本公开涉及一种建立手势识别模型的方法、装置、存储介质及电子设备，所述方法包括：获取多类手势样本的数值特征和图像HOG特征；针对每类所述手势样本，对该类手势样本的数值特征和图像HOG特征进行特征融合，得到该类手势样本的目标特征集合；根据各类所述手势样本的目标特征集合，建立手势识别模型。通过本公开的技术方案，相比于现有技术中仅通过各类手势样本的数值特征建立手势识别模型，可以提升手势识别模型的预测精度。
【技术实现步骤摘要】
建立手势识别模型的方法、装置、存储介质及电子设备
本公开涉及人机交互
，具体地，涉及一种建立手势识别模型的方法、装置、存储介质及电子设备。
技术介绍
当前，人机交互技术已经从计算机为中心逐步转移到以用户为中心，是多种通道、多种媒体的交互技术。手势是一种自然、直观、易于学习的人机交互手段，其在人机交互技术中占有重要的地位。基于手势的人机交互技术，是以用户的手势作为计算机的输入，通过对手势进行识别实现对目标设备的控制。现有技术中，通常通过LeapMotion等体感设备获取各类手势的数值特征，基于这些数值特征建立手势识别模型并根据手势识别模型对待识别手势进行识别。然而，现有的手势识别模型的识别精度不高，容易造成手势误识别，进而在实际应用中将导致系统接收到错误的机器指令，影响用户体验。
技术实现思路
为了克服现有技术中存在的问题，本公开是提供一种建立手势识别模型的方法、装置、存储介质及电子设备。为了实现上述目的，本公开提供一种建立手势识别模型的方法，包括：获取多类手势样本的数值特征和图像HOG特征；针对每类所述手势样本，对该类手势样本的数值特征和图像HOG特征进行特征融合，得到该类手势样本的目标特征集合；根据各类所述手势样本的目标特征集合，建立手势识别模型。可选地，所述获取多类手势样本的数值特征，包括：获取该类手势样本的以下数值特征：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述对该类手势样本的数值特征和图像HOG特征进行特征融合，包括：将任意所述数值特征进行组合，得到多个数值特征组合；分别将每一所述数值特征组合与所述图像HOG特征进行融合，得到该类手势样本的多个特征组合，所述目标特征集合包括所述多个特征组合；所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，根据该类手势样本的各个所述特征组合分别对该类手势样本对应的分类器进行训练，得到多个候选分类器；将所述多个候选分类器中精度最高的候选分类器作为该类手势样本对应的目标分类器；根据各类所述手势样本对应的目标分类器，建立所述手势识别模型。可选地，所述数值特征包括以下至少一种：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，根据该类手势样本的目标特征集合对该类手势样本对应的分类器进行训练；根据各类所述手势样本对应的训练后的分类器，建立所述手势识别模型。可选地，所述对该类手势样本的数值特征和图像HOG特征进行特征融合，包括：根据如下公式进行特征融合：F＝[FN,w·FH]其中，F为该类手势样本的目标特征集合，FN为该类手势样本的数值特征，FH为该类手势样本的HOG特征值，w为预设权重系数。可选地，所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，基于PCA算法对该类手势样本的目标特征集合进行降维；根据每类所述手势样本的降维后的目标特征集合，建立所述手势识别模型。本公开还提供一种建立手势识别模型的装置，包括：特征获取模块，被配置为获取多类手势样本的数值特征和图像HOG特征；特征融合模块，被配置为针对每类所述手势样本，对该类手势样本的数值特征和图像HOG特征进行特征融合，得到该类手势样本的目标特征集合；模型建立模块，被配置为根据各类所述手势样本的目标特征集合，建立手势识别模块。可选地，所述特征获取模块包括：特征获取子模块，被配置为针对每类所述手势样本，获取该类手势样本的以下数值特征：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述特征融合模块包括：数值特征组合子模块，被配置为将任意所述数值特征进行组合，得到多个数值特征组合；第一特征融合子模块，被配置为分别将每一所述数值特征组合与所述图像HOG特征进行融合，得到该类手势样本的多个特征组合，所述目标特征集合包括所述多个特征组合；所述模型建立模块包括：第一训练子模块，被配置为针对每类所述手势样本，根据该类手势样本的各个所述特征组合分别对该类手势样本对应的分类器进行训练，得到多个候选分类器；分类器选择子模块，被配置为将所述多个候选分类器中精度最高的候选分类器作为该类手势样本对应的目标分类器；第一模型建立子模块，被配置为根据各类所述手势样本对应的目标分类器，建立所述手势识别模型。可选地，所述数值特征包括以下至少一种：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述模型建立模块包括：第二训练子模块，被配置为针对每类所述手势样本，根据该类手势样本的目标特征集合对该类手势样本对应的分类器进行训练；第二模型建立子模块，被配置为根据各类所述手势样本对应的训练后的分类器，建立所述手势识别模块。可选地，所述特征融合模块包括：第二特征融合子模块，被配置为根据如下公式进行特征融合：F＝[FN,w·FH]其中，F为该类手势样本的目标特征集合，FN为该类手势样本的数值特征，FH为该类手势样本的HOG特征值，w为预设权重系数。可选地，所述模型建立模块包括：降维子模块，被配置为针对每类所述手势样本，基于PCA算法对该类手势样本的目标特征集合进行降维；第三模型建立子模块，被配置为根据每类所述手势样本的降维后的目标特征集合，建立所述手势识别模型。本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的建立手势识别模型的方法的步骤。本公开还提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开提供的建立手势识别模型的方法的步骤。上述技术方案，通过获取多类手势样本的数值特征和图像HOG特征，并将分别将各类手势样本的数值特征和图像HOG特征进行特征融合以得到各类手势样本的目标特征集合，根据各类手势样本的目标特征集合建立手势识别模型，相比于现有技术中仅通过各类手势样本的数值特征建立手势识别模型，可以提升手势识别模型的预测精度。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1是根据本公开一示例性实施例示出的一种建立手势识别模型的方法的流程图图2是根据本公开一示例性实施例示出的手势样本的示意图；图3是根据本公开一示例性实施例示出的手势样本的手势数据的示意图；图4是根据本公开一示例性实施例示出的一种手势样本的原始图像及阈值分割后的图像；图5是根据本公开一示例性实施例示出的一种手本文档来自技高网...
【技术保护点】
1.一种建立手势识别模型的方法，其特征在于，包括：获取多类手势样本的数值特征和图像HOG特征；针对每类所述手势样本，对该类手势样本的数值特征和图像HOG特征进行特征融合，得到该类手势样本的目标特征集合；根据各类所述手势样本的目标特征集合，建立手势识别模型。
【技术特征摘要】
1.一种建立手势识别模型的方法，其特征在于，包括：获取多类手势样本的数值特征和图像HOG特征；针对每类所述手势样本，对该类手势样本的数值特征和图像HOG特征进行特征融合，得到该类手势样本的目标特征集合；根据各类所述手势样本的目标特征集合，建立手势识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取多类手势样本的数值特征，包括：获取该类手势样本的以下数值特征：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述对该类手势样本的数值特征和图像HOG特征进行特征融合，包括：将任意所述数值特征进行组合，得到多个数值特征组合；分别将每一所述数值特征组合与所述图像HOG特征进行融合，得到该类手势样本的多个特征组合，所述目标特征集合包括所述多个特征组合；所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，根据该类手势样本的各个所述特征组合分别对该类手势样本对应的分类器进行训练，得到多个候选分类器；将所述多个候选分类器中精度最高的候选分类器作为该类手势样本对应的目标分类器；根据各类所述手势样本对应的目标分类器，建立所述手势识别模型。3.根据权利要求1所述的方法，其特征在于，所述数值特征包括以下至少一种：该类手势样本各指尖的角度Ai；该类手势样本各指尖之间的距离Ti,j；该类手势样本各指尖与该类手势样本的掌心之间的欧式距离Di；该类手势样本各指尖到该类手势样本的手掌的掌面之间的垂直距离Ei；所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，根据该类手势样本的目标特征集合对该类手势样本对应的分类器进行训练；根据各类所述手势样本对应的训练后的分类器，建立所述手势识别模型。4.根据权利要求1～3中任一项所述的方法，其特征在于，所述对该类手势样本的数值特征和图像HOG特征进行特征融合，包括：根据如下公式进行特征融合：F＝[FN,w·FH]其中，F为该类手势样本的目标特征集合，FN为该类手势样本的数值特征，FH为该类手势样本的HOG特征值，w为预设权重系数。5.根据权利要求1～3中任一项所述的方法，其特征在于，所述根据各类所述手势样本的目标特征集合，建立手势识别模型，包括：针对每类所述手势样本，基于PCA算法对该类手势样本的目标特征集合进行降维；根据每类所述...
【专利技术属性】
技术研发人员：王占，邹康，纪勇，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁,21
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。