[发明专利]一种基于特征选择的各向同性三维手势识别方法

摘要

本发明公开了一种基于特征选择的各向同性三维手势识别方法。现有三维手势识别算法没有考虑提取的手势相关特征对分类的贡献度，而冗余特征影响识别率。本发明对采集的手势三维坐标数据，提取24个特征输入随机森林模型中，按训练模型得到的各个特征重要性分数从大到小排列，在各个手势的k组排列好的24个特征中取各组前n个特征组合成组合特征，基于十折交叉验证方法和高斯朴素贝叶斯识别模型，得到24组组合特征下高斯朴素贝叶斯识别模型的识别率；根据各组组合特征下高斯朴素贝叶斯识别模型的识别率高低决定选取由前几个特征组合成的组合特征用于最终的识别模型。本发明不仅减少特征相关数据的采集量，简化模型计算，还能提高识别率。

主权项

一种基于特征选择的各向同性三维手势识别方法，其特征在于：具体步骤如下：步骤1、利用体感控制器的API采集中式手语中同一个人的6～20个手势的三维坐标数据，归入训练集中用于模型训练；其中，每个手势的三维坐标数据包含各手指指尖、各手指关节、掌心和腕关节的三维坐标；每个手势只采集掌心朝下的姿态，且每个手势掌心朝下的姿态采集k次得到k组三维坐标数据，k的取值为40～60；步骤2、对每个手势的三维坐标数据提取24个特征，该24个特征构成手势特征，具体如下：根据手势的形状特点定义五种属性和归属于这五种属性的24个特征；五种属性分别是各个手指指尖到掌心的距离、各个手指指尖到腕关节的距离、相邻手指指尖的距离、手指中间指骨与手指远端指骨的夹角以及手指近端指骨与手指中间指骨的夹角；由于不同手指的相同类型的特征归属于同一属性，所以五个属性共包含了24个特征，将所有提取的特征数据归一化到0～1之间；步骤3、对每个手势的24个特征进行重要性比较和选择，具体如下：3.1：将步骤2所得的每个手势的24个特征数据输入到随机森林模型中，通过训练模型最终得到各个特征的重要性分数；3.2：将每个手势的24个特征根据步骤3.1所得重要性分数按从大到小排列，在各个手势的k组排列好的24个特征中取各组前n个特征组合成组合特征，n依次取1，2，…，24，基于十折交叉验证方法和高斯朴素贝叶斯识别模型，依次得到24组组合特征下高斯朴素贝叶斯识别模型的识别率；十折交叉验证方法中，从用来验证模型的一份特征中任选的一个手势，在各次训练后的高斯朴素贝叶斯识别模型中的识别分类结果为：y^i,j=argmaxyjP(yj)Πi=1mP(xi|yj)]]>其中，表示取得最大值时，对应的yj值；yj值表示对应编号为j的手势类别；m表示每个手势的特征数量；P(yj)为编号j的手势出现的概率；为各个特征xi在手势类别yj下的概率的乘积；特征xi在手势类别yj下的概率分布P(xi|yj)满足高斯分布，计算如下：P(xi|yj)=12πσy2exp(-(xi-μy)22σy2)]]>其中，μy为各手势类别yj的数学期望，σy为各手势类别yj的标准差；将选取的手势在各次训练后的高斯朴素贝叶斯识别模型中的识别分类结果，与选取的真实手势进行比较，若相同，则识别分类正确；否则，识别分类错误；所以，各次训练后的高斯朴素贝叶斯识别模型的预估识别率η计算如下：η=CM]]>其中，C为识别分类正确的手势数目，M为总的进行识别分类的手势数目；步骤4、根据各组组合特征下高斯朴素贝叶斯识别模型的识别率高低来决定选取由前几个特征组合成的组合特征用于最终的识别模型。