一种手势识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种手势识别方法，应用于电子设备，所述电子设备确定人手活动的时间段，并提取该活动时间段内的待识别手势的手部视频，确定关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；计算每个子区域的相对密度值，确定待识别手势的密度分布特征向量；计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小的标准手势作为目标手势。本发明专利技术实施例利用手部视频获得待识别手势的密度分布特征向量，计算该密度分布特征向量与预设的标准手势库中的每个标准手势的密度分布特征向量的欧氏距离，取欧氏距离最小的标准手势作为确定的目标手势，使手势识别的准确性得到了提高。

【技术实现步骤摘要】

本专利技术涉及动作识别领域，特别涉及一种手势识别方法及装置。
技术介绍
现有的手势识别技术，一般会使用具有轨迹传感器和肌电传感器的手套或手环，获取手部运动时产生的轨迹信号和肌电信号，用来对用户的手势进行识别。通常所述轨迹传感器包括加速计和陀螺仪，对大幅度动作的检测具有优势，肌电传感器可以检测到生物体运动时产生的肌电信号，对人体细微动作的检测具有优势。在现有技术中，可以通过轨迹传感器和肌电传感器实现对手势的识别，具体识别过程是通过肌电传感器和轨迹传感器获取手部运动产生肌电信号和轨迹信号，并根据手部运动的时间段，生成该时间段对应的肌电特征量和轨迹特征量，根据生成的肌电特征量、轨迹特征量，在预设的标准手势库中查找满足特征量条件的标准手势。通常通过现有技术的方法，筛选出的为满足条件的多个标准手势，在多个标准手势中任意选择一个作为目的手势，因为选择的任意性，选择出的目的手势可能与实际的手势是存在差别的，从而影响识别的准确性。
技术实现思路
本专利技术实施例公开了一种手势识别方法及装置，使手势识别的准确性得到了提高。本专利技术实施例提供了一种手势识别方法，应用于电子设备，所述方法包括步骤：使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段；在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频；从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。本专利技术实施例提供了一种手势识别装置，应用于电子设备，所述装置包括：活动时间段确定模块，用于使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段；视频提取模块，用于在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频；区域确定模块，用于从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域；子区域确定模块，用于将所述手部区域划分为预设数量个子区域；相对密度确定模块，用于根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；密度分布特征向量确定模块，用于根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；欧氏距离确定模块，用于根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；目标手势确定模块，用于以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。为达到上述目的，本专利技术实施例公开了一种手势识别方法，应用于电子设备，所述电子设备使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段；在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频；从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。由于本专利技术实施例利用手部视频获得待识别手势的密度分布特征向量，通过计算所述待识别手势的密度分布特征向量与预设的标准手势库中的每个标准手势的密度分布特征向量的欧氏距离，取所述欧氏距离最小值所对应的标准手势，作为确定的目标手势，使手势识别的准确性得到了提高。附图说明为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本专利技术的一些实施例，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。图1为本专利技术实施例一提供的一种手势识别方法的流程示意图；图2为本专利技术提供的手部区域划分为多个子区域示意图；图3为本专利技术实施例二提供的一种手势识别方法的流程示意图；图4为本专利技术实施例三提供的一种手势识别方法的流程示意图；图5为本专利技术实施例四提供的一种手势识别方法的流程示意图；图6为本专利技术实施例五提供的一种手势识别方法的流程示意图；图7为本专利技术实施例一提供的一种手势识别装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面通过具体实施例，对本专利技术进行详细说明。图1为本专利技术实施例一提供的一种手势识别方法的流程示意图，所述方法应用于电子设备，该方法可以包括步骤：S101：使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段。例如，使用一定长度时间窗在获取的人手肌电信号上从该信号的0时刻开始，按照固定的步长进行平移，每平移一个步长，计算此刻时间窗所截取的人手肌电信号的样本熵是否大于预设阈值，若大于，则继续按步长进行平移且计算当前时刻时间窗内所截取的人手肌电信号的样本熵是否大于预设阈值，依次进行下去，直到判断当前时刻时间窗内所截取的人手肌电信号的样本熵不大于预设阈值，则将从所述0时刻开始到当前判断出不大于预设阈值时刻之间的连续时间段作为人手活动的活动时间段。其中，计算时间窗所截取的人手肌电信号的样本熵为现有技术，本专利技术不再赘述。S102：在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频。根据步骤S101所确定的人手活动的活动时间段，在图像采集设备所采集的手部视频中，提取该时间段内的视频。例如通过步骤S101确定了时刻t0到时刻t1这一段时间为人手活动的活动时间段，则在图像采集设备所采集的手部视频中，提取出时刻t0到时刻t1所录制的人手视频。S103：从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像
中的手部区域。关键帧为所述手部视频中最能代表手部手势特征的一帧图像，确定手部视频的关键帧图本文档来自技高网...

【技术保护点】
一种手势识别方法，其特征在于，应用于电子设备，所述方法包括步骤：使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段；在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频；从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。

【技术特征摘要】
1.一种手势识别方法，其特征在于，应用于电子设备，所述方法包括步骤：使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动的活动时间段；在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视频；从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。2.根据权利要求1所述的方法，其特征在于，所述将所述手部区域划分为预设数量个子区域，包括：获取所述手部区域的质心，和所述质心到所述手部区域中手部像素点的距离的最大值D；以所述质心为圆心，根据预设的画圆规则，在所述手部区域上画M个半径各不相等的同心圆，以使所述M个同心圆将所述手部图像划分出一个圆形子区域和M-1个环形子区域，其中半径的最大的同心圆的半径值为D，其中M为预设的整数值。3.根据权利要求2所述的方法，其特征在于，所述根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像
\t素点的相对密度值，包括：统计每个所述子区域内属于所述手部区域的像素点的数目；按照下述公式，计算每个子区域的属于所述手部区域的像素点的相对密度值：ri=SiSmax,i=1,2,...,M]]>其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部区域的像素点的相对密度值，Si表示编号为i的子区域内属于所述手部区域的像素点的数目，Smax表示Si中的最大值。4.根据权利要求1所述的方法，其特征在于，在所述根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值之后、根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量之前，所述方法还包括：根据每个所述相对密度值，计算每个所述相对密度值的一阶差分，得到与所述每个相对密度值对应的一阶差分值；所述根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量，包括：将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。5.根据权利要求4所述的方法，其特征在于，所述每个标准手势的密度分布特征向量能够被分解为标准手势相对密度值向量和标准手势一阶差分值向量；所述根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离，包括：计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量的欧氏距离d1，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量的欧氏距离d2；根据所述d1和d2，按照下式计算综合欧氏距离值d：d＝α*d1+β*d2其中，α和β为预设的经验值；所述以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势，包括：判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作为目标手势。6.根据权利要求4所述的方法，其特征在于，所述根据每个所述相对密度值，计算每个所述相对密度值的一阶差分，得到与所述每个相对密度值对应的一阶差分值，包括：按照下述公式，计算每个所述相对密度值的一阶差分：dri=|r1-r2|,i=1|2r1-ri-1-ri+1|,1<i<M|rM-rM-1|,i=M]]>其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部像素点区域的像素点的相对密度，dri表示编号为i的相对密度值的一阶差分值。7.根据权利要求1～6任一所述的方法，其特征在于，所述根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括：根据通过加速度传感器获取的该时间段对应的加速度信号的加速度均值，确定所述加速度均值所在的至少一个预设的数值范围；计算所述加速度均值与其所在的至少一个预设的数值范围的中心点的差值；根据得到所述差值的最小值的数值范围所对应的手势朝向，在所述预设的标准手势库中，筛选与所述手势朝向相同的多个待选手势，以所述多个待选手势的集合作为预设的标准手势库。8.根据权利要求1～7任一所述的方法，其特征在于，在所述根据所述待识
\t别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括：根据通过肌电传感器获取的该时间段对应的肌电信号的幅度变化的绝对值均值，和根据通过加速度传感器获取的该时间段对应的加速度信号的加速度方差，与对应的预设的绝对均值阈值和加速度方差阈值比较，确定所述待识别手势的单双手类；根据确定的所述待识别手势的单双手类，在所述预设的标准手势库中，筛选与所述手势单双手类相同的多个待选手势，以所述多个待选手势的集合作为预设的标准手势库。9.根据权利要求1～8任一所述的方法，其特征在于，在所述根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括：根据该时间段获取的人手肌电信号及自回归模型，确定人手肌电信号对应的自回归模型系数向量；对通过加速度传感器获取的该时间段对应的加速度信号进行抽样，生成具有固定长度的抽样信号；利用预设的肌电隐马尔可夫模型对所述自回归模型系数向量进行建模，获得肌电模型向量；利用预设的轨迹隐马尔可夫模型对所述抽样信号进行建模，获得轨迹模型向量；根据所述肌电模型向量和所述轨迹模型向量，采用似然概率融合的方法，得到融合向量，计算所述融合向量和与其对应的预设的标准手势库中的每个标准手势的密度分布特征向量的乘积，针对每个乘积，判断所述乘积是否大于预设的乘积值，若大于，则将该乘积对应的标准手势确定为待选手势，进而确定出多个待选手势，以所述多个待选手势的集合作为预设的标准手势库。10.根据权利要求9所述的方法，其特征在于，所述根据该时间段获取的
\t人手肌电信号及自回归模型，确定人手肌电信号对应的自回归模型系数向量，包括：利用分帧技术，将所述人手肌电信号进行分帧处理，得到F个分帧段，其中F为预设的整数值；针对每个所述分帧段，获取其N个自回归模型...

【专利技术属性】
技术研发人员：朱柏涛，谢琳，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京;11