[发明专利]一种智能手套手语识别方法

权利要求书

1.一种智能手套手语识别方法，其特征在于：首先通过传感器对手势姿态进行数据采集，然后根据欧拉角的参数和手指弯曲度数据寻找手势的起点、终点的变化程度、趋势及特征点，从而确定有效数据段；最后将此有效数据段的参数与手语匹配通用数据库进行匹配，判定识别手势语言，具体包括以下步骤：

步骤1：数据实时采集

步骤1.1对采集到的数据分段处理，设分段数据为x_n，手势姿态为x(i)i≥1

x_n＝[x(n*L+1)，x(n*L+2)，…，x(n*L+L)]n≥0且为整数 (1)

其中L为采集时间；计算均值M_n，其中M₀为数据段均值；

步骤1.2对x_n计算一阶差分绝对值均值

其中，S₀为信号序列的一阶差分绝对值均值；

步骤1.3数据归一化到[0，1]

X^*为归一化值，x_min为采集数据最小值，x_min为采集数据最大值，分别对弯曲度、加速度和姿态角进行数据归一化。

步骤2：提取特征量

步骤2.1根据欧拉角的参数和手指弯曲度数据寻找手势的起点、终点的变化程度、趋势及特征点，从而确定有效数据段

其中为i个手指l时刻的手指弯曲度采样值，分别为l时刻的三维加速度值，分别为l时刻的三维角度值，当数据均满足起始终止条件，判断手势开始和结束，其他情况下，判定为有效数据段。

手势姿态开始：σ_f≤Δfd，σ_f≤Δsd，σ_f≤Δjd

手势姿态结束：σ_f＞Δfd，σ_f＞Δsd，σ_f＞Δjd

步骤2.2利用有效数据段斜率上的峰值判断提取特征量

以每个数据的斜率计算数组中的元素值为数据源，进行最小二乘法的单变量拟合，利用如下公式进行斜率求解：

其中K代表某数据斜率；m为计算数据点的个数；σ_fd为斜率计算数组中手势姿态对应的数组元素值，增加时域上的判断特征点，可使手语数据识别匹配的时候能实现更好的识别效果，该特征量出现时间可以由数据达到第一次最大峰值段的时间点体现出；

步骤3：手势识别匹配

步骤3.1构建矩阵网格

设目标数据库中的模板手势时间序列Q＝{q₁，...，q_i，...，q_m}和输入手势时间序列P＝{p₁，...，p_j，...，p_n}，规整序列γ＝{γ(1)，γ(2)，...，γ(x)}，规整点组γ(x)＝(γ_q(x)，γ_p(x))，其中γ_q(x)∈(1，2，...m)，γ_p(x)∈(1，2，...n)，识别手势与目标数据库模板手势的相似度用欧式距离来评价，即：

构建一个的矩阵网格，每一个网格代表输入与模板序列的欧拉距离值，

r(λ_q(x)，λ_p(x)，)＝(q_i-p_j)² (9)

R为输入与模板手势的总欧拉距离值，R越小两者越相似，反之越不相似。

步骤3.2加权递进

对有效数据段中每个采样点的弯曲度、角度和加速度进行三维加权，得欧式距离递推式：

R’(i_q，j_p)＝p(x)*d(i_q，j_p)+min{R’(i_q+1，j_p)，R’(i_q+1，j_p+1)，R’(i_q，j_p+1)} (11)

其中，R’(i_q，j_p)为权重函数，由加速度、角度的混合式组成；

式中、R’_sd(x)、R’_jd(x)分别为加速度、角度在加权中比重；计算出输入识别手势与目标数据库模板手势间的欧式总距离R’(m，n)，与设定的阈值e比较，当加权和小于阈值，则判定为匹配成功，反之，返回与目标数据库中模板下一个手势重新匹配，

步骤3.3HaSh优化识别

将目标数据库中每组数据都用关键字k_m标记；网络中的每个节点也通过哈希节点IP得到节点标志符ID；关键字标志符和节点标志符都是惟一的；将关键字标志符映射到节点标志符上，该节点标志符对应的节点就存储此关键字标志符的对应信息；所有的(k_m，value)对构成文件索引散列表，k_m是关键字哈希；value是要存储的信息地址；用户搜索时，根据每个关键字的标志符k_m，则知道该关键字标志对应信息的存储位置，从而能够快速定位资源的位置。