一种精细化手势识别方法、装置及设备制造方法及图纸

一种精细化手势识别方法包括：提取手部关节位置的局部特征，所述局部特征包括相对位置特征和/或时序位移特征；根据所述相对位置特征和/或时序位移特征进行聚类计算，得到所述相对位置特征和/或时序位移特征所对应的聚类特征；根据所述聚类特征与手势类别的对应关系，进行聚类特征模型训练，根据训练后的聚类特征模型进行手势识别。可以实现不等长的动态手势到固定长度特征的转变，有助于分类器对手势类型进行相似度度量，并且有利于实现手指精细化运动过程的判断和实现大幅度运动的检测。

Fine gesture recognition method, device and equipment

Including a fine gesture recognition method: local feature extraction of hand joint position, the local features including the relative position feature and / or temporal displacement characteristics; according to the characteristics of the relative position and / or temporal displacement characteristics of the clustering algorithm, clustering feature to obtain the relative position feature and / or temporal displacement characteristics the corresponding; according to the corresponding relationship between clustering feature and gesture categories, training feature clustering model, gesture recognition according to the clustering model after training. It can realize the change of unequal length dynamic gesture to fixed length feature, which can help the classifier to measure the similarity of gesture types, and is helpful to realize the judgment of fine motion process of finger and realize the detection of large amplitude motion.

【技术实现步骤摘要】
一种精细化手势识别方法、装置及设备
本专利技术属于手势识别领域，尤其涉及一种精细化手势识别方法、装置及设备。
技术介绍
在智能电视、穿戴式移动终端、个人计算机或虚拟现实设备等人机交互系统中，经常会使用到在线的手势识别的交互输入。根据数据采集方式的不同，目前国内外手势识别的方法可以分为基于穿戴式设备和基于视觉两种。其中：基于穿戴式设备的手势识别方法主要是利用加速度计、陀螺仪等传感器获取手势在三维空间的运动轨迹信息，基于穿戴式设备进行手势识别的优点在于可以配备多个传感器以获得精确的手部关节的相对位置信息和空间运动轨迹，识别的准确率较高，但该方法需要佩戴复杂的设备或装置，如数据手套、位置跟踪器，穿戴较为繁琐，给人机交互系统的自然性带来了一定影响。基于视觉的手势识别方法可以很好地解决人机交互时的自然性问题，由可见光摄像头获取手部区域的图像数据，然后进行手部目标区域的分割、特征提取、分类过程。但是，现有基于视觉的手势识别方法只能处理单一类型的静态手势(如单张图像的手势数字识别)或动态手势(手掌上下滑动翻页)，在处理不等长序列的手势识别问题中，现有的手势识别方法多采用动态时间规整算法进行手势运动本文档来自技高网...

【技术保护点】
一种精细化手势识别方法，其特征在于，所述精细化手势识别方法包括：提取手部关节位置的局部特征，所述局部特征包括相对位置特征和/或时序位移特征；根据所述相对位置特征和/或时序位移特征进行聚类计算，得到所述相对位置特征和/或时序位移特征所对应的聚类特征；根据所述聚类特征与手势类别的对应关系，进行聚类特征模型训练，根据训练后的聚类特征模型进行手势识别。

【技术特征摘要】
1.一种精细化手势识别方法，其特征在于，所述精细化手势识别方法包括：提取手部关节位置的局部特征，所述局部特征包括相对位置特征和/或时序位移特征；根据所述相对位置特征和/或时序位移特征进行聚类计算，得到所述相对位置特征和/或时序位移特征所对应的聚类特征；根据所述聚类特征与手势类别的对应关系，进行聚类特征模型训练，根据训练后的聚类特征模型进行手势识别。2.根据权利要求1所述的精细化手势识别方法，其特征在于，提取手部关节位置的局部特征中的相对位置特征的步骤包括：获取T帧动态手势图像，确定每帧动态手势图像中的手部的节点的位置；根据手部的节点中包括的根节点与对应的子节点的位置，计算得到子节点相对于根节点的相对位置特征。3.根据权利要求2所述的精细化手势识别方法，其特征在于，所述根据手部的节点中包括的根节点与对应的子节点的位置，计算得到子节点相对于根节点的相对位置特征的步骤包括：获取T帧动态手势图像中的第t′帧的相对位置特征其中：表示根节点的位置，表示与所述根节点对应的子节点的位置，u∈{i|1≤i≤N}，h＝1表示左手，h＝2表示右手，1≤t′≤T，N为节点的个数。4.根据权利要求1所述的精细化手势识别方法，其特征在于，提取手部关节位置的局部特征中的时序位移特征的步骤包括：获取T帧动态手势图像，确定每帧动态手势图像中的位移特征参考点；根据每两帧相邻的图像中的位移特征参考点的位置，确定所述动态手势图像所对应的时序位移特征。5.根据权利要求4所述的精细化手势识别方法，其特征在于，所述根据每两帧相邻的图像中的位移特征参考点的位置，确定所述动态手势图像所对应的时序位移特征的步骤包括：获取第t″帧的时序位移特征其中，为第t″帧的位移特征参考点，为第t″-1帧的位移特征参考点，1<t″≤T，v∈{i|1≤i≤N}，M为位移特征参考点个数且1≤v≤M，h＝1表示左手，h＝2表示右手，N为节点的个数。6.根据权利要求...

【专利技术属性】
技术研发人员：姬晓鹏，程俊，潘亮亮，张丰，方琎，
申请(专利权)人：中国科学院深圳先进技术研究院，深圳市腾讯计算机系统有限公司，
类型：发明
国别省市：广东,44