[发明专利]一种基于隐马尔科夫模型的动态手势切分识别方法

权利要求书

1.一种基于隐马尔科夫模型的动态手势切分识别方法，包括训练隐马尔科夫模型HMM和连续动态手势切分与识别；

S1)、训练隐马尔科夫模型HMM

S101)、通过数据手套获取K个手势的手部姿态数据作为训练样本数据，其中，每个手势的手部姿态数据包括M个子训练样本，每个子训练样本包括t个时刻，每个时刻包含n个特征数据，每个子训练样本的数据表示为S＝(s_1,1,s_1,2,...s_1,t；s_2,1,s_2,2,...s_2,t；...；s_n,1,s_n,2,...s_n,t)，其中，s_i,j表示该子训练样本的数据S的第j时刻第i个特征的数据；

S102)、对每个子训练样本的数据S进行差分预处理，得到同一特征数据相邻两时刻数据之间的差距d_i,j，同一手势相邻两时刻之间的差距d_i,j＝s_i,j+1-s_i,j，差分预处理后的子训练样本的数据为D＝(d_1,1,d_1,2,...d_1,t-1；d_2,1,d_2,2,...d_2,t-1；...；d_n,1,d_n,2,...d_n,t-1)；

S103)、针对每个差分预处理后的子训练样本的数据D计算得到其总能量W，其表达式为：

其中，w_i表示差分预处理后的子训练样本的数据D的第i维特征的能量，W表示该差分预处理后的子训练样本D的总能量，其第i维特征数据的能量为：

S104)、对子训练样本的数据S进行加权处理，根据计算得到相应子训练样本数据每一维特征数据的权值q_i，其中，q_i表示差分预处理后的子训练样本的数据D的第i维特征的权值，将该子训练样本数据每一维特征的权值q_i与其不同时刻的对应维特征数据s_i,j相乘，从而实现对子训练样本的数据S进行加权处理；

S105)、采用kmeans聚类算法对加权后的子训练样本的数据S′进行离散化处理，将子训练样本的数据S′表示为S′＝(s′₁,s′₂,...s′_t)，其中，s′_j＝(s′_1,j,s′_2,j,...s′_n,j)表示j时刻的手部姿态数据，预设m个类别，随机初始化m个聚类中心，m个类别的聚类中心分别记为C_z(z＝1,2,...m)，通过计算每一时刻手部姿态数据的类别，其中G_j表示j时刻的手部姿态数据的类别，然后对每一个类别G_j，重新计算其聚类中心式中|c_z|表示第z个类别中样本的个数，若其聚类中心C_z不变，则其收敛，离散化过程结束，并将每个时刻的手部姿态数据用其相应的类别表示；

S106)、分别将离散化处理后的每个手势的M个子训练样本的数据S输入到隐马尔科夫模型HMM中，结合模型的前向-后向算法Baum-Welch训练得到每个手势的HMM参数λ，从而得到K个手势相关的训练好的隐马尔科夫模型HMM；

S2)、连续动态手势切分与识别

S201)、数据采集，通过数据手套获取需要测试的连续的动作手势数据作为测试数据；

S202)、手势识别，按照步骤S102)对测试数据进行差分处理，并按照步骤S103)计算差分处理后的测试数据的能量累加和，若某一时间段能量累加和变化激增，则该时间段的手势为有效手势，对该段有效的连续手势进行切分并提取该段有效手势；

S203)、加权处理，按照步骤S104对步骤S202)中提取的有效手势进行加权处理；

S204)、离散化处理，并根据步骤S105)中的聚类中心C_z，将该有效手势归类到距离相应聚类中心C_z最近的类别，并用相应的类别号表示该有效手势；

S205)、将加权处理与离散化处理后的有效手势分别输入到K个手势对应的训练好的隐马尔科夫模型HMM中，计算该有效手势在不同手势对应的隐马尔科夫模型HMM下的概率值，并将概率值最大的隐马尔科夫模型HMM对应的手势作为识别结果。