[发明专利]一种加入符号序列匹配的基于三维加速度的手势识别方法

说明书

技术领域

本发明涉及用于个性化人机交互的技术领域，具体地说是一种加入符号序列匹配的基于隐马尔科夫模型(HMM)及三维加速度的手势识别方法。

背景技术

基于三维加速度的手势识别方法中常用的一种是基于隐马尔科夫模型(HMM)的手势识别方法。传统的基于隐马尔科夫模型(HMM)的手势识别方法主要包含4个步骤：预处理、三维加速度量化、为每个手势建立隐马尔科夫模型（HMM）、手势匹配。其中，预处理阶段的任务是对三维加速度数据中的噪声进行过滤；三维加速度量化是指使用K-means算法将三维加速度转化为一维观察向量，从而将手势的三维加速度序列转化为一维观察向量序列；为每个手势建立隐马尔科夫模型是指使用隐马尔科夫模型中的Baum-Welch算法利和每个手势的训练样本训练出每个手势的隐马尔科夫模型参数，得到每个手势所对应的隐马尔科夫模型；手势匹配是指使用隐马尔科夫模型中的Forward算法计算需要识别的手势在所有手势类型的隐马尔科夫模型下产生的概率，将概率最高的手势类型作为最终结果输出。

在传统的基于HMM的三维加速度识别方法中，在三维加速度量化阶段使用了K-means算法。K-means算法的核心思想是将距离相近的点归为一类，并不考虑两个点坐标的正负号。所以使用这种方法在识别手势轨迹相近但是方向相反的手势时产生大量混淆。

发明内容

本发明的目的是针对现有技术中忽略手势三维加速度序列中加速度符号只考虑加速度大小的技术缺陷而提供的一种既考虑加速度符号也考虑加速度大小的手势识别方法。

实现本发明目的的具体技术方案是：

一种加入符号序列匹配的基于隐马尔科夫模型(HMM)及三维加速度的手势识别方法。首先，根据待识别手势的三维加速度序列计算出待识别手势的加速度符号序列并且使用向量量化方法将待识别手势的三维加速度序列转换为一维观察序列，然后使用基于符号序列的模式匹配方法找出待识别手势的候选类型列表，最后对于每一个处在候选列表中的候选手势类别，使用隐马尔科夫模型中的Forward算法计算出需要识别的手势在该候选手势类别所对应的隐马尔科夫模型（HMM）下产生的概率，将概率最高的候选手势类型作为待识别手势的类型。其具体步骤如下：

第一步：对于包含N种手势的手势集，设定每种手势的标准符号序列模版                                               ；

第二步：使用隐马尔科夫模型中的Baum-Welch算法训练出每种手势的隐马尔科夫参数，得到所有手势对应的隐马尔科夫模型为；

第三步：输入一个待识别手势G的三维加速度序列L，假设，其中 为手势G某一时刻的三维加速度值；

第四步：根据第三步输入的三维加速度序列L，得到待识别手势的符号序列；

第五步：将第四步中得到的待识别手势的符号序列与第一步中设定的每一种手势的标准符号序列模版进行对比：如果某一手势类别 j的标准符号序列模版包含待识别手势的符号序列，则将此手势的类别 j 加入待识别手势的初始候选手势类型列表 EarlyCandiList 中，否则不加入；

第六步：对于第五步中得到的初步手势候选列表EarlyCandiList，按初步候选手势列表的长度即初步候选手势列表中候选手势类别的个数，分为以下几种情况：

a、初步候选手势列表的长度为1即EarlyCandiList 只包含一个元素，将EarlyCandiList中的手势类型作为最终结果，转到第十步结束；

b、初步候选手势列表的长度为0即EarlyCandiList 不包含任何元素，将所有手势类型都加入到候选手势列表中，得到最终手势候选列表 LateCandiList，即；

c、初步候选手势列表的长度大于1，初步手势类型候选列表即为最终手势类别候选列表，即LateCandiList = EarlyCandiList；

第七步：根据第三步输入的三维加速度序列L，使用向量量化方法得到待识别手势的一维观察向量序列O；

第八步：使用隐马尔科夫模型中的Forward算法计算第八步中得到的待识别手势的一维观察向量O在第七步中得到的最终手势候选列表LateCandiList中的候选手势类别所对应的隐马尔科夫模型所产生的概率；

第九步：将第八步中最大概率所对应的候选手势类别作为最终的识别结果，即待识别手势的类型；

第十步： 结束。