The invention discloses an isotropic three-dimensional gesture recognition method based on feature selection. The existing 3D gesture recognition algorithm does not take into account the contribution degree of the extracted gesture correlation features to the classification, and the redundancy feature affects the recognition rate. The gesture on the acquisition of the 3D coordinates of the invention, 24 features are extracted from the input random forest model, according to the importance of each feature fraction of the model is then arranged from large to small, first n features into combined features from 24 features arranged in Group K of each gesture in the ten fold cross validation Gauss method and Naive Bayesian recognition model based on 24 groups of combined feature recognition under Gauss Naive Bayesian recognition model based on recognition rate; Gauss Naive Bayesian recognition model group combination features under the rate decided to select from the first few feature combination feature group used to synthesize the final identification model. The invention not only reduces the collection of feature related data, simplifies the calculation of the model, but also improves the recognition rate.
【技术实现步骤摘要】
一种基于特征选择的各向同性三维手势识别方法
本专利技术属于手势识别领域,具体涉及一种基于特征选择的各向同性三维手势识别方法。
技术介绍
世界上存在很多聋哑人,手语是他们的主要沟通媒介。但是聋哑人与正常人之间的交流存在一定障碍,所以实现手语识别对于改善两者之间的交流现状具有重大意义。手语手势包含了手形、位置、运动等要素,其中,最直观的就是手形,它表现了做手势时手呈现的形状,手形不同,手势意义自然也就不同。因此,对手形进行识别成为了手势识别的关键。近年来,随着深度传感器的发展,三维手势识别成为可能。在手势识别过程中,特征提取起着至关重要的作用。特征用于手势的形状表示,虽然目前已有不少特征描述方法用于最终的手势识别算法,但大部分是基于从具有深度信息的图像分割出来的二维手势图像,所以这些特征描述方法受到手势方向的影响,且现有的三维手势识别算法都没有考虑到所有提取的手势相关特征对分类的贡献度大小,而冗余特征会影响识别率。若要提取大量的特征,对手势数据采集设备的要求也相应增加。因此,各向同性的手势特征描述方法和冗余特征剔除对手势识别具有重大意义。
技术实现思路
本专利技术的目的是针对现有三维手势识别存在的不足,提供一种基于特征选择的各向同性三维手势识别方法。该方法主要解决方向无关和冗余特征剔除的三维手势识别,且适用于不同手形大小的人群,解决了基于图像的手势识别受手势方向影响大的问题。该方法不仅可以减小计算复杂度,相较于现有方法,还能在更少的特征条件下达到更高的识别率。同时又降低了对数据采集设备的要求。本专利技术解决技术问题所采取的技术方案如下:本专利技术的具体步骤如下:步 ...
【技术保护点】
一种基于特征选择的各向同性三维手势识别方法,其特征在于:具体步骤如下:步骤1、利用体感控制器的API采集中式手语中同一个人的6~20个手势的三维坐标数据,归入训练集中用于模型训练;其中,每个手势的三维坐标数据包含各手指指尖、各手指关节、掌心和腕关节的三维坐标;每个手势只采集掌心朝下的姿态,且每个手势掌心朝下的姿态采集k次得到k组三维坐标数据,k的取值为40~60;步骤2、对每个手势的三维坐标数据提取24个特征,该24个特征构成手势特征,具体如下:根据手势的形状特点定义五种属性和归属于这五种属性的24个特征;五种属性分别是各个手指指尖到掌心的距离、各个手指指尖到腕关节的距离、相邻手指指尖的距离、手指中间指骨与手指远端指骨的夹角以及手指近端指骨与手指中间指骨的夹角;由于不同手指的相同类型的特征归属于同一属性,所以五个属性共包含了24个特征,将所有提取的特征数据归一化到0~1之间;步骤3、对每个手势的24个特征进行重要性比较和选择,具体如下:3.1:将步骤2所得的每个手势的24个特征数据输入到随机森林模型中,通过训练模型最终得到各个特征的重要性分数;3.2:将每个手势的24个特征根据步骤3. ...
【技术特征摘要】
1.一种基于特征选择的各向同性三维手势识别方法,其特征在于:具体步骤如下:步骤1、利用体感控制器的API采集中式手语中同一个人的6~20个手势的三维坐标数据,归入训练集中用于模型训练;其中,每个手势的三维坐标数据包含各手指指尖、各手指关节、掌心和腕关节的三维坐标;每个手势只采集掌心朝下的姿态,且每个手势掌心朝下的姿态采集k次得到k组三维坐标数据,k的取值为40~60;步骤2、对每个手势的三维坐标数据提取24个特征,该24个特征构成手势特征,具体如下:根据手势的形状特点定义五种属性和归属于这五种属性的24个特征;五种属性分别是各个手指指尖到掌心的距离、各个手指指尖到腕关节的距离、相邻手指指尖的距离、手指中间指骨与手指远端指骨的夹角以及手指近端指骨与手指中间指骨的夹角;由于不同手指的相同类型的特征归属于同一属性,所以五个属性共包含了24个特征,将所有提取的特征数据归一化到0~1之间;步骤3、对每个手势的24个特征进行重要性比较和选择,具体如下:3.1:将步骤2所得的每个手势的24个特征数据输入到随机森林模型中,通过训练模型最终得到各个特征的重要性分数;3.2:将每个手势的24个特征根据步骤3.1所得重要性分数按从大到小排列,在各个手势的k组排列好的24个特征中取各组前n个特征组合成组合特征,n依次取1,2,…,24,基于十折交叉验证方法和高斯朴素贝叶斯识别模型,依次得到24组组合特征下高斯朴素贝叶斯识别模型的识别率;十折交叉验证方法中,从用来验证模型的一份特征中任选的一个手势,在各次训练后的高斯朴素贝叶斯识别模型中的识别分类结果...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。