[发明专利]基于深度卷积神经网络的动态手势轨迹识别方法

权利要求书

1.一种基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，包括如下步骤：

步骤S1，采集原始输入的手势轨迹点序列，对所述手势轨迹点序列进行预处理，检测出所述手势轨迹点序列中的异常点，并进行排除；

步骤S2，对所述预处理后的手势轨迹点序列进行边缘化处理，生成归一化手势轨迹图，训练深度卷积神经网络，利用已训练的深度卷积神经网络模型提取所述归一化手势轨迹图的深度特征；

步骤S3，利用已训练的支持向量机对所述归一化手势轨迹图的深度特征进行类型划分，以识别出对应的手势轨迹点序列的形状类型；

步骤S4，利用树形分类器依据所述手势轨迹点序列的形状类型，构造出相同形状类型的不同方向的划分模型，对所述预处理后的手势轨迹点序列的运动方向进行拟合，依据不同方向的划分模型识别出对应的手势轨迹点序列的运动方向类型；

步骤S5，对识别出来的形状类型和方向类型进行融合，生成所述手势轨迹点序列的融合轨迹识别结果。

2.如权利要求1所述的基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，在所述步骤S1中，所述对手势轨迹点序列进行预处理，包括如下步骤：

计算所述手势轨迹点序列中相邻手势轨迹点对的欧氏距离，得到多组点对距离序列；

计算所述多组点对距离序列的平均距离和方差；

设所述多组点对距离序列服从正态分布，根据所述平均距离和方差构造卡方检验统计量，利用双边检验原理，在显著性水平为0.05下求导出置信区间；

判断每组点对距离序列是否位于所述置信区间内，如果是，则判断该组点对距离序列对应的点位异常点，进行排除处理。

3.如权利要求1所述的基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，在所述步骤S2中，所述对预处理后的手势轨迹点序列进行边缘化处理，包括如下步骤：

对所述预处理后的多组点对距离序列进行遍历，查找所述预处理后的多组点对距离序列中的最大值；

以所述最大值为内切圆半径，以所述手势轨迹点序列中的各点为中心得到正方形，对该正方形中的每个手势轨迹点进行累加计值；

将数值大于2的各个点映射到手势轨迹图上，并利用3x3的中通卷积核对手势轨迹图进行平滑处理，再利用形态学的闭运算对所述手势轨迹图进行处理，将所述手势轨迹图归一化为预设尺寸，生成所述归一化手势轨迹图。

4.如权利要求1所述的基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，在所述步骤S2中，训练深度卷积神经网络模型，包括如下步骤：

利用深度卷积神经网络模型抽取所有样本的深度特征；

利用训练数据集的特征，结合线性支持向量机，对每种动态轨迹形状类型均训练一个线性支持向量机模型；

测试各个类型的线性支持向量机模型，根据测试结果判定预测率是否达标，若没有则将负样本的特征加入到相应的训练数据集中，返回上一步，直至预测率全部达标。

5.如权利要求1所述的基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，在所述步骤S2中，所述利用已训练的深度卷积神经网络模型提取所述归一化手势轨迹图的深度特征，包括如下步骤：

将所述归一化手势轨迹图作为样本输入至已训练的深度卷积神经网络模型中；

利用所述已训练的深度卷积神经网络模型对所述归一化手势轨迹图进行特征提取，以所述深度卷积神经网络的全连接层输出的特征元素，作为所述归一化手势轨迹图的深度特征。

6.如权利要求1所述的基于深度卷积神经网络的动态手势轨迹识别方法，其特征在于，在所述步骤S5中，所述树形分类器包括以下方向识别分支条件：用于判断左右运动的左右横段形条件、用于判断上下运动的上下竖段形条件、用于判断顺时针和逆时针运动的椭圆形条件、用于判断L状自上而下运动的L形条件和用于判断反L状自上而下运动的反L形条件。