一種基于區(qū)間分布概率特征的手勢識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及人機交互技術(shù)領(lǐng)域，更具體的說，是設(shè)及一種基于區(qū)間分布概率特征 的手勢識別方法。
【背景技術(shù)】
[0002] 手勢識別技術(shù)是目前人機交互領(lǐng)域的研究熱點，具有廣闊的應(yīng)用前景，由于手勢 本身具有多義多樣性W及時空上的差異性，手勢識別技術(shù)還有很大發(fā)展空間。傳統(tǒng)的手勢 識別主要有基于可穿戴傳感器的接觸式和基于計算機視覺的非接觸式兩類?；诳纱┐鱾?感器的識別方式需要用戶佩戴專業(yè)設(shè)備，不受外界環(huán)境背景變化的影響，計算量較小，具有 更好的實時性，但存在使用不便、成本高等不足。基于計算機視覺的識別方法雖然解決了適 用范圍問題，但對設(shè)備、環(huán)境要求較嚴，且算法較復雜，實時性較差。
[0003] 目前針對手勢識別主要有模版匹配、特征提取、神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型等識 別方法被廣泛采，但運些識別算法較復雜或存儲空間需求大，隨著識別手勢的增多，系統(tǒng)存 儲空間不夠或識別速度過慢影響交互效率，難W滿足在線識別的要求。
[0004] 綜上所述當前智慧家庭、工業(yè)控制，人機交互領(lǐng)域還需要一種簡便易行、在線實時 性好且成本低廉非接觸式的手勢動作識別系統(tǒng)。

【發(fā)明內(nèi)容】

[000引有鑒于此，有必要針對上述問題，提供一種基于區(qū)間分布概率特征的手勢識別方 法，手勢識別率高，實用性強，提高了在線識別的動態(tài)實時性，大大減小運算復雜度。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0007] -種基于區(qū)間分布概率特征的手勢識別方法，包括W下步驟：
[0008] S1、特征采集，通過紅外傳感技術(shù)，檢測紅外場域內(nèi)目標運動變化過程中的紅外反 射信號和紅外溫度信號；
[0009] S2、目標判斷，對采集到的紅外溫度信號進行溫差對比，判斷檢測到的溫度是否是 人手溫度，若是則進入步驟S3,若否則返回S1;
[0010] S3、信號預處理，檢測手勢運動段，對檢測到的手勢運動段去噪歸一，并插值取整 將手勢動作長度統(tǒng)一為N;
[00川 S4、特征提取，劃分S個運動區(qū)間，提取區(qū)間分布概率特征P=[pi，P2，一，PnW+#P 的均方差0,判斷是否平面手勢，并輸出手勢特征序列，利用標準手勢原始數(shù)據(jù)建立的手勢 特征模版并作為訓練樣本；
[0012] S5、手勢識別，通過K順化-Nearest Nei曲bor，最鄰近規(guī)則分類)算法，計算測試樣 本與訓練樣本之間的距離，找出該測試樣本的K個最近距離，將測試樣本劃分為K個最近距 離的類別最大的一類。
[0013] 作為優(yōu)選的，所述步驟S3具體包括：
[0014] S301、通過設(shè)置口限閥值自動檢測手勢運動階段紅外反射強度的滑動窗口，手勢 的開始段和結(jié)束短，紅外反射強度可用常量表示，手勢的動作段紅外反射強度明顯增大
[0015] S302、對手勢運動數(shù)據(jù)進行濾波處理，采用五點Ξ次平滑濾波算法，利用最小二乘 法原理對離散數(shù)據(jù)進行二次加權(quán)平滑濾波，再對其進行幅度歸一化處理；
[0016] S303、進行插值規(guī)整，消除手勢的速度差異對識別結(jié)果的影響，通過樣條插值法或 牛頓插值法將手勢動作長度統(tǒng)一為N，獲得手勢動作特征。
[0017] 作為優(yōu)選的，所述步驟S4具體包括：
[0018] 根據(jù)Μ種手勢的運動方向特征在同一平面上劃分S個不同的運動區(qū)間，獲取手勢的 區(qū)間分布概率矩陣：
[0019]
[0020] 其中pt(i)(l y < s，l < t卽)表示運動區(qū)間i在采樣點t處的概率；
[0021]
[0022] 計算N個采樣點的區(qū)間分布概率的均方差：
[0023]
[0024] 算出均方差大于某一特定閥值K的權(quán)重：
[0025]
[0026] 當Q>0.5時，手勢特征采用基于區(qū)間分布概率特征的區(qū)間序列R表示；當Q<0.5 時，采用概率特征和(總的紅外反射量化表示，同時，利用標準手勢原始數(shù)據(jù)在PC機上建立 的手勢特征模版作為訓練樣本。
[0027] 作為優(yōu)選的，所述步驟S5中，計算測試樣本與訓練樣本之間的距離，采用歐式距離 表示，為了避免鄰近數(shù)相同，K值取奇數(shù)。
[0028] 進一步的，所述步驟S4中，當Q>0.5時，手勢特征采用基于區(qū)間分布概率特征的區(qū) 間序列R表示，根據(jù)采樣點t處的區(qū)間概率矩陣Pt，分析Max Pt對應(yīng)的運動區(qū)間，輸出N個采樣 區(qū)間序列 R={Ri，R2，. . .，Rn}，例如在采樣點 t 處，MaxPt = Pt(i)，則 Rt = i，（l<i<S);當 Q<0.5 時，采用概率特征和(總的紅外反射量化表示，E=曲瓜，…，Et]，
化t《N)。
[0029] 進一步的，所述步驟S3中，根據(jù)Μ種手勢的運動方向特征在同一平面上劃分S個不 同的運動區(qū)間，至少可判斷平面上巧巾動態(tài)手勢，非平面或Ζ軸手勢至少可判斷從上到下、從 下到上和懸停3種動作手勢。
[0030] 作為優(yōu)選的，所述步驟S1中具體包括:利用紅外傳感技術(shù)，W設(shè)定的頻率f檢測紅 外場域內(nèi)目標運動變化過程中的紅外反射信號和紅外溫度信號，設(shè)X(t) = [Xl(t)，X2 (t)，一，Xm(t)，T(t)]為t時刻采樣的紅外信號，Xi(t)表示t時刻第i個紅外反射信號，T(t)表 示t時刻采集的紅外溫度值。
[0031] 作為優(yōu)選的，所述步驟S2中具體包括:將S1采集的紅外溫度信號T(t)和前η個采樣 點逐個進行比較，設(shè)定比較差值ΔΤ，若||T(t)-T(t-n)| I > AT則進入步驟S3,若否則返回 步驟S1。
[0032] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：
[0033] 1、識別過程利用紅外傳感技術(shù)獲取手勢的紅外反射信號，具有敏感度高、受環(huán)境 光干擾小和成本低等優(yōu)點，沒有大量復雜計算公式或遞歸運算，與相對復雜的模糊神經(jīng)網(wǎng) 絡(luò)或隱馬爾科夫模型的手勢識別算法相比，提高了在線識別的動態(tài)實時性。
[0034] 2、對常見手勢識別率高，實用性強，可應(yīng)用到多種場合，如家庭娛影設(shè)備的控制。 本發(fā)明利用紅外傳感器獲取手勢信息后自動檢測動態(tài)手勢，然后將完整手勢映射到不同區(qū) 間，建立不同手勢的區(qū)間分布概率特征模型，通過KNN分類算法實現(xiàn)手勢判斷。
[0035] 3、用基于區(qū)間分布概率特征的算法，大大減小運算復雜度，所需存儲空間小，對常 見手勢的在線識別率高，特別適用家庭娛影設(shè)備控制，如電視、照明、風扇和空調(diào)等設(shè)備的 舒適、方便控制。
【附圖說明】
[0036] 圖1是基于區(qū)間分布概率特征的手勢識別方法流程框圖；
[0037] 圖2是本法明的方法的具體流程示意圖；
[0038] 圖3是本發(fā)明方法中手勢識別特征采集信號中紅外反射信號強度圖；
[0039] 圖4是本發(fā)明方法中手勢識別特征采集信號中溫度放大10倍時的信號圖；
[0040] 圖5是本發(fā)明方法中手勢動作運動檢測圖；
[0041 ]圖6是本發(fā)明方法中手勢動作插值規(guī)整圖；
[0042] 圖7是本發(fā)明方法中不同手勢對應(yīng)不同運動區(qū)間分布概率特征圖。
【具體實施方式】
[0043] 下面結(jié)合附圖和實施例對本發(fā)明所述的一種基于區(qū)間分布概率特征的手勢識別 方法作進一步說明。
[0044] W下是本發(fā)明所述的一種基于區(qū)間分布概率特征的手勢識別方法的最佳實例，并 不因此限定本發(fā)明的保護范圍。
[0045] 圖1示出了本發(fā)明的一種基于區(qū)間分布概率特征的手勢識別方法的流程示意圖， 包括W下步驟：
[0046] S1、特征采集
[0047] 利用紅外傳感技術(shù)，W設(shè)定的頻率檢測紅外場域內(nèi)目標運動變化過程中的紅外反 射信號和溫度信號，本實施例中每組采樣獲取m+1維采樣特征，設(shè)x(t) = [xi(t)，X2(t)，···， Xm(t)，T(t)]為t時刻采樣的紅外信號，Xi(t)表示t時刻第i個紅外反射信號，T(t)表示t時刻 采集的紅外溫度值，如圖2所示。
[004引 S2、目標判斷
[0049]將S1采集的紅外溫度信號T(t)和前η個采樣點逐個進行比較，若||T(t)-T(t-n) I > Δ Τ繼續(xù)下一步驟，否側(cè)返回上一步。
[0050] S3、信號預處理
[0051] 首先是手勢的運動檢測S301，然后對檢測到的手勢運動段進行去噪歸一 S302,為 消除手勢的速度差異對識別結(jié)果的影響，進行插值規(guī)整S303,數(shù)據(jù)長度統(tǒng)一為Ν。
[0052] 所述S3對采樣數(shù)據(jù)進行預處理具體內(nèi)容如下：
[0053] S301、如圖3所示，通過設(shè)置口限閥值自動檢測手勢運動階段紅外反射強度的滑動 窗口，手勢的開始段和結(jié)束短，紅外反射強度可用常量表示，手勢的動作段紅外反射強度明 顯增大。設(shè)f (X) = Σχ，Τ虹eshold為運動檢測的口限闊值。當f (χ)〉Τ虹eshold時表示手勢開 始，該采樣點為手勢動作數(shù)據(jù)點，直到fUKThreshold手勢結(jié)束。設(shè)手勢