[发明专利]一种基于加速度计和陀螺仪的空中手写字符识别方法

摘要

本发明公开了一种基于加速度计和陀螺仪的空中手写字符识别方法，该方法包括：S1、数据预处理步骤，S2、模型参数初始化步骤，S3、CHMM模型训练步骤，S4、空中手写字符识别步骤。本发明提出了一种连续隐马尔科夫‑高斯混合模型来实现空中手写字符建模，采用基于样本平均长度的状态数选取策略与基于K‑均值聚类的模型参数初始化方法，该模型能有效表达传感器信号的时序信息，从而表征空中手写设备的运动过程。此外，还提出基于该建模方法的三维空间空中手写数字与英文字母识别的完整框架，该识别方法具有较好的准确性和实时性。

主权项

1.一种基于加速度计和陀螺仪的空中手写字符识别方法，其特征在于，所述空中手写字符识别方法包括:S1、数据预处理步骤，对采集的原始信号进行滑动平均滤波，以及对每一维数据分别Z‑score标准化；S2、模型参数初始化步骤，需要预先确定的模型参数包括隐藏状态数N、各隐藏状态对应的高斯概率分布个数M、连续隐马尔科夫模型的模型参数λ＝[π,A,B,μ,Σ,C]，其中π为初始状态概率分布、A为状态转移概率分布、B为观察值概率分布、μ是高斯概率分布均值、Σ是高斯概率分布协方差、C是高斯概率分布权重，其中，模型参数初始化策略包括基于样本平均长度的CHMM隐藏状态数选取方法和基于K‑均值聚类的连续隐马尔科夫模型‑高斯混合模型参数初始化策略，过程如下：S21、从预处理后的数据中随机选取部分作为训练样本，按字符类别分类，计算每类别的样本的平均长度，设置模型的隐藏状态数N，平均长度越大，状态数N越大；S22、用K‑均值算法初始化模型参数，将当前类别每一个样本在时间上均分为N段，各段序列的所有6维特征向量分别归于N个集合Set_i，接着分别对每个Set_i,i＝1,2,...,N用K‑均值聚类聚成M簇g_im,m＝1,2,...,M，以表示属于各状态的M个高斯概率分布；最后对总共M×N个簇计算统计信息，初始化模型参数；S3、CHMM模型训练步骤，使用前向‑后向算法和Baum‑Welch算法，对于特定的空中手写字符，给定训练数据，以及已初始化的模型参数N、M与π、A、C、μ和Σ，迭代训练使得模型生成训练样本的概率不断增大直至收敛，过程如下：在计算完某时刻t的前向变量α之后，先进行归一化：即该时刻各状态的前向变量α分别除以该时刻各状态的前向变量α的和，再进行时刻t+1的计算，后向变量β先计算时刻t+1的值，后计算前一时刻t的值，逐时刻归一化公式如下：S4、空中手写字符识别步骤，给定已训练的所有空中手写字符CHMM模型，以及测试数据，用维特比算法计算每个测试样本属于每一类字符的概率，最后通过快速排序获得可能性最大的类别，完成识别。