摘要：针对目前基于加速度传感器的手势识别算法的动态实时性与识别率的相互矛盾性，提出一种区间分布概率矩阵模型及动态手势识别方法。将手势动作的三维加速度信号进行动作数据自动检测、归一化和三次样条插值预处理，再根据信号分布特征，确定数据观测点，构造各观测点处的区间分布概率矩阵，优化矩阵，实现在线快速手势识别。该方法对手指可穿戴设备得到的真实数据集中进行了评估。结果显示其实时效果好，识别率高，实用性强。

    基于动作传感器的人机交互不受光线遮挡和角度限制，测量单元易于嵌人片上系统，并且更接近于自然交互方式，基于动作传感器的人机交互已成为当前该领域的研究热点。业界对基于加速度传感器的动作识别方法开展了大量的研究，基于隐马尔可夫模型、模糊神经网络、模版匹配等识别方法被广为关注和研究。但因这些识别方法的算法复杂度偏高，手势识别的动态实时性和识别率不理想，这些方法难以满足手势在线识别的要求。

    本文提出一种基于区间分布概率矩阵模型的在线快速手势识别方法，其主要优点是：(1)把大量工作转移到模型建立和模型优化上面，而这些工作完全可以在PC机上完成。(2)在线识别系统中没有大量复杂计算公式、递归运算和模版库的存储，极大地提高了动态实时性；(3)识别率高，实用性强。通过对日常生活中常做的12种单笔画手势动作的在线识别，验证了该识别方法具有很高的人机交互实时性和较强的实用性。

1手势识别系统整体架构

手势识别系统流程如图1所示，首先利用样本数据在PC机上建立和优化区间分布概率矩阵模型。利用戴在手指上的可穿戴数据采集和发送模块采集手势动作的三维加速度信号，由接收、处理和识别模块对信号进行预处理、划提取和检测X,Y和Z轴的观测点数据、输出观测序列，然后利用建立好的区间分布概具率矩阵模型进行手势识别，显示识别结果。

2信号预处理

2.1动作数据自动检测和归一化处理

通常用户完成一个动态的手势动作会经历三个阶段：开始阶段、动作阶段和停止阶段。利用此特点可在连续的加速度数据流中检测出手势识别过程所需要的动作阶段加速度数据流。

    本文设计了一个可通过设置门限阂值自动检测手势动作阶段加速度数据流的滑动窗口。在手势的开始和停止阶段，加速度数据流可用常量表示。在手势的动作阶段，加速度数据流会产生明显的变化。设A (t)=[aχ(t),ay(t)},az(t)］为t时刻采集的三轴加速度数值。Threshold为设置的门限阂值。将A (t)和前n个采样点逐个进行比较，若||A (t)-A (t-n) ||≥ threshold，则可判断t时刻的采样点A (t)为动作阶段的数据点，这样即可检测包含运动信息的动作阶段的数据点。

    在实际数据检测中，设置2个阈值（开始阈值和结束阈值），较大的开始阈值有利于滤除噪声数据，较小的结束阈值可以确保动作阶段数据传输的完整性。

    由于人的手势动作幅度不固定，尤其是不同人做同一个手势动作时，加速度数据幅度相差比较大，所以必须对采集的手势动作加速度数据进行归一化处理，以降低手势动作加速度数据幅度变化差异对识别结果的影响，从而可以降低识别难度，提高识别精度。本文采用的是线性函数转换法yi=(xi-MinValue)/(MaxValue -MinValue）其中xi、yi分别为样本中第i个点处转换前、后的值，Max-Value , MinValue分别为样本中的最大值和最小值。

[1] [2] [3]  下一页