专利名称：一种基于触摸屏的触摸物识别方法
技术领域：
本发明属于人机交互技术领域，具体涉及一种面向交互式触摸应用的基于触摸屏的触摸物识别方法。
背景技术：
在教学、会议和培训应用中使用的大尺寸显示屏，采用摄像头表面定位技术进行单点或多点触摸书写，由于摄像头定位技术比其他定位技术具有价格优势，因而深受客户欢迎。在大尺寸显示屏摄像头表面定位技术交互应用中，一般既可用手指触摸也可以用笔触摸显示屏进行书写或绘画操作，但由于长时间用手书触摸操作，手指会感觉不舒服，而且触摸屏表面有一定的温度，使用手指书写操作显得不方便，实际上，面对公用的触摸屏，使用手指操作也不卫生。另一方面，如果在交互应用中，不能区分手指和笔，往往出现用笔书写时，当使用者握笔靠近笔头进行书写时，摄像头就会将手指或手掌误判为触摸点，造成在书写位置局部多点书写，产生字迹混乱，使得用户书写体验非常不好。而且，在使用中，用户常常会将手指无意地放在显示屏上，如果不能区分手指和笔触摸的动作，这个动作常常会将写好的文字和图案变成无序。人工神经网络(ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络 (NNs)或称作连接模型(CormectionistModel)，它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。而BP (Back !Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。 BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；隐层是内部信息处理层，负责信息变换，根据信息变化能力的需求，隐层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。AdaBoost算法是利用“委员会”的形式，将几个较弱的学习器通过自适应的权值叠加起来，从而得到较强的学习器，获得较高的识别效果。结合神经网络和AdaBoost算法解决摄像头表面定位技术应用于大尺寸的显示屏存在的问题，明确区分笔和手指的触摸动作，对推广大尺寸显示屏的交互应用有着关键的作用。
发明内容
本发明解决的技术问题是克服现有技术的不足，提供一种能够识别不同触摸物对触摸屏的触摸，提高用户书写体验的基于触摸屏的触摸物识别方法。为解决上述技术问题，本发明的技术方案如下
一种基于触摸屏的触摸物识别方法，在触摸屏的上设置有彩色摄像头，所述方法包
括
(1)构建识别不同触摸物的分类器，其具体包括
(11)选取利用所述彩色摄像头拍摄的不同触摸物在触摸屏上不同触摸位置的图片作为训练样本图片；
(12)将训练样本图片由RGB空间转换为HSV空间；
(13)将HSV空间的训练样本图片进行颜色直方图特征归一化处理，获得训练样本特征
集；
(14)建立神经网络，将训练样本特征集输入到神经网络中进行训练，获得识别不同触摸物的分类器；
(2)利用所述分类器对触摸屏上的实时触摸图片进行处理，识别出所述实时触摸图片上的触摸物。本发明利用神经网络技术对训练样本图片集进行训练，可到一个能够区别不同触摸物的分类器，利用该训练好的分类器就可以进行触摸装置上不同触摸物触摸全屏幕的自动识别。上述方案中，所述步骤(14)中还包括
利用AdaBoost. OC算法对神经网络进行多次迭代训练学习，得到多个弱分类器； 将多个弱分类器进行叠加得到一个最终强分类器。上述方案中，所述神经网络为BP (Back !Propagation)神经网络。上述方案中，所述步骤(11)的训练样本图片中不同触摸物的图片不少于80张。上述方案中，所述步骤(13)中对训练样本图片进行颜色直方图特征归一化处理， 得到一个16维的颜色特征，其具体是
权利要求
1.一种基于触摸屏的触摸物识别方法，其特征在于，在触摸屏上设置有彩色摄像头，所述方法包括(1)构建识别不同触摸物的分类器，其具体包括(11)选取利用所述彩色摄像头拍摄的不同触摸物在触摸屏上不同触摸位置的图片作为训练样本图片；(12)将训练样本图片由RGB空间转换为HSV空间；(13)将HSV空间的训练样本图片进行颜色直方图特征归一化处理，获得训练样本特征集；(14)建立神经网络，将训练样本特征集输入到神经网络中进行训练，获得识别不同触摸物的分类器；(2)利用所述分类器对触摸屏上的实时触摸图片进行处理，识别出所述实时触摸图片上的触摸物。
2.根据权利要求1所述的基于触摸屏的触摸物识别方法，其特征在于，所述步骤(14) 中还包括利用AdaBoost. OC算法对神经网络进行多次迭代训练学习，得到多个弱分类器； 将多个弱分类器进行叠加得到一个最终强分类器。
3.根据权利要求2所述的基于触摸屏的触摸物识别方法，其特征在于，所述神经网络为BP神经网络。
4.根据权利要求1所述的基于触摸屏的触摸物识别方法，其特征在于，所述步骤(11) 的训练样本图片中不同触摸物的图片不少于80张。
5.根据权利要求1至4任一项所述的基于触摸屏的触摸物识别方法，其特征在于，所述步骤(13)中训练样本图片进行颜色直方图特征归一化处理，得到一个16维的颜色特征，其具体是
全文摘要
本发明公开了一种面向交互式触摸应用的基于触摸屏的触摸物识别方法。在触摸屏的上设置有彩色摄像头，所述方法包括(1)构建分类器，具体包括选取利用彩色摄像头拍摄的不同触摸物在触摸屏上不同触摸位置的图片作为训练样本图片；将训练样本图片由RGB空间转换为HSV空间；将HSV空间的训练样本图片进行颜色直方图特征归一化处理获得训练样本特征集；建立神经网络，将训练样本特征集输入到神经网络中进行训练，获得识别不同触摸物的分类器；(2)利用分类器对触摸屏上的实时触摸图片进行处理，识别出所述实时触摸图片上的触摸物。本发明将神经网络分类技术和图像识别技术结合，对触摸屏上的不同触摸物进行智能识别，提高用户书写体验。
文档编号G06F3/041GK102521611SQ20111041461
公开日2012年6月27日 申请日期2011年12月13日 优先权日2011年12月13日
发明者梁文昭, 肖平 申请人:广东威创视讯科技股份有限公司