[发明专利]一种抗噪的手部运动轨迹快速识别方法

说明书

本发明提供了一种抗噪的手部运动轨迹快速识别方法，使用隔离林算法计算轨迹中的离群点；使用卡尔曼滤波方法预测当前轨迹终点后下一个轨迹点的位置；检测起点是否为离群点；与前后两点距离是否都小于阈值来确定保留点和舍弃点；判断重点是否为离群点，并且行列最大距离都是大于最小直径阈值；确定统计方向角变化均值判断轨迹顺逆时针，或者根据横纵向运动幅度与距离阈值和波动阈值的关系，预测位置和当前位置关系判断移动方向或判断为静止，最后结束；本发明可以识别上下左右移动和顺逆时针的手部运动轨迹，具有对硬件配置要求低、计算速度快、抗噪声能力强、鲁棒性好等优点。

技术领域

本发明涉及一种抗噪的手部运动轨迹快速识别方法，属于动态手势识别技术领域。

背景技术

动态手势识别是自然人机交互的主要手段之一，在工业控制、游戏娱乐、元宇宙中的人机交互等领域的实际应用越来越广。手部运动轨迹识别是动态手势识别的关键技术之一。由于人的肢体运动特点、环境干扰及手部检测识别技术水平等因素的影响，导致手部运动轨迹中存在大量噪声数据，给手部运动轨迹识别带来了很大的挑战性。现有的轨迹识别算法主要有两类：一是基于传统机器学习方法的轨迹识别，如基于隐Markov模型的轨迹识别、基于贝叶斯方法的轨迹识别等；二是基于深度学习的轨迹识别，如基于LSTM的轨迹识别、基于GRU的轨迹识别等。基于传统机器学习方法的轨迹识别抗噪声能力弱，鲁棒性差。基于深度学习的轨迹识别方法速度慢，对硬件配置要求高(一般要求GPU环境)，且需要大量的数据集进行训练。

发明目的

本发明的目的是在CPU计算环境下实现抗噪的手部运动轨迹快速识别，且无需准备数据集进行训练而提供一种抗噪的手部运动轨迹快速识别方法。

本发明的目的是这样实现的：

本发明提出了一种抗噪的手部运动轨迹快速识别方法，该方法可以识别上下左右移动和顺逆时针的手部运动轨迹，具有对硬件配置要求低、计算速度快、抗噪声能力强、鲁棒性好等优点。

具体步骤如下：

S0：利用滑动窗口获取长度为N的轨迹序列坐标数据，清洗掉无意义的轨迹点；

S1：使用隔离林算法计算轨迹中的离群点；

S2：逐个排查每个离群点P，分别计算P与其在轨迹序列中的前一轨迹点PRE和后一轨迹点NXT的距离；如果都没有超过给定距离阈值maxDisError则不认为P是离群点并保留下来，否则从轨迹序列中删除P，最后判断序列起、终点是否是离群点，如果是，则从轨迹序列中删除；

S3：使用卡尔曼滤波方法预测当前轨迹终点后下一个轨迹点的位置；

S4：如果存在有效轨迹点则计算有效轨迹点x轴分量的最大差距dx＝max(X)-min(X)与y轴分量的最大差距dy＝max(Y)-min(Y)，其中X代表轨迹点的x轴分量组成的集合，Y代表轨迹点的y轴分量组成的集合，之后计算轨迹的圆度其中S指轨迹包围而成的面积，C指轨迹点相连而成的轨迹周长，圆度的取值范围为[0,1]；

若dx＞2×minRadius，dy＞2×minRadius，R＞minRoundness，则认为是圆，执行S5，否则执行S6；minRadius代表圆周运动最小识别半径阈值，minRoundness代表认为是圆形的最小圆度阈值；

S5：计算圆形轨迹的中心其中y_i与x_i分别表示第i个轨迹点的纵坐标和横坐标；然后根据轨迹点和轨迹中心点计算轨迹点的方位角，然后计算每个相邻方位角之间的差值delta_angle_i，其中i表示第i个相邻方位角差值，之后统计方位角变化的均值其中n为轨迹点个数，若为mean_delta_angle＞0则为顺时针转动，mean_delta_angle＜0为逆时针转动。delta_angle_i的确定公式如下：