[发明专利]一种端到端的多模态人机交互指令识别方法

摘要

本发明属于多通道人机交互技术领域，特别是涉及一种端到端的多模态人机交互指令识别方法。本发明提出一种端到端的多模态交互指令识别方法，这种方法各个交互指令同时进入深度人工神经网络进行处理，直接输出最终的融合指令，使得各种模态隐含的交互信息深层次融合，从而提高多模态人机交互指令的识别准确度。

主权项

1.一种端到端的多模态人机交互指令识别方法，其特征是包含以下步骤：第一步，将传感器获取的语音向量xs、触控向量xt与手势向量xg数据，输入至深度神经网络的前端数据缓冲区中，以便能同步送入深度神经网络进行处理；第二步，预处理深度神经网络根据语音、触控与手势信号的不同特性，选择相应的网络类型，对它们进行不同的预处理；语音信号采用双向长短时记忆神经网络(LSTM)进行处理，经过多层计算得到的全连接层信号为ys；触控信号与手势信号都具有图像的特征，采用卷积神经网络(CNN)进行处理，触控信号与手势信号首先要进行多次的卷积与池化，并完成数据的降维；同时，在数据输入到下一层之前，还必须进行一定的非线性映射，具体的映射策略如下： 对输入信号m,仅当m＞0的时候才输出原值，它保证了输入信号的多变性；经过CNN输出的全连接层信号为yg与yt；第三步，对ys、yg与yt进行连接后，得到全连接特征信号：y＝[ys,yt,yg]T该特征信号隐含了多模态交互的大量信息；计算输出待分类特征的特征向量p；第四步，对特征向量进行softmax回归；定义回归参数向量θ，有k个交互信号，输入样本为p，输出样本为h(p)，则最终输出的系统函数为： 其中：p(i)的每一个元素，代表k个交互信号中每一个信号发生的概率；第五步，对hθ(p(i))进行最大值检测以及次大值检测，得到的最大值为v1，次大值为v2；当v1与v2的比率大于预先设定的阈值的时候，直接给出最大值所对应的交互指令；当v1与v2的比率小于或等于阈值的时候，给出提示信号，并输出最大值与次大值对应的交互指令，即以模糊方式输出指令信号。