一种基于数理统计的数据手套手势识别算法制造技术

本发明专利技术公开了一种基于数理统计的数据手套手势识别算法，涉及人工智能技术领域。包括将佩戴的数据手套使用sensor.getData()方法，将同一个手势分为自然状态和伸张状态来分别收集传感器角度值，将数值分别保存在两个本文文档中。读取文本文档中的数值，保存在数组a1和b1，a2和b2，...，a20和b20中，ai＝(ai,1,ai,2,ai,3,..,ai,24)，bi＝(bi,1,bi,2,bi,3,..,bi,24)中。该发明专利技术通过计算标准差和相关系数，来判断随机获取手势与模板库中的手势间的偏移程度和线性关系，在模板库中找出与随机获取手势最相近的手势。通过两次筛选，逐渐提高筛选值精度，从而使得手势识别非常精确。而且基于数据手套的手势识别可以排除外界环境的干扰。

A data glove gesture recognition algorithm based on mathematical statistics

【技术实现步骤摘要】
一种基于数理统计的数据手套手势识别算法
本专利技术涉及人工智能
，具体为一种基于数理统计的数据手套手势识别算法。
技术介绍
手语识别和人机交互中常常会用到手势识别技术。手势识别的过程就是将手的模型参数空间里的轨迹点分类到空间的某个子集的过程,静态手势对应着模型参数空间里的一个点,而动态手势则对应着模型参数空间的一条轨迹,因此它们的识别方法是不同的。现有的手势识别技术主要有模板匹配法、神经网络法,及隐马尔可夫模型法等。其中神经网络是基于视觉的手势识别方法。隐马尔可夫模型法适合于动态手势识别,而人工神经网络更适合静态手势识别。但这些技术由于手势的时间性、空间性等一些固有特性,以及人手是复杂变形体,加之视觉方法本身具有不稳定性,增加了基于视觉的手势识别的难度，以至于手势的识别率不高，很大程度上影响了手势识别的效果和性能，交互性也并不好，达不到手势高效率识别的目的。具体的，在现有技术中常用的手势识别方法为：通过使用手势数学模型，用十元组,(K1,K2，…,K10)表示十个手指关节的弯曲状态,通过对元素项取值为-1，1，或者0来描述手势。在创建模板时，采用“模板训练”思想,针对标准手势采本文档来自技高网...

【技术保护点】
1.一种基于数理统计的数据手套手势识别算法，其特征在于：包括以下步骤第一步：将佩戴的数据手套使用sensor.getData()方法，将同一个手势分为自然状态和伸张状态来分别收集传感器角度值，将数值分别保存在两个本文文档中。读取文本文档中的数值，保存在数组a1和b1，a2和b2，...，a20和b20中，ai＝(ai,1,ai,2,ai,3,..,ai,24)，bi＝(bi,1,bi,2,bi,3,..,bi,24)中；第二步：操作者佩戴上数据手套，并且通过第一步中提到的sensor.getData()方法，实时获取各个传感器的弯曲角度值，保存在数组data中；第三步：计算标准差；第四步：标准...

【技术特征摘要】
1.一种基于数理统计的数据手套手势识别算法，其特征在于：包括以下步骤第一步：将佩戴的数据手套使用sensor.getData()方法，将同一个手势分为自然状态和伸张状态来分别收集传感器角度值，将数值分别保存在两个本文文档中。读取文本文档中的数值，保存在数组a1和b1，a2和b2，...，a20和b20中，ai＝(ai,1,ai,2,ai,3,..,ai,24)，bi＝(bi,1,bi,2,bi,3,..,bi,24)中；第二步：操作者佩戴上数据手套，并且通过第一步中提到的sensor.getData()方法，实时获取各个传感器的弯曲角度值，保存在数组data中；第三步：计算标准差；第四步：标准差计算完成之后，根据标准差来进行筛选，即筛选出最小的标准差；第五步：进行第二轮筛选，筛选之前，要先计算相关系数；第六步：相关系数(r)计算完成之后，从r＝(r1,...,rnm)中筛选出最大的相关系数。2.根据权利要求1所述的一种基于数理统计的数据手套手势识别算法，其特征在于：所述第三步步骤中，计算标准差的计算方式为：(1)对于任意的i(1<＝i<＝20),计算平均数：(2...

【专利技术属性】
技术研发人员：张效娟，毛亚平，程思，
申请(专利权)人：青海师范大学，
类型：发明
国别省市：青海,63