离来衡量两者之间的相似度。动态时间规整（DTW) [1]利用动态规划算法 寻找两条序列的最优匹配，即从待测（T)和标准（S)的骨骼节点轨迹序列中找到一个最优 匹配方案，使得对应元素的距离之和最小。
[0093] 用T = t" t2,…，tm表示待测的骨豁节点轨迹，用S = s " S2,…，Sn表示标准的骨 骼节点轨迹，则两个轨迹之间的相似度可以通过下面的式子计算：
[0095] 其中，
表示T与S之间最优的匹配序列，其中0T =
d(i，j)表示T中第i个元素和S中第j元素之间的距离I L-Sj I。
[0096] 四、手势识别
[0097] 根据步骤三得到的骨骼节点权值、轨迹比较的范围以及基于DTW的轨迹比较算 法，从而可以通过下面式子计算出待测手势与标准手势之间的相似度S :
[0099] 其中，N表示骨骼节点的数目，Wf表示骨骼节点i在手势g中的权值，δ i表示骨 骼节点i的DTW值。
[0100] 最后，将值最小的δ所对应的手势即作为最终的识别结果。
[0101] 有益效果
[0102] 在本发明中，首先针对Kinect在数据采集方面的局限提出了基于距离截取和 min-max归一化的预处理方案。通过对交警指挥手势的分析，在手势分割上提出了距离波动 分割的算法，做到了对手势序列的准确抽取；另外在手势特征提取上，提出了夹角余弦的方 法，即骨骼节点到中肩节点的向量与竖直向下的向量的夹角余弦，从而解决了人体身高差 异所造成的误差的问题。在手势识别上，采用了改进的DTW算法，并根据交警指挥手势的特 点，提出了偏转加权的方法，从而客观的评价了骨骼节点对指挥手势的贡献度；另外，提出 了偏转抽样过滤的方法，有效的缩小手势比较的范围。
[0103] 综上所述，对比现有技术，本发明方法硬件资源投入少、数据量低、处理简单，具有 成本低、准确率高、运算速度快等优点。
【附图说明】
[0104] 图1为本发明方法基于Kinect的交警手势识别的流程示意图。
[0105] 图2为停止和左转弯待转手势的两手间距离的变化曲线示意图。
[0106] 图3为待测手势各骨骼节点的运动轨迹示意图。
【具体实施方式】
[0107] 下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案 解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解， 而对其不起任何限定作用。
[0108] 本实施例实施的条件：
[0109] Kinect设备一台，并设定其彩色图像的分别率为640*480,深度图像的分辨率为 320*240 ;
[0110] 待识别人正对Kinect，距离Kinect 2米到3米之间。
[0111] 下面以8个交警手势样本，每个手势样本仅涉及4个关节点为例对本实施例进行 详细说明。
[0112] 下面以身高为174cm的测试者的停止手势为例介绍具体实施步骤如下：
[0113] 步骤一、基于Kinect采集数据并对数据进行预处理得到待识别交警手势数据；
[0114] 首先，通过kinect获取测试者立正姿势下两手间的距离Dstan^d= 0.4m，Dlinilt = 〇. 〇8m。根据8种手势的分析，左转弯待转与身体的角度最小（15° )，因此Dlinilt的计算方 式如下：
[0116] 然后，循环处理送达的数据帧，计算每帧两手的距离Cl1，如果山彡D Standard+Dlinut， 则把Flag的值设置为TRUE，并把该数据帧存入链表LinkedList空间中；如果 CMDstandal^Dlinilt,则把 Flag 的值设置为 FALSE。
[0117] 最后，根据LinkedList中的数据，分别求出得出X、Y、Z的最大值和最小值，然后利 用下面的公式对分割后的数据进行归一化处理：
[0119] 其中，X% /，Zi为骨骼关节点在数据归一化后的坐标值；X _，χ_分别为该动作中， X坐标的最大和最小值；ymin，ymax分别为该动作中，y坐标的最大和最小值；ζ min，Zmax分别为 该动作中，z坐标的最大和最小值；
[0120] 步骤二、对手势数据通过下式进行特征提取，将各帧数据连起来即可得到各骨骼 节点的运动轨迹T，如图3所示；
[0121]
[0122] 其中，舒表示t时刻，节点i到中肩节点的向量与竖直向下的单位向量之间的夹 角；op丨表示t时亥I」，节点i到中肩节点〇的向量；裔表示竖直向下的单位向量，其值定义为
[0123] 步骤三、通过下式计算交警手势中每个关节点的权重w :
[
[0125] 其中，N表示骨骼节点的个数，af:表示在手势g中，骨骼节点i的总偏移量，可以通 过下式计算：
[0127] 其中，T表示手势g的总帧数，
表示手势g中骨骼节点i在t时刻偏转角Θ 的余弦值。
[0128] 本例中，待测手势各个骨骼节点的权值如表所示：
[0130] 步骤四、提取预存的标准手势中各骨骼关节点对应的运动轨迹S ;
[0131] 对于标准手势中各骨骼关节点对应的运动轨迹S的获取同待测手势，即同样通过 步骤一、二所述过程获取；
[0132] 步骤五、通过下式分别计算待识别手势中骨骼节点的运动轨迹T = ，L，…，k与标准手势中对应骨骼节点的运动轨迹S = s η S2，…，Sj，…Sn之间的DTW值；
[0134] 其中，0 = (0t,0s)表示T与S之间最优的匹配序列，其中
表示T中第i个 元素和S中第j元素之间的距离I L-Sj I ;
[0135] 在手势识别领域，常用的算法有隐马尔科夫模型（HMM)、动态时间规整（DTW)，文 南犬（Josep Maria Camona, Joan Climent. A performance Evaluation of HMM and DTff for Gesture Recognition[J]. Progress in Pattern Recognition,Image Analysis,Computer Vision, and Applications Lecture Notes in Computer Science, 2012,7441:236-243.) 专门对这两种算法的识别效果进行了评估，指出了 DTW相对于HMM的优点，并建议使 用DTW代替HMM。因此，本文采用动态时间规整（Donald J Berndt, James Clifford. Using dynamic time warping to find patterns in time series[C]//KDD workshop, 1994, 10(16) :359-370.)的方法来计算出T与S之间最优的匹配序列0 S
[0136] 根据本步骤需要计算待识别手势与所有标准手势对应骨骼节点的相似度，以8种 标准手势为例，需要计算8*4 = 32个骨骼节点的相似度，计算量比较大，因此可以通过比较 待识别手势与所有标准手势的加权偏移量来缩小手势的比较范围，具体如下：
[0137] 通过下式计算待识别手势与所有标准手势的加权偏移量，用aw(g)表示；用 Taw(g)和Saw(g)分别表示待识别手势、标准手势的加权偏移量。
[0139] 其中，aw(g)表