自适应手势识别方法技术

本发明专利技术揭示了一种自适应手势识别方法，所述方法包括：步骤S1、基于向量对手势进行采样；步骤S2、将基于向量采样的手势进行动态时间归整DTW匹配识别；步骤S3、将步骤S2返回的结果与设定阈值进行比较，做初步筛选；若没有匹配到手势，则转至步骤S4；若匹配到若干相似结果，则转至步骤S5；若成功匹配到唯一的手势，则直接返回结果；步骤S4、通过模板匹配识别方式进行识别，返回结果；步骤S5、利用向量的距离进行筛选，或者通过模板匹配识别方式方式进行识别，返回结果。

【技术实现步骤摘要】

本专利技术属于手势识别
，涉及一种手势识别方法，尤其涉及一种。
技术介绍
近年来，随着世界移动通信产业的高速发展，智能手持设备逐渐的融入了大众的日常生活，销量持续上升。目前，智能手持设备已经迈入了全触屏时代。对于全触屏的智能手持设备，触屏手势操作的支持是必不可少的，这给用户带来了全新的人机交互体验，以其方便快捷的特性，得到了用户的认可并取代了传统的按键操作。 然而，现有的手势识别方法存在精确度不高、识别效率低等问题。有鉴于此，如今迫切需要设计一种新的手势识别方法，以便克服现有识别方法的上述缺陷。
技术实现思路
本专利技术所要解决的技术问题是:提供一种，可提高手势识别的精确度及效率。 为解决上述技术问题，本专利技术采用如下技术方案: 一种，所述方法包括: 步骤S1、基于向量对手势进行采样； 将手势通过有方向和大小的向量来构造；输入的手势的每一个点代表触屏设备识别到的触屏点，并根据录入的顺序依次储存在点数组里；随后对手势点数组进行遍历，求出相邻点的方向，方向由前面的点指向后面的点，再将方向值转换为与设定的方向值组中最相近的方向值，并存为方向数组；对方向数组中连续的相同方向上点进行合并，计算连续方向点的距离同时将距离过短的向量作为噪点去除；再合并连续的相同方向点，这时提取出来的向量首尾相接能够大致描绘出手势的骨架，骨架保留了手势的主要特征，具有良好的区分度；最后对向量的距离进行标准化，保存为采样的数组； 步骤S2、将基于向量采样的手势进行动态时间归整DTW匹配识别； 动态时间归整DTW匹配识别步骤包括:提供一种在时间轴上富有更大弹性的相似度对比方法，使做匹配的数据能透过在时间轴上的扭曲，即伸展或压缩，找到最小误差的非线性对应；由于手势输入在时间轴上的连续性，使得基于向量的数据很适合用DTW匹配识别步骤；运用动态规划的思想，利用局部最佳化的处理来寻找一条路径使得两个特征矢量之间的累积失真量最小；X轴和Y轴分别为模板数据和待匹配的数据；X轴和Y轴的交点值代表所对应两个数组数据r[i]和t[j]的距离值，用D(r[i]，t[j])表示，距离值的计算方法用欧式距离算法实现；随后选择路径起点，利用局部路径约束使其朝规定方向动态规划，累加计算距离； 步骤S3、将步骤S2返回的结果与设定阈值进行比较，做初步筛选；若没有匹配到手势，则转至步骤S4 ;若匹配到若干相似结果，则转至步骤S5 ;若成功匹配到唯一的手势，则直接返回结果； 步骤S4、通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括: 通过手势点类来记录手指在触屏上滑动产生的点(X，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类； 对获取的手势进行预处理；预处理采用两种取样方法:时间采样temporal Samp Iing 和空间抽样 spatialSampling ； 时间采样temporalSampling规定了采样点的个数N,计算所有手势点的总长度L,将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样点； 空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果； 经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离； 欧几里得距离假设在d维空间有两点a= [ai，a2，％ad]，b= [b1； b2, -, bd]则其欧几里得距离表示为:dist(a，b、=?； 余弦距离表示为:=; I “ Il 61 根据计算得到相似度最高的手势即为最匹配手势； 步骤S5、利用向量的距离进行筛选，或者通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括: 通过手势点类来记录手指在触屏上滑动产生的点(X，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类； 对获取的手势进行预处理；预处理采用两种取样方法:时间采样temporalSampling 和空间抽样 spatialSampling ； 时间采样temporalSampI ing规定了采样点的个数N,计算所有手势点的总长度L,将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样点； 空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果； 经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离； 欧几里得距离假设在d维空间有两点a = [&1,&2,...,^]^= Lb^b2,-,bd]则其欧几里得距尚表不为:d1.st(u,b) = (α； — ht)~ ; 余弦距离表示为:slm(“別=Γ~νγ-,;I Il 61 根据计算得到相似度最高的手势即为最匹配手势。 一种，所述方法包括: 步骤S1、基于向量对手势进行采样； 步骤S2、将基于向量采样的手势进行动态时间归整DTW匹配识别； 步骤S3、将步骤S2返回的结果与设定阈值进行比较，做初步筛选；若没有匹配到手势，则转至步骤S4 ;若匹配到若干相似结果，则转至步骤S5 ;若成功匹配到唯一的手势，则直接返回结果； 步骤S4、通过模板匹配识别方式进行识别，返回结果； 步骤S5、利用向量的距离进行筛选，或者通过模板匹配识别方式进行识别，返回结果O 作为本专利技术的一种优选方案，所述步骤S4、步骤S5中的模板匹配识别步骤包括: 通过手势点类来记录手指在触屏上滑动产生的点(X，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类； 对获取的手势进行预处理；预处理采用两种取样方法:时间采样temporalSampling 和空间抽样 spatialSampling ； 时间采样temporalSampling规定了采样点的个数N,计算所有手势点的总长度L,将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样点； 空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果； 经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离； 欧几里得距离假设在d维空间有两点a本文档来自技高网...

【技术保护点】
一种自适应手势识别方法，其特征在于，所述方法包括：步骤S1、基于向量对手势进行采样；将手势通过有方向和大小的向量来构造；输入的手势的每一个点代表触屏设备识别到的触屏点，并根据录入的顺序依次储存在点数组里；随后对手势点数组进行遍历，求出相邻点的方向，方向由前面的点指向后面的点，再将方向值转换为与设定的方向值组中最相近的方向值，并存为方向数组；对方向数组中连续的相同方向上点进行合并，计算连续方向点的距离同时将距离过短的向量作为噪点去除；再合并连续的相同方向点，这时提取出来的向量首尾相接能够大致描绘出手势的骨架，骨架保留了手势的主要特征，具有良好的区分度；最后对向量的距离进行标准化，保存为采样的数组；步骤S2、将基于向量采样的手势进行动态时间归整DTW匹配识别；动态时间归整DTW匹配识别步骤包括：提供一种在时间轴上富有更大弹性的相似度对比方法，使做匹配的数据能透过在时间轴上的扭曲，即伸展或压缩，找到最小误差的非线性对应；由于手势输入在时间轴上的连续性，使得基于向量的数据很适合用DTW匹配识别步骤；运用动态规划的思想，利用局部最佳化的处理来寻找一条路径使得两个特征矢量之间的累积失真量最小；X轴和Y轴分别为模板数据和待匹配的数据；X轴和Y轴的交点值代表所对应两个数组数据r[i]和t[j]的距离值，用D(r[i]，t[j])表示，距离值的计算方法用欧式距离算法实现；随后选择路径起点，利用局部路径约束使其朝规定方向动态规划，累加计算距离；步骤S3、将步骤S2返回的结果与设定阈值进行比较，做初步筛选；若没有匹配到手势，则转至步骤S4；若匹配到若干相似结果，则转至步骤S5；若成功匹配到唯一的手势，则直接返回结果；步骤S4、通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括：通过手势点类来记录手指在触屏上滑动产生的点(x，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类；对获取的手势进行预处理；预处理采用两种取样方法：时间采样temporalSampling和空间抽样spatialSampling；时间采样temporalSampling规定了采样点的个数N，计算所有手势点的总长度L，将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样点；空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果；经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离；欧几里得距离假设在d维空间有两点a＝[a1,a2,…,ad]，b＝[b1,b2,…,bd]则其欧几里得距离表示为：dist(a,b)=Σ1d(ai-bi)2;]]>余弦距离表示为：sim(a,b)=a·b|a||b|;]]>根据计算得到相似度最高的手势即为最匹配手势；步骤S5、利用向量的距离进行筛选，或者通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括：通过手势点类来记录手指在触屏上滑动产生的点(x，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类；对获取的手势进行预处理；预处理采用两种取样方法：时间采样temporalSampling和空间抽样spatialSampling；时间采样temporalSampling规定了采样点的个数N，计算所有手势点的总长度L，将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样点；空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果；经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离；欧几里得距离假设在d维空间有两点a＝[a1,a2,…,ad]，b＝[b1,b2,…,bd]则其欧几里得距离表示为：dist(a,b)=Σ1d(ai-bi)2;]]>余弦距离表示为：sim(a,b)=a·b|a||b|;]]>根据计算得到相似度最高的手势即为最匹配手势。...

【技术特征摘要】
1.一种自适应手势识别方法，其特征在于，所述方法包括: 步骤S1、基于向量对手势进行采样； 将手势通过有方向和大小的向量来构造；输入的手势的每一个点代表触屏设备识别到的触屏点，并根据录入的顺序依次储存在点数组里；随后对手势点数组进行遍历，求出相邻点的方向，方向由前面的点指向后面的点，再将方向值转换为与设定的方向值组中最相近的方向值，并存为方向数组；对方向数组中连续的相同方向上点进行合并，计算连续方向点的距离同时将距离过短的向量作为噪点去除；再合并连续的相同方向点，这时提取出来的向量首尾相接能够大致描绘出手势的骨架，骨架保留了手势的主要特征，具有良好的区分度；最后对向量的距离进行标准化，保存为采样的数组； 步骤S2、将基于向量采样的手势进行动态时间归整DTW匹配识别； 动态时间归整DTW匹配识别步骤包括:提供一种在时间轴上富有更大弹性的相似度对比方法，使做匹配的数据能透过在时间轴上的扭曲，即伸展或压缩，找到最小误差的非线性对应；由于手势输入在时间轴上的连续性，使得基于向量的数据很适合用DTW匹配识别步骤；运用动态规划的思想，利用局部最佳化的处理来寻找一条路径使得两个特征矢量之间的累积失真量最小；X轴和Y轴分别为模板数据和待匹配的数据；X轴和Y轴的交点值代表所对应两个数组数据r[i]和t[j]的距离值，用D(r[i]，t[j])表示，距离值的计算方法用欧式距离算法实现；随后选择路径起点，利用局部路径约束使其朝规定方向动态规划，累加计算距离； 步骤S3、将步骤S2返回的结果与设定阈值进行比较，做初步筛选；若没有匹配到手势，则转至步骤S4 ;若匹配到若干相似结果，则转至步骤S5 ;若成功匹配到唯一的手势，则直接返回结果； 步骤S4、通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括: 通过手势点类来记录手指在触屏上滑动产生的点(X，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类； 对获取的手势进行预处理；预处理采用两种取样方法:时间采样temporal Samp ling和空间抽样 spatialSampling ； 时间采样temporal Samp ling规定了采样点的个数N,计算所有手势点的总长度L,将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样占.空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根据坐标点的小数部分判断点的比重，来填充N*N大小位图的数组，最后返回该数组作为取样结果； 经过变换取样标准化后会得到统一长度的样本数组，Android平台采用两种相似度算法分别为欧几里得距离和余弦距离； 欧几里得距离假设在d维空间有两点a = [ai，a2，％ad]，b=则其欧几里得距离表示为:dist(a；b)=拉(α, -?'?-; 余弦距离表示为:= ; 根据计算得到相似度最高的手势即为最匹配手势； 步骤S5、利用向量的距离进行筛选，或者通过模板匹配识别方式进行识别，返回结果；模板匹配识别步骤包括: 通过手势点类来记录手指在触屏上滑动产生的点(X，y)，点数据类型为浮点型；一段连续的手势点构造成手势笔画类，通过该类不仅储存连续的点信息，还提供计算手势点包围盒的方法，用于后期进行点的位移缩放；最后由一系列手势笔画构成最终的手势类； 对获取的手势进行预处理；预处理采用两种取样方法:时间采样temporal Samp ling和空间抽样 spatialSampling ； 时间采样temporal Samp ling规定了采样点的个数N,计算所有手势点的总长度L,将N个点根据L/N得到的距离，平均分布到手势线路上；最后分配好的N个点的坐标作为取样占.空间抽样spatialSampling是将手势渲染成N*N大小的2D位图，其先对手势大小缩放到统一大小，然后根...

【专利技术属性】
技术研发人员：李保印，
申请(专利权)人：西安闻泰电子科技有限公司，
类型：发明
国别省市：陕西;61