[发明专利]一种微手势识别方法

摘要

本发明提供一种微手势识别方法，采用收据手套作为输入设备，所述的数据手套可获取m个关节的旋转角度数据，包括以下步骤：a.首先进行数据预处理，将获取的数据使用最小二乘法进行曲线拟合处理；b.进行手势建模，使每种手势用一个包含m个元素的离散子序列SLZ来表示；c.进行手势识别，使用基于模板匹配的编辑距离进行手势的匹配与识别。本发明从传统的手掌、手臂等大幅度动作的识别转向手指精细动作的识别方向，为普适环境下的人机交互提供了更加自然和谐的解决方案。

主权项

1.一种微手势识别方法，采用收据手套作为输入设备，所述的数据手套可获取m个关节的旋转角度数据，其特征在于，包括以下步骤：a.首先进行数据预处理，将获取的数据使用最小二乘法进行曲线拟合处理，拟合曲线的多项式的公式为其中n为多项式的阶数，并经实验分析取得拟合效果最好即曲线值与真实值的平方差和最小的多项式阶数且无过拟合现象；b.进行手势建模，由于采集的手势数据均为手部关节的微小的运动变化，每种手势都可看做m组确定时间序列，每组数据的长度为步骤a中获得的曲线采样数据数量n，记为TI＝{(t₁,Y₁),(t₂,Y₂),…,(t_n,Y_n)}，t_i代表第i帧，Y_i为该时刻的取值，为对每组数据的变化趋势进行定量描述，每种手势包括m组数据，也即m个序列区间，并记为s₁,s₂,L,s_m，每种手势在区间s_i(1≤i≤m)内的变化趋势记为sc_i，且sc_i∈{sc_up,sc_dw,sc_st,sc_pk,sc_th}，并分别量化且对应于1，2，3，4，5，其中sc_up表示呈现上升趋势，sc_dw表示呈现下降趋势，sc_st表示呈现平缓趋势，sc_pk表示取得峰值，sc_th表示取得谷值，这样对于一种手势的m组数据，都需要首先获取该段曲线上的数据的起始点、中间点及结束点的取值，分别记为V₁、V₂和V₃，并获得该组数据的最大值V_max和最小值V_min，判断每段曲线的序列趋势，将各个序列趋势组合起来便获得该种手势的趋势符号队列，记为SL(T)＝{(s₁,sc₁),(s₂,sc₂),…,(s_i,sc_i)}，其中sc_i∈{sc_up,sc_dw,sc_st,sc_pk,sc_th}(1≤i≤m)，由于五种状态已经分别量化为1～5的整数，故每种手势都可以用一个包含m个元素的离散子序列SLZ来表示；c.进行手势识别，使用基于模板匹配的编辑距离进行手势的匹配与识别，编辑距离的动态规划方程可表示为：其中，手势1与手势2的编辑距离表示为Dis(1,2)，那么两种手势的相似度用ρ(ρ∈[0,1]})来表示，如果ρ＞ε，则将手势1和手势2看做微同一种手势，反之亦然，其中ε为相似性阈值，ρ如式(3)所示，其中X、Y分别为手势1和手势2的序列长度，若两组数据被识别为一种手势，那么其相似度应无限接近或等于1。