The invention relates to a dynamic gesture recognition method based on Hidden Markov model, including the training of Cin Markoff model (HMM) and continuous dynamic gesture segmentation and recognition; the invention can effectively detect the starting point of the real-time continuous dynamic gesture and end point, and further improve the real-time gesture of others, people with normal gestures communication habits, gestures make communication more natural and smooth, and the invention combines weighted processing, effective segmentation complex gesture sequence, reduce redundant data, further recognition to extract the effective gestures of energy in the large dynamic gesture recognition, gesture recognition rate improved gesture segmentation, so as to further improve the gesture recognition accuracy and efficiency, and can effectively solve the real-time, continuous spatio-temporal difference of dynamic gestures and gestures of the beginning to the end of the gesture Segmentation problem.
【技术实现步骤摘要】
一种基于隐马尔科夫模型的动态手势切分识别方法
本专利技术涉及人工智能及模式识别
,尤其是一种基于隐马尔科夫模型的动态手势切分识别方法。
技术介绍
随着手机触摸操作和人体跟踪识别的发展,人们体会到了手势交互方式具有以人为中心的自然性,简洁性,和直接性等优势,基于人手智能输入的交互界面正在成为新的技术趋势,尤其是随着沉浸式虚拟现实新设备的兴起,各种交互方案被用来提高沉浸式体验,其中以手势交互最为简洁、直接、自然。手势识别作为一种人机交互手段,已广泛应用于增强现实,虚拟现实,体感游戏等场景,对于这些应用场景,操作手势是随机嵌入在连续动作流当中的,目前许多基于视觉的手势识别系统都假设输入的各个动作间存在停顿或已经切分好的独立手势,而在实时场景下的应用研究相对较少,在实际应用条件下难以在复杂手势流中定位具有操作意义手势的开始和结束关键点;并且同一种手势由于执行速度不同和动作幅度不同而不可避免地带有时空差异性,对识别的准确率和鲁棒性会造成很大影响,造成了自动切分困难,实时性差,以及手势识别率不高的问题。
技术实现思路
针对现有技术的不足,本专利技术提供一种基于隐马尔科夫模型的动态手势切分识别方法。本专利技术的技术方案为:一种基于隐马尔科夫模型的动态手势切分识别方法,包括训练隐马尔科夫模型(HMM)和连续动态手势切分与识别;S1)、训练隐马尔科夫模型(HMM)S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据,其中,每个手势的手部姿态数据包括M个子训练样本,每个训练样本包括t个时刻,每个时刻包含n个特征数据,每个子训练样本的数据表示为S=(s1,1,s ...
【技术保护点】
一种基于隐马尔科夫模型的动态手势切分识别方法,包括训练隐马尔科夫模型(HMM)和连续动态手势切分与识别;S1)、训练隐马尔科夫模型(HMM)S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据,其中,每个手势的手部姿态数据包括M个子训练样本,每个子训练样本包括t个时刻,每个时刻包含n个特征数据,每个子训练样本的数据表示为S=(s1,1,s1,2,...s1,t;s2,1,s2,2,...s2,t;...;sn,1,sn,2,...sn,t),其中,si,j表示该样本j时刻第i个特征的数据;S102)、对每个子训练样本S进行差分预处理,得到同一特征数据相邻两时刻数据之间的差距di,j,同一手势相邻两时刻之间的差距di,j=si,j+1‑si,j,差分预处理后的子训练样本的数据为D=(d1,1,d1,2,...d1,t‑1;d2,1,d2,2,...d2,t‑1;...;dn,1,dn,2,...dn,t‑1);S103)、针对每个子训练样本的数据计算得到其总能量W,其表达式为:
【技术特征摘要】
1.一种基于隐马尔科夫模型的动态手势切分识别方法,包括训练隐马尔科夫模型(HMM)和连续动态手势切分与识别;S1)、训练隐马尔科夫模型(HMM)S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据,其中,每个手势的手部姿态数据包括M个子训练样本,每个子训练样本包括t个时刻,每个时刻包含n个特征数据,每个子训练样本的数据表示为S=(s1,1,s1,2,...s1,t;s2,1,s2,2,...s2,t;...;sn,1,sn,2,...sn,t),其中,si,j表示该样本j时刻第i个特征的数据;S102)、对每个子训练样本S进行差分预处理,得到同一特征数据相邻两时刻数据之间的差距di,j,同一手势相邻两时刻之间的差距di,j=si,j+1-si,j,差分预处理后的子训练样本的数据为D=(d1,1,d1,2,...d1,t-1;d2,1,d2,2,...d2,t-1;...;dn,1,dn,2,...dn,t-1);S103)、针对每个子训练样本的数据计算得到其总能量W,其表达式为:其中,wi表示子训练样本D第i维特征的能量,W表示该子训练样本D的总能量,其第i维特征数据的能量为:S104)、对子训练样本的数据进行S加权处理,根据计算得到相应子训练样本数据每一维特征数据的权值qi,其中,qi表示子训练样本数据D的第i维特征的权值,将该子训练样本数据每一维特征的权值qi与其不同时刻的对应维特征数据si,t相乘,从而实现对子训练样本数据进行S加权处理,;S105)、采用kmeans聚类算法对加权后的子训练样本数据S进行离散化处理,将子训练样本数据S表示为S=(s1,s2,...st),其中,Sj=(s1,j,s2,j,...sn,j)表示j时刻的手部姿态数据,预设m个类别,随机初始化m个聚类中心,m个类别的聚类中心分别记为Cz(z=1,2,...m),通过计算每一时刻手部姿态数据的类别,其中Gj表示j时刻的手部姿态数据的类别,然后对每一个类别Gj,重...
【专利技术属性】
技术研发人员:代雨锟,黄昌正,周言明,韦伟,钟嘉茹,
申请(专利权)人:广州幻境科技有限公司,
类型:发明
国别省市:广东,44
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。