征相邻的两帧信号对应的两个特征向量的向量差,该目标特征变化向量可以是预设时间段内多帧信号对应的多个特征变化向量,该目标特征变化向量也可以包括预设数量个特征变化向量,本公开对此不作限定。示例地,该目标特征变化向量可以是一个二维数组,该二维数组的行数为该预设数量,该二维数组的列数为每个特征变化向量所包含的数据元素的个数,例如,在该预设数量为200,该特征变化向量所包括的数据元素为160的情况下,该目标特征变化向量为一个160*200的二维数组。
在一些可能的实现方式中,可以循环执行特征变化向量获取步骤,直到得到的该特征变化向量的数量之和为该第一预设数量,将该第一预设数量的特征变化向量作为该目标特征变化向量。
示例地,在该终端设备接收该信号过程中,可以在每接收到一帧信号后,针对该当前帧信号执行该特征变化向量获取步骤,获取该当前帧信号对应的特征变化向量。进一步地,在每得到一个特征变化向量后,可以将该特征变化向量的当前数量加1,并确定该特征变化向量的当前数量是否小于该第一预设数量,在该特征变化向量的当前数量小于该第一预设数量时,再针对该当前帧信号的下一帧信号,执行该特征变化向量获取步骤。
该特征变化向量获取步骤可以包括:
S1、获取该特征向量对应的当前帧信号的前一帧信号对应的历史特征向量;
S2、将该特征向量与该历史特征向量的向量差,作为该特征变化向量;
S3、将该当前帧信号的下一帧信号作为新的当前帧信号。
需要说明的是,在上述获取目标特征变化向量的实现方式中,由于被手势动作反射的信号可能会包括多帧,而该多帧信号对应的特征变化向量可能会属于不同的目标特征变化向量,示例地,若被手势动作反射的信号包括250帧,该第一预设数量为200,则在获取到前200帧信号对应的200个特征变化向量后,会将该200个特征变化向量作为该目标特征变化向量,而第201至250帧信号对应的特征变化向量会作为该目标特征变化向量之后的下一个目标特征变化向量,这样,根据该目标特征变化向量确定的该手势动作对应的手势可能会不准确,从而导致该终端设备的手势识别率较低。
为了避免上述问题,在另一种可能的实现方式中,可以先获取第二预设数量的历史特征变化向量,再循环执行该特征变化向量获取步骤,直到得到的该特征变化向量的当前数量与该第二预设数量之和等于该第一预设数量,将得到的该当前数量的特征变化向量和该第二预设数量的历史特征变化向量作为该目标特征变化向量。
其中,该第二预设数量的历史特征变化向量包括在该当前帧信号之前最后获取的该第二预设数量的特征变化向量,该第二预设数量可以根据该终端设备对手势识别的准确率的要求确定,针对手势识别的准确率要求较高的终端设备,可以设置较大的第二预设数量,例如,在该第一预设数量为200的情况下,该第二预设数量可以是180,针对手势识别的准确率要求较低的终端设备,可以设置较小的第二预设数量,例如,该第二预设数量可以是160,本公开对此不作限定。
在每次获取到该目标特征变化向量后,可以将该目标特征变化向量中最后的第二预设数量的特征变化向量作为该第二预设数量的历史特征变化向量。
在获取该第二预设数量的历史特征变化向量后,可以在每接收到一帧信号后,针对该当前帧信号执行特征变化向量获取步骤,获取该当前帧信号对应的特征变化向量。进一步地,在每得到一个特征变化向量后,可以将该特征变化向量的当前数量加1,并确定该特征变化向量的当前数量与该第二预设数量之和是否小于该第一预设数量,在该特征变化向量的当前数量与该第二预设数量之和小于该第一预设数量时,再针对该当前帧信号的下一帧信号,执行该特征变化向量获取步骤。示例地,在该第一预设数量为200,该第二预设数量为160的情况下,在该特征变化向量的当前数量为30时,可以确定该特征变化向量的当前数量与该第二预设数量之和小于该第一预设数量,在该特征变化向量的当前数量为40时,可以确定该特征变化向量的当前数量与该第二预设数量之和等于该第一预设数量。
其中,该特征变化向量获取步骤的实现方式可以参考第一种可能的实现方式中特征变化向量获取步骤的实现方式,此处不再赘述了。
S306、根据该目标特征变化向量和预先训练的手势预测模型,确定该手势动作对应的手势。
在一种可能的实现方式中,在得到该目标特征变化向量后,可以将该目标特征变化向量输入该手势预测模型,通过该手势预测模型输出该手势动作对应的手势。
其中,该手势预测模型可以通过以下训练得到:
S1、针对该终端设备对应的多个预设手势中的每个预设手势,获取该预设手势对应的多个样本特征变化向量。
其中,该预设手势可以是预先设置的该终端设备需要识别的手势,这里,可以针对该多个预设手势中的每个预设手势,获取该预设手势对应的多个特征变化向量,示例地,可以通过多个用户执行该预设手势,在每个用户执行该预设手势时,获取该预设手势对应的特征变化向量,最终可以得到多个特征变化向量。
S2、根据该多个样本特征变化向量和该多个预设手势对目标神经网络进行训练,得到该手势预测模型。
其中,该目标神经网络可以是相关技术的神经网络,本公开对此不作限定,该目标神经网络的训练过程可以参考相关技术的训练方式,此处不再赘述了。
在另一种可能的实现方式中,可以将该目标特征变化向量作为该手势预测模型的输入,得到该手势动作对应的每个预设手势的概率,将概率最高的该预设手势作为该手势动作对应的手势。
其中,该预设手势为预先设置的该终端设备可以识别的手势。
由于该终端设备可以识别的预设手势可以包括多个,在得到该目标特征变化向量后,可以将该目标特征变化向量输入该手势预测模型,得到该手势动作可能是每个预设手势的概率。示例地,若该终端设备对应的预设手势包括3个,即预设手势A、预设手势B以及预设手势C,则将该目标特征变化向量输入该手势预测模型后,可以得到该手势动作是预设手势A的概率,该手势动作是预设手势B的概率,以及该手势动作是预设手势C的概率。
该手势预测模型可以通过以下方式训练得到:
S1、针对该终端设备对应的多个预设手势中的每个预设手势,获取该预设手势对应的多个样本特征变化向量,以及每个样本特征变化向量对应的样本概率。
其中,该预设手势可以是预先设置的该终端设备需要识别的手势,这里,可以针对该多个预设手势中的每个预设手势,获取该预设手势对应的多个特征变化向量,示例地,可以通过多个用户执行该预设手势,在每个用户执行该预设手势时,获取该预设手势对应的样本特征变化向量,最终可以得到多个样本特征变化向量。另外,在每个用户执行该预设手势时,可以根据该用户执行该预设手势的准确率,确定该样本特征变化向量对应的样本概率,示例地,若该用户执行该预设手势的手势动作比较标准,则可以确定该样本特征变化向量对应的样本概率为95%,若该用户执行该预设手势的手势动作一般标准,则可以确定该样本特征变化向量对应的样本概率为80%,本公开对该样本概率的确定方式不作限定。
需要说明的是,该样本特征变化向量也可以包括非预设手势对应的特征变化向量,示例地,可以获取用户执行该预设手势之外的其它手势对应的样本特征变化向量,而该样本特征变化向量对应的样本概率可以根据该手势与预设手势的相似度确定,针对与预设手势相似度较高的手势,可以设置较高的样本概率,例如该样本概率可以是30%,针对与预设手势相似度较低的手势,可以设置较低的样本概率,例如该样本概率可以是0,本公开对此不作限定。
S2、根据多个样本特征变化向量、该样本概率以及该预设手势对目标神经网络进行训练,得到该手势预测模型。
其中,该目标神经网络可以包括Mobile Net和全连接网络,该目标神经网络也可以是其它相关技术的神经网络,本公开对此不作限定。该目标神经网络的训练过程可以参考相关技术的训练方式,此处不再赘述了。另外,在该终端设备包括多种手势响应距离的情况下,也需要针对每个手势响应距离,对该目标神经网络进行训练,得到该手势预测模型,这样,在将该目标特征变换向量输入该手势预测模型时,可以同步输入该终端设备对应的目标手势响应距离,该手势预测模型可以根据该目标特征变化向量和该目标手势响应距离,输出该手势动作对应的每个预设手势的概率。
需要说明的是,由于终端设备发射的信号可能会被该目标对象反射至该终端设备的各个方向,而该终端设备的麦克风的位置是固定不变的,因此,可能会存在部分方向的信号未被全部采集的情况。
为了解决上述问题,该终端设备可以包括多个麦克风,不同的麦克风用于采集不同的信号,不同的信号对应该手势预测模型的不同通道;在得到多个信号中每个信号对应的目标特征变化向量的情况下,针对每个信号,获取该信号对应的目标通道;将该信号对应的目标特征变化向量作为该手势预测模型的目标通道的输入,得到该手势动作对应的每个预设手势的概率。
其中,该手势预测模型可以包括多个通道,不同的通道用于接收该终端设备的不同麦克风采集的信号对应的目标特征变化向量。
该终端设备的多个麦克风可以同时采集该终端设备的不同方向的信号,在得到该终端设备的每个麦克风采集的信号对应的目标特征变化向量后,可以根据该目标特征变化向量对应的信号,确定该目标特征变化向量对应的目标通道,之后,可以按照每个目标特征变化向量对应的目标通道,将该多个目标特征变化向量输入该手势预测模型,得到该手势动作对应的每个预设手势的概率。
采用上述方法,可以根据终端设备接收到的信号对应的特征变化向量和手势预测模型,识别手势动作对应的手势,这样,由于特征变化向量只与信号自身相关,信号的回波衰减不会影响特征变换向量的准确率,从而使得该终端设备的手势识别的准确率更高,另外,该特征变换向量也不受距离的影响,使得该终端设备的手势识别距离更远,并且计算该特征变化向量的方法更加简单,从而可以提高手势识别的效率。
图4是根据一示例性实施例示出的一种识别手势的装置的结构示意图,该装置应用于终端设备,如图4所示,该装置包括:
信号接收模块401,被配置为接收携带目标对象信息的信号,该目标对象包括待识别的手势动作;
特征向量获取模块402,被配置为获取该信号关联的特征向量,该特征向量用于表征该目标对象的位置与该终端设备之间的信道脉冲响应;
手势确定模块403,被配置为根据该特征向量确定该手势动作对应的手势。
在一些实施例中,该特征向量获取模块402包括:
距离获取子模块,被配置为获取该终端设备对应的手势响应距离;
目标数量确定子模块,被配置为根据该手势响应距离,确定该信号关联的特征向量包含的数据元素的目标数量;
特征向量获取子模块,被配置为将该反射超声波信号对应的非零采样数据中最后的该目标数量的采样数据,作为该特征向量。
在一些实施例中,该目标数量确定子模块还被配置为:通过预设设置的数量关联关系,确定该手势响应距离对应的目标数量,该数量关联关系包括不同的手势响应距离和该目标数量的对应关系。
在一些实施例中,该手势确定模块403包括:变化向量获取子模块,被配置为根据该特征向量,获取目标特征变化向量;手势确定子模块,被配置为根据该目标特征变化向量和预先训练的手势预测模型,确定该手势动作对应的手势。
在一些实施例中,该目标特征变化向量包括第一预设数量的特征变化向量,该变化向量获取子模块被配置为:循环执行特征变化向量获取步骤,直到得到的该特征变化向量的数量之和为该第一预设数量,将该第一预设数量的特征变化向量作为该目标特征变化向量;该特征变化向量获取步骤包括:获取该特征向量对应的当前帧信号的前一帧信号对应的历史特征向量;将该特征向量与该历史特征向量的向量差,作为该特征变化向量;将该当前帧信号的下一帧信号作为新的当前帧信号。
在一些实施例中,该变化向量获取子模块还被配置为:获取第二预设数量的历史特征变化向量,该第二预设数量的历史特征变化向量包括在该当前帧信号之前最后获取的该第二预设数量的特征变化向量;循环执行该特征变化向量获取步骤,直到得到的该特征变化向量的当前数量与该第二预设数量之和等于该第一预设数量,将得到的该当前数量的特征变化向量和该第二预设数量的历史特征变化向量作为该目标特征变化向量。
在一些实施例中,该手势确定子模块被配置为:将该目标特征变化向量作为该手势预测模型的输入,得到该手势动作对应的每个预设手势的概率;将概率最高的该预设手势作为该手势动作对应的手势。
在一些实施例中,该终端设备包括多个麦克风,不同的麦克风用于采集不同的该信号,不同的该信号对应该手势预测模型的不同通道;该手势确定子模块还被配置为:在得到多个信号中每个信号对应的目标特征变化向量的情况下,针对每个信号,获取该信号对应的目标通道;将该信号对应的该目标特征变化向量作为该手势预测模型的目标通道的输入,得到该手势动作对应的每个预设手势的概率。
在一些实施例中,该信号为反射超声波信号,图5是根据一示例性实施例示出的另一种识别手势的装置的结构示意图,如图5所示,该装置还包括:
信号发射模块404,被配置为实时发射超声波信号;
该信号接收模块401还被配置为:接收该超声波信号被该目标对象反射的该反射超声波信号。
通过上述装置,终端设备可以接收到携带目标对象信息的信号,并根据该信号关联的特征变化向量,识别手势动作对应的手势,这样,由于该特征变化向量只与信号自身相关,信号的回波衰减不会影响该特征变换向量的准确率,从而使得该终端设备的手势识别的准确率更高。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的识别手势的方法的步骤。
图6是根据一示例性实施例示出的一种终端设备600的框图。例如,终端设备600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,终端设备600可以包括以下一个或多个组件:处理组件602,存储器604,电力组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制终端设备600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述识别手势的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端设备600的操作。这些数据的示例包括用于在终端设备600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件606为终端设备600的各种组件提供电力。电力组件606可以包括电源管理系统,一个或多个电源,及其他与为终端设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端设备600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当终端设备600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为终端设备600提供各个方面的状态评估。例如,传感器组件614可以检测到终端设备600的打开/关闭状态,组件的相对定位,例如所述组件为终端设备600的显示器和小键盘,传感器组件614还可以检测终端设备600或终端设备600一个组件的位置改变,用户与终端设备600接触的存在或不存在,终端设备600方位或加速/减速和终端设备600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于终端设备600和其他设备之间有线或无线方式的通信。终端设备600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端设备600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述识别手势的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由终端设备600的处理器620执行以完成上述识别手势的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述识别手势的方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种识别手势的方法,其特征在于,应用于终端设备,所述方法包括:
接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;
获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;
根据所述特征向量确定所述手势动作对应的手势。
2.根据权利要求1所述的方法,其特征在于,所述获取所述信号关联的特征向量包括:
获取所述终端设备对应的手势响应距离;
根据所述手势响应距离,确定所述信号关联的特征向量包含的数据元素的目标数量;
将所述信号对应的非零采样数据中最后的所述目标数量的采样数据,作为所述特征向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述手势响应距离,确定所述信号关联的特征向量包含的数据元素的目标数量包括:
通过预设的数量关联关系,确定所述手势响应距离对应的目标数量,所述数量关联关系包括不同的手势响应距离和所述目标数量的对应关系。
4.根据权利要求1所述的方法,其特征在于,所述根据所述特征向量确定所述手势动作对应的手势包括:
根据所述特征向量,获取目标特征变化向量;
根据所述目标特征变化向量和预先训练的手势预测模型,确定所述手势动作对应的手势。
5.根据权利要求4所述的方法,其特征在于,所述目标特征变化向量包括第一预设数量的特征变化向量,所述根据所述特征向量,获取目标特征变化向量包括:
循环执行特征变化向量获取步骤,直到得到的所述特征变化向量的数量之和为所述第一预设数量,将所述第一预设数量的特征变化向量作为所述目标特征变化向量;
所述特征变化向量获取步骤包括:
获取所述特征向量对应的当前帧信号的前一帧信号对应的历史特征向量;
将所述特征向量与所述历史特征向量的向量差,作为所述特征变化向量;
将所述当前帧信号的下一帧信号作为新的当前帧信号。
6.根据权利要求5所述的方法,其特征在于,所述根据所述特征向量,获取目标特征变化向量包括:包括:
获取第二预设数量的历史特征变化向量,所述第二预设数量的历史特征变化向量包括在所述当前帧信号之前最后获取的所述第二预设数量的特征变化向量;
循环执行所述特征变化向量获取步骤,直到得到的所述特征变化向量的当前数量与所述第二预设数量之和等于所述第一预设数量,将得到的所述当前数量的特征变化向量和所述第二预设数量的历史特征变化向量作为所述目标特征变化向量。
7.根据权利要求4所述的方法,其特征在于,所述根据所述目标特征变化向量和预先训练的手势预测模型,确定所述手势动作对应的手势包括:
将所述目标特征变化向量作为所述手势预测模型的输入,得到所述手势动作对应的每个预设手势的概率;
将概率最高的所述预设手势作为所述手势动作对应的手势。
8.根据权利要求7所述的方法,其特征在于,所述终端设备包括多个麦克风,不同的麦克风用于采集不同的所述信号,不同的所述信号对应所述手势预测模型的不同通道;所述将所述目标特征变化向量作为所述手势预测模型的输入,得到所述手势动作对应的每个预设手势的概率包括:
在得到多个所述信号中每个所述信号对应的目标特征变化向量的情况下,针对每个所述信号,获取该信号对应的目标通道;
将该信号对应的所述目标特征变化向量作为所述手势预测模型的目标通道的输入,得到所述手势动作对应的每个预设手势的概率。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述信号为反射超声波信号,在所述接收携带目标对象信息的信号前,所述方法还包括:
实时发射超声波信号;
所述接收携带目标对象信息的信号包括:
接收所述超声波信号被所述目标对象反射的所述反射超声波信号。
10.一种识别手势的装置,其特征在于,应用于终端设备,所述装置包括:
信号接收模块,被配置为接收携带目标对象信息的信号,所述目标对象包括待识别的手势动作;
特征向量获取模块,被配置为获取所述信号关联的特征向量,所述特征向量用于表征所述目标对象的位置与所述终端设备之间的信道脉冲响应;
手势确定模块,被配置为根据所述特征向量确定所述手势动作对应的手势。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种终端设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145960.7A CN112883849A (zh) | 2021-02-02 | 2021-02-02 | 识别手势的方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145960.7A CN112883849A (zh) | 2021-02-02 | 2021-02-02 | 识别手势的方法、装置、存储介质及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883849A true CN112883849A (zh) | 2021-06-01 |
Family
ID=76056782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110145960.7A Pending CN112883849A (zh) | 2021-02-02 | 2021-02-02 | 识别手势的方法、装置、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883849A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050354A1 (en) * | 2012-08-16 | 2014-02-20 | Microchip Technology Incorporated | Automatic Gesture Recognition For A Sensor System |
WO2017152531A1 (zh) * | 2016-03-07 | 2017-09-14 | 中国科学院计算技术研究所 | 一种基于超声波的凌空手势识别方法及系统 |
CN110780741A (zh) * | 2019-10-28 | 2020-02-11 | Oppo广东移动通信有限公司 | 模型训练方法、应用运行方法、装置、介质及电子设备 |
CN111860130A (zh) * | 2020-06-05 | 2020-10-30 | 南方科技大学 | 基于音频的手势识别方法、装置、终端设备和存储介质 |
-
2021
- 2021-02-02 CN CN202110145960.7A patent/CN112883849A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050354A1 (en) * | 2012-08-16 | 2014-02-20 | Microchip Technology Incorporated | Automatic Gesture Recognition For A Sensor System |
WO2017152531A1 (zh) * | 2016-03-07 | 2017-09-14 | 中国科学院计算技术研究所 | 一种基于超声波的凌空手势识别方法及系统 |
CN110780741A (zh) * | 2019-10-28 | 2020-02-11 | Oppo广东移动通信有限公司 | 模型训练方法、应用运行方法、装置、介质及电子设备 |
CN111860130A (zh) * | 2020-06-05 | 2020-10-30 | 南方科技大学 | 基于音频的手势识别方法、装置、终端设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
钟习;陈益强;于汉超;杨晓东;胡子昂;: "融合情境感知信息的超声波手势识别方法", 计算机辅助设计与图形学学报, no. 01 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510987B (zh) | 语音处理方法及装置 | |
CN107105314B (zh) | 视频播放方法及装置 | |
RU2647093C2 (ru) | Способ и устройство для управления интеллектуальным устройством посредством речи, устройство управления и интеллектуальное устройство | |
CN105607883B (zh) | 即时消息的处理方法及装置 | |
CN108766457B (zh) | 音频信号处理方法、装置、电子设备及存储介质 | |
US11337173B2 (en) | Method and device for selecting from a plurality of beams | |
EP3779968A1 (en) | Audio processing | |
CN105224171B (zh) | 图标显示方法、装置及终端 | |
CN106648063B (zh) | 手势识别方法及装置 | |
CN110636383A (zh) | 一种视频播放方法、装置、电子设备及存储介质 | |
CN105607738B (zh) | 确定单手模式的方法及装置 | |
CN112509596A (zh) | 唤醒控制方法、装置、存储介质及终端 | |
CN110533006A (zh) | 一种目标跟踪方法、装置及介质 | |
CN107566615B (zh) | 消息处理方法、装置及计算机可读存储介质 | |
CN110290576A (zh) | 电子设备控制方法及装置 | |
CN112883849A (zh) | 识别手势的方法、装置、存储介质及终端设备 | |
CN109788367A (zh) | 一种信息提示方法、装置、电子设备及存储介质 | |
CN109712629B (zh) | 音频文件的合成方法及装置 | |
CN110428828A (zh) | 一种语音识别方法、装置和用于语音识别的装置 | |
CN105700878B (zh) | 消息编辑的处理方法和装置 | |
CN111610921A (zh) | 手势识别方法及装置 | |
CN109119075A (zh) | 语音识别场景唤醒方法及装置 | |
CN109543564A (zh) | 提醒方法及装置 | |
CN113138384B (zh) | 图像采集方法及装置、存储介质 | |
CN113450521B (zh) | 入侵者的监测方法、装置、电子设备和存储介质 |
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 |