[发明专利]基于地址事件流特征的手势识别方法

摘要

本发明公开了一种基于地址事件流特征的手势识别方法，主要用于解决复杂背景下的手势识别问题。其实现方案是：(1)采集地址事件流数据；(2)对每个地址事件流序列进行去噪；(3)确认峰值地址事件流序列；(4)检测峰值地址事件流序列的特征事件；(5)提取特征事件的局部不变特征；(6)筛选有效手势的局部不变特征；(7)训练支持向量机SVM分类器；(8)分类。本发明保留地址事件的异步特性的同时，减少非有效手势特征计算，只对特征事件进行特征提取。本发明的优势在于，准确率高，适用性强。

主权项

1.一种基于地址事件流特征的手势识别方法，其特征在于，针对动态视觉传感器采集的地址事件流数据，检测峰值地址事件流序列的特征事件，提取当前特征事件的局部尺度不变特征，筛选有效手势的局部不变特征，该方法的具体步骤包括如下：(1)采集地址事件流数据：(1a)利用动态视觉传感器，将拍摄同一个人连续做预先设定的不同运动方式含义的手势类型，组成一个手势地址事件流文件；(1b)将至少15个人的手势地址事件流文件组成手势地址事件流数据库；(2)划分手势地址事件流数据：(2a)从手势地址事件流数据库中，读取一个未读过的手势地址事件流文件；(2b)以10毫秒的时间间隔，将所读的手势地址事件流文件中的手势地址事件流数据划分为多个地址事件流序列；(3)对每个地址事件流序列进行去噪：(3a)利用空间密度聚类算法，对每个地址事件流序列进行去噪，得到每个去噪后的地址事件流序列，统计每个去噪后地址事件流序列的事件总数；(3b)将所有去噪后地址事件流序列的事件总数组成一个地址事件流变化趋势序列；(4)确认峰值地址事件流序列：(4a)对地址事件流变化趋势序列进行低通滤波，得到平滑后的地址事件流变化趋势序列；(4b)依次将平滑后的地址事件流变化趋势序列中的每一个元素与之相邻元素相减，将所得的差值依次组成一阶差分序列，将一阶差分序列中的每一个元素与之相邻元素相减，将所得的差值依次组成二阶差分序列；(4c)去除一阶差分序列的首元素，若去除首元素后的一阶差分序列中的每一个元素与二阶差分序列中对应位置的每一个元素均为负数，则将该两个元素对应位置序号加2，作为平滑后的地址事件流变化趋势序列趋势向下的转折位置；若所述转折位置在地址事件流变化趋势序列中对应的元素大于等于先验阈值，则将该转折点位置作为候选波峰位置，将候选波峰位置依次组成候选波峰位置序列；(4d)利用波峰跨度方法，生成真实波峰位置序列；(4e)将真实波峰位置序列中每一个波峰位置对应的去噪后地址事件流序列，作为峰值地址事件流序列，将峰值地址事件流序列组成峰值地址事件流序列集；(5)生成激活频率矩阵：(5a)依次读入峰值地址事件流序列集中的每个峰值地址事件流序列，组成r行k列的地址事件矩阵M1，其中，r表示峰值地址事件流序列的事件总数，k表示每个事件的四个属性；(5b)生成一个全0的激活频率矩阵M2；(6)检测峰值地址事件流序列的特征事件：(6a)从地址事件矩阵M1中按行读入每个地址事件，将地址事件位置属性对应激活频率矩阵M2位置处的元素值加1；(6b)从激活频率矩阵M2中截取以读入的地址事件为中心的N行N列的激活频率子矩阵M3，作为所读地址事件的局部激活频率矩阵M4，其中N的取值为(5，7，9，13)中的任意一个奇数值；(6c)利用哈里斯Harris角点检测算法，计算局部激活频率矩阵M4中所读地址事件的角点响应值，将角点响应值大于角点响应阈值的所读地址事件作为当前特征事件；(7)提取当前特征事件的局部尺度不变特征：利用加速稳健特征SURF算法，提取当前激活频率矩阵M2中以当前特征事件为中心的局部尺度不变特征；(8)判断是否读完地址事件矩阵M1中的所有事件，若是，则将每个峰值地址事件流序列的所有特征事件组成该峰值地址事件流序列的特征事件集，以及将所述特征事件集中所有特征事件的局部不变特征组成该峰值地址事件流序列的局部不变特征集，并执行步骤(9)，否则，执行步骤(6)；(9)判断峰值地址事件流序列的读入个数是否大于等于2，若是，则执行步骤(10)，否则，执行步骤(5)；(10)筛选有效手势的局部不变特征：(10a)利用重心计算公式，计算当前峰值地址事件流序列的特征事件集中所有特征事件的重心位置A；(10b)利用重心计算公式，计算上一个峰值地址事件流序列的特征事件集中所有特征事件的重心位置B；(10c)若中心位置A的纵坐标与中心位置B的纵坐标之间的差值小于负12，或所述差值的绝对值小于10，则保留该峰值地址事件流序列的局部不变特征集，否则，则丢弃该峰值地址事件流序列的局部不变特征集；(11)判断是否读完手势地址事件流数据库中所有手势地址事件流文件，若是，将所有峰值地址事件流序列的局部不变特征集组成有效手势特征集，并执行步骤(12)，否则，执行步骤(2)；(12)训练支持向量机SVM分类器：(12a)将有效手势特征集中所有局部不变特征集按5：1的比例，随机划分为训练特征集和测试特征集；(12b)利用词袋模型BOW方法，将训练特征集中任意一个局部不变特征集简化为一个局部不变特征向量，得到训练特征向量集；(12c)将训练特征向量集输入到分类器中，对支持向量机SVM分类器进行训练，得到训练好的分类器；(13)分类：将测试特征向量集输入到训练好的分类器中，得到最终分类结果。