[发明专利]一种改进的动态手势识别的HMM模型训练算法

权利要求书

1.一种改进的动态手势识别的HMM模型训练算法，其特征在于：包括如下步骤，

步骤S01：采用mean-shift滤波算法对手势图像进行跟踪；

步骤S02：采用开闭运算、图像阈值及漫水填充法对步骤S01中跟踪到的手势图像进行特征提取和分割，再通过质心法提取人手质心位置；

步骤S03：通过步骤S02得到每帧手势图像中人手质心位置后，选取相邻两帧间人手质心位置的方向矢量当做HMM的观察变量，多帧图像中人手质心构成手势轨迹，手势轨迹中的所有观察变量构成该手势轨迹的观察序列；

步骤S04：对根据步骤S03得到的观察序列进行筛选，保证训练结果的准确性；

步骤S05：根据数字1-9的书写轨迹顺序，给出数字1-9所对应的初始状态转移概率矩阵和状态输出概率矩阵的概率分布；

步骤S06：根据步骤S04得到的观察序列进行HMM训练，得到动态手势的隐马尔科夫手势模型。

2.根据权利要求1所述的一种改进的动态手势识别的HMM模型训练算法，其特征在于：所述步骤S05至步骤S06的具体实现过程如下：

步骤S21：按照预设的数值初始化，即在                                                时刻参数，其中，λ为隐马尔科夫模型，π为初始分布用于描述观察序列O在时刻所处状态的概率分布，t表示时间符号，A为状态转移概率矩阵，B为状态输出概率矩阵；

步骤S22：取一条观察序列，即手势运动轨迹样本；

步骤S23：判断所述手势运动轨迹样本是否可以用作训练数据，若是，转到步骤S24，否则，转到步骤S27；

步骤S24：计算所述步骤S23训练数据的前向概率；

步骤S25：用Baum-Welch算法进行参数重估，求得新的模型参数，替代原有的模型参数；

步骤S26：判断步骤S25得到的新的模型参数是否满足收敛条件，若满足，则进行下一步，否则，重复步骤S24~S25；

步骤S27：判断所述手势运动轨迹样本是否输入完毕，若是，则进行下一步，否则，重复步骤S22~S27；

步骤S28：对运算后的模型参数进行归一化，使得参数矩阵的每一行之和为1；

步骤S29：模型训练结束。