[发明专利]用于处理样本的方法和装置

说明书

系统和方法可以提供：将多个训练样本划分为第一质心顺序列表，移除所述第一质心顺序列表中的一个或多个重复质心以获取第一精简的质心列表，以及基于所述第一精简的质心列表来生成隐马尔可夫模型(HMM)参数的集合。此外，可以将多个检测样本划分为第二质心顺序列表，其中，可以移除所述第二质心顺序列表中的一个或多个重复质心以获取第二精简的质心列表。可以使用所述第二精简的质心列表来确定所述多个检测样本与HMM参数的集合之间的匹配概率。在一个示例中，精简的质心列表缺乏时间变化性。

本申请为分案申请，其原申请是于2015年08月14日向中国专利局提交的专利申请，申请号为201380073060.X，发明名称为“实时的连续交互学习及检测”。

技术领域

实施例整体上涉及对交互(例如，姿势和语言输入)进行的基于计算机的检测。更具体地，实施例涉及实时人机交互的连续学习和检测。

背景技术

人体运动具有很多细微之处，这些细微之处使得难以对运动进行建模，虽然在合理的时间框架中并非不可能。例如，由于在对给定姿势进行建模中可能要考虑空间和时间因素二者，因此，对于需要检测其姿势的群体在该姿势被多快地执行可能具有巨大的差异。将这些变动考虑在建模中可能引入不确定性，这种不确定性可能降低姿势检测决策的准确性。此外，传统的检测算法可能针对感兴趣的姿势的潜在起点和终点执行耗时的搜索。这可能使性能减慢并且使紧接的(back-to-back)姿势的检测(例如，连续检测)变得不可行。简言之，对实时系统而言，常规姿势学习和检测系统的处理时间可能是过长的。

附图说明

通过阅读以下说明和所附的权利要求，以及通过参照以下附图，实施例的各种优点对本领域技术人员而言将变得显而易见，在附图中：

图1是根据实施例的学习/训练序列的示例的框图；

图2是根据实施例的检测序列的示例的框图；

图3是根据实施例的处理训练样本的方法的示例的流程图；

图4是根据实施例的处理检测样本的方法的示例的流程图；

图5是根据实施例的计算设备的示例的框图；

图6是根据实施例的处理器的示例的框图；以及

图7是根据实施例的系统的示例的框图。

具体实施方式

现转向图1，示出了针对多个训练样本16(16a-16c)的训练序列10。在一个示例中，训练样本16表示在一个或多个训练会话期间由例如图像/深度传感器等的传感器14捕获的姿势样本(例如，人体姿势输入)。在这样的情况下，训练样本16可以在训练会话期间从空间坐标12(例如，二维/2D、三维/3D、n维)中获得，所述空间坐标12与一个或多个对象(例如，人类、动物、机器人、机器)的物理部件(例如，手、手指、虹膜等)的位置相对应。

例如，训练样本的第一集合16a可以与第一对象(例如，来自第一群体统计的个体)相对应，训练样本的第二集合16b可以与第二对象(例如，来自第二群体统计的个体)相对应，训练样本的第三集合16c可以与第三对象(例如，来自第三群体统计的个体)相对应等。当对象做出例如圆周形的手部运动等的特定的手部动作时，可以对该对象进行可视化地监测和/或记录。

训练样本16还可以表示语音样本(例如，人类语言输入)，其中，传感器14可以包括在训练会话期间设置于一个或多个对象的可听范围内的麦克风。在这样的情况下，训练样本16可以包括从语言输入提取的音素数据。其他类型的交互数据还可以用于训练样本16。