使用手势元素的手势识别制造技术

本公开内容的方面提供了用于捕捉手势的手势识别方法和装置。该装置将手势的原始数据分类成手势元素，以及使用这些手势元素之间的前后关系依赖性，以高准确度和较小的数据大小来执行手势识别。可以通过一个或多个手势元素的次序，来形成手势。

【技术实现步骤摘要】
【国外来华专利技术】使用手势元素的手势识别相关申请的交叉引用本申请要求享受2014年10月29日向美国专利商标局提交的、标题为“GestureRecognitionUsingGestureElements”的临时专利申请第62/069,923号和2014年11月20日向美国专利商标局提交的、标题为“GestureRecognitionUsingGestureElements”的非临时专利申请第14/548,775号的优先权和利益，故以引用方式将这两份申请的全部内容并入本文。
概括地说，下文讨论的技术涉及向电子设备输入信息，具体地说，下文讨论的技术涉及使用手势识别来输入信息。
技术介绍
运动捕捉可穿戴设备以增长的数量出现。一些示例是智能手表、活动追踪器、智能眼镜等等。用户可以通过包括物理按键、触摸(虚拟)按键、软键、触摸屏、触摸板、图像传感器或运动捕获传感器的各种方法，与这样的设备进行交互。此外，一些设备可以被配备为执行手势识别，作为与这些设备进行交互的方式。如本公开内容中所使用的手势，通常指代可以由设备使用各种传感器来捕捉的在时间上的一系列动作。例如，可以使用诸如手写笔、手指、手、识别棒之类的物体或者任何合适的物体，来执行手势。识别的手势可以使得设备执行某些动作或者不执行动作，或者表示到设备的输入信息。通常，手势识别系统基于从设备的传感器(例如，运动传感器)获得的原始数据，来执行手势识别。原始数据指代从设备的任何传感器获得的、没有经过实质性处理或者与手势识别有关的其它操作的数据，以及其还可以称为主数据或者传感器数据。基于原始数据的手势识别算法，通常需要高度准确地识别手势，以便从用户的角度来看实现更自然的输入。现有的手势识别技术通过对手势的整个输入序列(原始数据)使用公知的技术(比如，隐马尔科夫模型(HMM))，来对原始数据使用简单的机器学习。
技术实现思路
下文给出了对本公开内容的一个或多个方面的简单概括，以便提供对这样的方面的基本的理解。该概括部分不是对本公开内容的所有预期特征的详尽概述，也不是旨在标识本公开内容的所有方面的关键或重要元素，或者描述本公开内容的任意或全部方面的范围。其唯一目的是用简单的形式呈现本公开内容的一个或多个方面的一些概念，以此作为后文给出的更详细说明的序言。本公开内容的方面提供了一种用于捕捉手势的手势识别方法和装置。将手势的原始数据分类成手势元素，通过一个或多个手势元素的序列，来形成手势。使用这些手势元素之间的前后关系依赖性，以高准确度来执行手势识别。在一个方面，本公开内容提供了一种能在装置处操作的识别手势的方法。该装置从一个或多个手势捕捉传感器生成手势的原始数据，将原始数据分类成一个或多个手势元素，确定所述一个或多个手势元素之间的前后关系依赖性，并基于所确定的手势元素，识别该手势。本公开内容的另一个方面提供了一种用于识别手势的装置。该装置包括：一个或多个手势捕捉传感器；原始数据捕捉块，其被配置为从所述手势捕捉传感器中，生成手势的原始数据；手势元素分类块，其被配置为将该原始数据分类成一个或多个手势元素；前后关系依赖性确定块，其被配置为确定所述一个或多个手势元素之间的前后关系依赖性；手势识别块，其被配置为基于所确定的手势元素，识别该手势。本公开内容的另一个方面提供了一种用于识别手势的装置。该装置包括：用于从一个或多个手势捕捉传感器生成手势的原始数据的单元；用于将该原始数据分类成一个或多个手势元素的单元；用于确定所述一个或多个手势元素之间的前后关系依赖性的单元；以及用于基于所确定的手势元素，识别该手势的单元。本公开内容的另一个方面提供了一种包括有用于使装置识别手势的代码的计算机可读介质。当所述代码被执行时，使得所述装置执行以下操作：从一个或多个手势捕捉传感器生成手势的原始数据；将该原始数据分类成一个或多个手势元素；确定所述一个或多个手势元素之间的前后关系依赖性；以及基于所确定的手势元素，识别该手势。在阅读了下文的具体实施方式之后，将变得更加全面理解本专利技术的这些和其它方面。在结合附图阅读了下文的本专利技术的特定、示例性实施例的描述之后，本专利技术的其它方面、特征和实施例对于本领域技术人员来说将变得显而易见。虽然相对于下文的某些实施例和附图讨论了本专利技术的特征，但本专利技术的所有实施例可以包括本文所讨论的优势特征中的一个或多个优势特征。换言之，虽然将一个或多个实施例讨论成具有某些优势特征，但根据本文所讨论的本专利技术的各个实施例，也可以使用这样的特征中的一个或多个特征。用类似的方式，虽然下文将示例性实施例讨论成设备、系统或者方法实施例，但应当理解的是，这样的示例性实施例可以用各种各样的设备、系统和方法来实现。附图说明图1是根据本公开内容的方面，示出用于使用处理系统的装置的硬件实现方式的例子的框图。图2是根据本公开内容的方面，示出使用手势元素的手势捕捉方法的流程图。图3是根据本公开内容的方面，示出用于使用手势元素之间的前后关系依赖性，来识别手势的手势识别方法的流程图。图4是根据本公开内容的方面，示出手势和相应的手势元素的例子的绘图。图5是根据本公开内容的方面，示出控制手势捕捉的方法的流程图。图6是根据本公开内容的方面，示出手势元素分类方法600的流程图。图7是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定过程的例子的绘图。图8是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定过程的另一个例子的绘图。图9是根据本公开内容的方面，示出手势元素重新分类方法的流程图。具体实施方式下文结合附图陈述的具体实施方式旨在作为对各种配置的描述，而不旨在表示仅在这些配置中才可以实现本文所描述的概念。为了对各种概念有透彻理解，具体实施方式包括特定的细节。但是，对于本领域技术人员来说显而易见的是，在没有这些特定细节的情况下也可以实现这些概念。在一些实例中，为了避免对这些概念造成模糊，公知的结构和组件以框图形式示出。本公开内容的方面提供了用于将手势的原始数据分类成手势元素来执行手势识别的手势识别方法和装置。该方法使用手势元素之间的前后关系依赖性，以高准确度和高效率来执行手势识别。手势可以包括一个或多个手势元素的序列。每个手势元素可以是能根据原始数据进行识别的预定的运动或可区分的运动。在本公开内容的各个方面，可以通过利用手势的手势元素的前后关系依赖性来识别手势。对手势元素的使用可以促进增加数量的可识别手势，其中这些可识别手势被规定成手势元素的各种组合。图1是示出用于使用处理系统114的装置100的硬件实现方式的例子的图。装置100可以是移动电话、计算设备、游戏设备、手持型计算机、智能电话、可穿戴计算设备、平板计算机、便携式媒体播放器、媒体录制设备、物联网(IoT)设备等等。装置100的各种组件、框和/或电路，可以利用软件、硬件、固件和/或其组合来实现。根据本公开内容的各个方面，元素或者元素的任何部分或者元素的任意组合，可以利用包括一个或多个处理器104的处理电路114来实现。处理器104的例子包括微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立硬件电路和被配置为执行贯穿本公开内容描述的各种功能的其它适当硬件。也就是说本文档来自技高网...

【技术保护点】
一种能在装置处操作的识别手势的方法，包括：从一个或多个手势捕捉传感器生成手势的原始数据；将所述原始数据分类成一个或多个手势元素；确定所述一个或多个手势元素之间的前后关系依赖性；以及基于所确定的手势元素来识别所述手势。

【技术特征摘要】
【国外来华专利技术】2014.10.29 US 62/069,923;2014.11.20 US 14/548,7751.一种能在装置处操作的识别手势的方法，包括：从一个或多个手势捕捉传感器生成手势的原始数据；将所述原始数据分类成一个或多个手势元素；确定所述一个或多个手势元素之间的前后关系依赖性；以及基于所确定的手势元素来识别所述手势。2.根据权利要求1所述的方法，还包括：基于所述一个或多个手势元素之间的所述前后关系依赖性，对所述手势元素进行重新分类。3.根据权利要求2所述的方法，其中，所述对所述手势元素进行重新分类包括：在第一时间间隔中，将所述手势的第一部分的原始数据分类成第一手势元素；以及在所述第一时间间隔之后的第二时间间隔中，基于所述手势元素的所述前后关系依赖性，将所述手势的所述第一部分的原始数据分类成第二手势元素。4.根据权利要求1所述的方法，其中，从所述手势捕捉传感器获得的所述原始数据没有经过处理或者没有经历与手势识别有关的操作。5.根据权利要求1所述的方法，其中，所述一个或多个手势捕捉传感器包括陀螺仪、加速度计、照相机、卫星跟踪器、运动感测设备或者位置感测设备中的至少一者。6.根据权利要求1所述的方法，其中，所述确定所述前后关系依赖性包括：确定所述一个或多个手势元素以时间顺序或次序彼此相邻出现的概率。7.根据权利要求6所述的方法，其中，所述一个或多个手势元素以时间顺序或次序彼此相邻出现的所述概率是通过使用高斯混合模型来确定的。8.根据权利要求6所述的方法，其中，所述一个或多个手势元素以时间顺序或次序彼此相邻出现的所述概率是通过使用深度神经网络来确定的。9.根据权利要求1所述的方法，其中，所述手势包括由所述装置接收的非语言输入。10.根据权利要求1所述的方法，其中，识别所述手势包括：确定在词汇中与所述手势元素相对应的手势。11.根据权利要求1所述的方法，其中，对所述原始数据进行分类包括：使用基于隐马尔科夫模型的方法来对所述原始数据进行处理，以确定所述手势元素。12.一种用于识别手势的装置，包括：一个或多个手势捕捉传感器；原始数据捕捉块，其被配置为从所述手势捕捉传感器生成手势的原始数据；手势元素分类块，其被配置为将所述原始数据分类成一个或多个手势元素；前后关系依赖性确定块，其被配置为确定所述一个或多个手势元素之间的前后关系依赖性；以及手势识别块，其被配置为基于所确定的手势元素来识别所述手势。13.根据权利要求12所述的装置，其中，所述手势元素分类块被配置为：基于所述一个或多个手势元素之间的所述前后关系依赖性，对所述手势元素进行重新分类。14.根据权利要求13所述的装置，其中，所述手势元素分类块被配置为：在第一时间间隔中，将所述手势的第一部分的原始数据分类成第一手势元素；以及在所述第一时间间隔之后的第二时间间隔中，基于所述手势元素的所述前后关系依赖性，将所述手势的所述第一部分的原始数据分类成第二手势元素。15.根据权利要求12所述的装置，其中，从所述手势捕捉传感器获得的所述原始数据没有经过处理或者没有经历与手势识别有关的操作...

【专利技术属性】
技术研发人员：丸谷佳久，M·W·帕登，M·C·达根，樽井健人，
申请(专利权)人：高通股份有限公司，
类型：发明
国别省市：美国,US