[发明专利]一种改进的动态手势识别的HMM模型训练算法

说明书

技术领域

本发明涉及一种基于隐马尔科夫模型算法，针对动态手势识别中采用隐马尔科夫模型算法训练模型数据时收敛慢、用时长等问题改进的动态手势识别的HMM模型训练算法。

背景技术

近年来，基于视觉的手势识别技术作为新颖的人际交互手段，得到了广泛地关注。基于视觉的手势识别按识别内容可分为静态手形和动态手势。静态手形只是静态的手指形态而不涉及手的运动；而动态手势则侧重于手的移动。本文应用HMM（Hidden Markov Model，隐马尔科夫模型）的方法进行动态手势轨迹的识别。HMM方法最早被用在语音识别上，并取得了巨大的成功，近年来，人们逐渐将其应用到一些具有时空效应的识别研究中，比如人脸识别、手势识别等领域。

从图2中可以看出，经典的隐马尔科夫模型建模算法先进行模型初始化，然后根据观察序列O，求一个新的模型参数，通过Baum-Welch（前向后向算法）迭代不断地重复根据观察序列O改进模型参数，直至                                                （概率密度）收敛，然后进行归一化处理，此时的模型即为所求的模型。经典的建模训练算法使用的初始模型参数中的状态转移矩阵和观察矩阵都是随机设置的。

如表1-表2所示，没有任何规律，完全依靠大量的训练数据在训练过程中逐步矫正，计算量很大，收敛慢，具体参数如表3-表4所示。

且对样本未进行筛选，有些不符合要求的样本也进行训练，如表5所示，影响了模型识别的准确率，造成较大误差。

由于每个字符和命令手势轨迹有书写有一定的规律，并且在手势轨迹样本采样过程中，一些用户书写方式不对，或者书写轨迹有些点飘离正常轨迹都会影响训练结果的准确性。

发明内容

本发明的目的在于提供一种克服现有动态手势识别中采用隐马尔科夫模型算法训练模型数据时收敛慢、用时长等问题，提出了一种改进的动态手势识别的HMM模型训练算法。

为实现上述目的，本发明的技术方案是：一种改进的动态手势识别的HMM模型训练算法，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。

在本发明实施例中，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。

相较于现有技术，本发明具有以下有益效果：