[发明专利]分割轨迹的方法和装置

说明书

本发明公开了一种分割轨迹的方法和装置。该轨迹分割方法包括：获取步骤，用于获取多个轨迹采样点；分割步骤，用于分割所述轨迹并且得到至少两个分割候选点；特征提取步骤，用于提取描述所述至少两个分割候选点之间的相对关系的一组特征；分类步骤，用于基于所提取的一组特征通过分类器将所述至少两个分割候选点分类为真分割点或假分割点。

技术领域

本发明一般涉及轨迹识别领域，具体涉及分割轨迹的方法及其装置。

背景技术

近年来，轨迹识别被广泛地应用于人机交互系统。手势识别的技术使得用户能够向电视、电脑、游戏盒和手机等发送指令。字符、句子或编码指令能够通过手势来表达。为了解码背后的含义或者控制目的设备的进一步操作，需要识别这些手势。

现有轨迹识别方法通常要求有意义的轨迹的位置作为输入。然而，要求这种输入可行常常不切实际，从而使得难以在许多真实世界场景中配置基于轨迹识别的系统。因此，分割输入轨迹以便区分有意义的段和非目标段是非常重要的，并且将会影响下一个识别的结果。

现有技术1[文献1]提出了一种自动方法来分割3D手轨迹并基于这些手轨迹转录音素，以此作为识别美国手语的步骤。首先应用分割算法检测最小速度和方向角的最大变化，以分割自然标记句子的手部运动轨迹。这就产生了由经过训练的朴素贝叶斯检测器进一步处理以辨别真分割点并消除假警报的过度分割的轨迹。

本发明要解决的问题包括局部特征的目标依赖性和局限性。朴素贝叶斯网络用来在给定描述候选分割点的局部信息的四个节点的观测值的情况下推断查询节点的概率。所观测的四个节点由条件概率表(CPT)来代表，该条件概率表通过使用训练期间的所有节点的值的最大似然估计而被训练。CPT的计算依赖于目标(即有意义的轨迹段)。当改变目标时，需要重新计算CPT。

例如，在训练阶段提供表示“2 4 6”序列的连续轨迹。在测试阶段，给出“1 3 5”序列。由于现有技术1具有目标依赖性，因此现有技术1仅学习如何分离2、4和6。在测试阶段，改变了目标。因此，如何分离未训练的目标1、3和5有待解决。现有技术1的CPT方案确定其目标依赖性。

示例性轨迹如图1所示。分割后，获得三个分割点(SP)。两个是真分割点，如SP1和SP2所示；另外一个是噪声，或者称为假警报。现有技术1考虑了局部特征(例如局部速度或局部方向角)。如图1所示，SP1、SP2和噪声点都具有局部最小速度和局部最大方向角。因此，如何将噪声点的微小变化与其他两个真分割点区分开来仍未解决。

现有技术2[文献2]提出了基于CHMM(级联隐马尔可夫模型)的轨迹分割方法。首先，现有技术2训练手势模型和过渡手势模型，然后定义级联隐马尔可夫模型(HMM)结构。接着，比较手势模型和过渡模型之间的似然性以得到终点，并使用维特比算法进行追溯以得到起点。该方法需要追溯到前面的候选分割点，因此计算成本很高。

如上所述，仍然需要能够有效地分割轨迹并对噪声和干扰具有鲁棒性的目标独立性方法。

[引用文献列表]

1.W.W.Kong and Surendra Ranganath,Automatic Hand TrajectorySegmentation and Phoneme Transcription for Sign Language,8th IEEEInternational Conference on Automatic Face and Gesture Recognition,2008

2.Hee-Deok Yang,A-Yeon Park,and Seong-Whan Lee,Gesture Spotting andRecognition for Human-Robot Interaction,IEEE Transactions on Robotics,Vol.23,No.2,April2007

发明内容