一种基于加速度计和陀螺仪的空中手写字符识别方法与流程

技术特征：

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；

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；

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。

2.根据权利要求1所述的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S2、模型参数初始化步骤具体如下：

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；

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。

3.根据权利要求2所述的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，所述步骤S22具体如下：

S221、初始状态概率π_i等于Set_i集合大小与字符训练样本向量总数之比；

S222、初始状态转移概率矩阵A按照从左到右型隐马尔科夫模型的结构初始化：任意一个隐藏状态只能向下一个状态转化或保持不变，最后的状态不能向其他状态转化；

S223、初始高斯混合模型权值C_jm等于簇g_jm的大小与集合Set_j大小之比；

S224、初始高斯元均值向量μ_jm等于簇g_jm的均值；

S225、初始高斯混合元协方差向量U_jm即计算簇g_jm的协方差。

4.根据权利要求2所述的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S3、CHMM模型训练步骤中的前向-后向算法采用逐时刻归一化前向变量与后向变量的方法对前向变量α与后向变量β进行逐时刻归一化，具体如下：

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：

$\stackrel{\‾}{{\mathrm{\α}}_i\left(t\right)}=\frac{{\mathrm{\α}}_i\left(t\right)}{{\mathrm{\Σ}}_{j=1}^N{\mathrm{\α}}_j\left(t\right)}$

$\stackrel{\‾}{{\mathrm{\β}}_i\left(t\right)}=\frac{{\mathrm{\β}}_i\left(t\right)}{{\mathrm{\Σ}}_{j=1}^N{\mathrm{\β}}_j\left(t\right)}.$

5.根据权利要求1所述的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，所述采集的原始信号包括三维加速度信号和三维角速度信号。

6.根据权利要求5所述的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S1、数据预处理步骤具体为：

对于采集到的三维加速度信号和三维角速度信号，首先对各维数据用滑动平均滤波器去噪，然后进行Z-score标准化处理，使每一维数据均值为0、标准差为1。

7.根据权利要求1所述的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S3、CHMM模型训练步骤中，若迭代训练中两次迭代所得的参数的差异小于预定的阈值，则认定训练样本收敛。