一种手势识别方法及装置的制造方法

一种手势识别方法及装置的制造方法
【专利摘要】本发明实施例公开了一种手势识别方法，应用于电子设备，所述电子设备确定人手活动的时间段，并提取该活动时间段内的待识别手势的手部视频，确定关键帧图像中的手部区域；将所述手部区域划分为预设数量个子区域；计算每个子区域的相对密度值，确定待识别手势的密度分布特征向量；计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小的标准手势作为目标手势。本发明实施例利用手部视频获得待识别手势的密度分布特征向量，计算该密度分布特征向量与预设的标准手势库中的每个标准手势的密度分布特征向量的欧氏距离，取欧氏距离最小的标准手势作为确定的目标手势，使手势识别的准确性得到了提高。
【专利说明】
一种手势识别方法及装置
技术领域
[0001] 本发明涉及动作识别领域，特别涉及一种手势识别方法及装置。
【背景技术】
[0002] 现有的手势识别技术，一般会使用具有轨迹传感器和肌电传感器的手套或手环， 获取手部运动时产生的轨迹信号和肌电信号，用来对用户的手势进行识别。通常所述轨迹 传感器包括加速计和陀螺仪，对大幅度动作的检测具有优势，肌电传感器可以检测到生物 体运动时产生的肌电信号，对人体细微动作的检测具有优势。在现有技术中，可以通过轨迹 传感器和肌电传感器实现对手势的识别，具体识别过程是通过肌电传感器和轨迹传感器获 取手部运动产生肌电信号和轨迹信号，并根据手部运动的时间段，生成该时间段对应的肌 电特征量和轨迹特征量，根据生成的肌电特征量、轨迹特征量，在预设的标准手势库中查找 满足特征量条件的标准手势。
[0003] 通常通过现有技术的方法，筛选出的为满足条件的多个标准手势，在多个标准手 势中任意选择一个作为目的手势，因为选择的任意性，选择出的目的手势可能与实际的手 势是存在差别的，从而影响识别的准确性。

【发明内容】

[0004] 本发明实施例公开了一种手势识别方法及装置，使手势识别的准确性得到了提 尚。
[0005] 本发明实施例提供了一种手势识别方法，应用于电子设备，所述方法包括步骤：
[0006] 使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值 移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段 为人手活动的活动时间段；
[0007] 在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部 视频；
[0008] 从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区 域；
[0009] 将所述手部区域划分为预设数量个子区域；
[0010]根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属 于所述手部区域的像素点的相对密度值；
[0011] 根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量；
[0012] 根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待 识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离；
[0013] 以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。
[0014] 本发明实施例提供了一种手势识别装置，应用于电子设备，所述装置包括：
[0015] 活动时间段确定模块，用于使预设长度的时间窗在获取的人手肌电信号所持续的 时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈 值的时间段，以该时间段为人手活动的活动时间段；
[0016] 视频提取模块，用于在图像采集设备采集的手部视频中，提取所述活动时间段内 的待识别手势的手部视频；
[0017] 区域确定模块，用于从提取的所述手部视频中确定关键帧图像，并确定所述关键 帧图像中的手部区域；
[0018] 子区域确定模块，用于将所述手部区域划分为预设数量个子区域；
[0019] 相对密度确定模块，用于根据所述每个子区域内所述手部区域的像素点的数量， 计算每个所述子区域的属于所述手部区域的像素点的相对密度值；
[0020] 密度分布特征向量确定模块，用于根据每个子区域对应的相对密度值，确定待识 别手势的密度分布特征向量；
[0021] 欧氏距离确定模块，用于根据所述待识别手势的密度分布特征向量，在预设的标 准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向 量的欧氏距离；
[0022] 目标手势确定模块，用于以所述欧氏距离最小值所对应的标准手势，作为确定的 目标手势。
[0023] 为达到上述目的，本发明实施例公开了一种手势识别方法，应用于电子设备，所述 电子设备使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值 移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段 为人手活动的活动时间段;在图像采集设备采集的手部视频中，提取所述活动时间段内的 待识别手势的手部视频;从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图 像中的手部区域;将所述手部区域划分为预设数量个子区域;根据所述每个子区域内所述 手部区域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度 值;根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量;根据所述待 识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布 特征向量到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应 的标准手势，作为确定的目标手势。由于本发明实施例利用手部视频获得待识别手势的密 度分布特征向量，通过计算所述待识别手势的密度分布特征向量与预设的标准手势库中的 每个标准手势的密度分布特征向量的欧氏距离，取所述欧氏距离最小值所对应的标准手 势，作为确定的目标手势，使手势识别的准确性得到了提高。
【附图说明】
[0024] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0025] 图1为本发明实施例一提供的一种手势识别方法的流程示意图；
[0026] 图2为本发明提供的手部区域划分为多个子区域示意图；
[0027] 图3为本发明实施例二提供的一种手势识别方法的流程示意图；
[0028] 图4为本发明实施例三提供的一种手势识别方法的流程示意图；
[0029] 图5为本发明实施例四提供的一种手势识别方法的流程示意图；
[0030] 图6为本发明实施例五提供的一种手势识别方法的流程示意图；
[0031 ]图7为本发明实施例一提供的一种手势识别装置的结构示意图。
【具体实施方式】
[0032]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0033] 下面通过具体实施例，对本发明进行详细说明。
[0034] 图1为本发明实施例一提供的一种手势识别方法的流程示意图，所述方法应用于 电子设备，该方法可以包括步骤：
[0035] S101:使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步 进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时 间段为人手活动的活动时间段。
[0036] 例如，使用一定长度时间窗在获取的人手肌电信号上从该信号的0时刻开始，按照 固定的步长进行平移，每平移一个步长，计算此刻时间窗所截取的人手肌电信号的样本熵 是否大于预设阈值，若大于，则继续按步长进行平移且计算当前时刻时间窗内所截取的人 手肌电信号的样本熵是否大于预设阈值，依次进行下去，直到判断当前时刻时间窗内所截 取的人手肌电信号的样本熵不大于预设阈值，则将从所述0时刻开始到当前判断出不大于 预设阈值时刻之间的连续时间段作为人手活动的活动时间段。其中，计算时间窗所截取的 人手肌电信号的样本熵为现有技术，本发明不再赘述。
[0037] S102:在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频。
[0038]根据步骤S101所确定的人手活动的活动时间段，在图像采集设备所采集的手部视 频中，提取该时间段内的视频。例如通过步骤S101确定了时刻to到时刻tl这一段时间为人 手活动的活动时间段，则在图像采集设备所采集的手部视频中，提取出时刻to到时刻tl所 录制的人手视频。
[0039] S103:从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手 部区域。
[0040] 关键帧为所述手部视频中最能代表手部手势特征的一帧图像，确定手部视频的关 键帧图像为现有技术，本发明不再赘述。
[0041] 在获得关键帧图像后，可以根据图像中手部肤色的H分量和背景颜色的H分量在 HSV空间上的分布不同，采用图像二值化的方法，将手部图像从背景中分割出来，例如，因为 手部肤色的H分量在HSV空间上集中在[0,20]的范围，所以可以将得到的关键帧图像中所有 颜色H分量在HSV空间中在[0,20]范围的像素的值设为0,将关键帧图像中其它的像素的值 设为1，就获得了关键帧图像中的手部区域，即关键帧图像中像素值为0的区域。
[0042] S104:将所述手部区域划分为预设数量个子区域。
[0043] 可以按照确定的划分规则，将所述手部区域进行子区域的划分。其中一种划分方 式为：
[0044] 获取所述手部区域的质心，和所述质心到所述手部区域中手部像素点的距离的最 大值D，其中，确定手部区域质心的方法为现有技术，本发明不再赘述；
[0045] 以所述质心为圆心，根据预设的画圆规则，在所述手部区域上画M个半径各不相等 的同心圆，以使所述M个同心圆将所述手部图像划分出一个圆形子区域和M-1个环形子区 域，其中半径的最大的同心圆的半径值为D，其中M为预设的整数值。
[0046] 如图2所示，先确定图中手部区域的质心，再计算该质心到图中手部区域所有像素 点的距离，并获得距离的最大值;再以所述质心为圆心，图中画预设数量个同心圆，且这多 个同心圆中，最大圆的半径为所述最大值。在图2中，有11个同心圆，将手部区域分成了 1个 圆形子区域和10个环形子区域。
[0047] S105:根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区 域的属于所述手部区域的像素点的相对密度值。
[0048] 所述子区域内既包含手部区域的像素点，又包含非手部区域的像素点，如图2中所 示的每个子区域中，即有属于手部区域的白色的像素点，又有不属于手部区域的黑色的像 素点，步骤S105即可以是计算每个子区域中属于手部区域的白色像素点的疏密，所述相对 密度值可以按照下式进行计算：
[0050] 其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部区 域的像素点的相对密度值，Si表示编号为i的子区域内属于所述手部区域的像素点的数目， Smax表不Si中的最大值，M表不子区域的个数。
[0051] 如图2中所示，通过像素点统计知道子区域3中的白色像素点最多，则每个子区域 的相对密度值=该子区域中白色像素点数/子区域3中白色像素点数。
[0052 ] S106:根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量。 [0053]可以将步骤S105得到的每个子区域的像素点的相对密度值按照特定的顺序进行 排序，即得到对应待识别手势的密度分布特征向量。例如对于步骤S105得到的ri，其中i = 1，2,...，M，则可以将(n，r2,...，rM)确定为对应待识别手势的密度分布特征向量。
[0054] S107:根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所 述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离。
[0055]在预设的标准手势库中，保存有多个具有已知意义的标准手势，并且已经预先将 这些手势按照步骤S104到步骤S106相同的方式，计算出了每个标准手势所对应的密度分布 特征向量，并且也预先将所述密度分布特征向量保存在了所述预设的标准手势库中，这样， 则可以计算出所述待识别手势的密度分布特征向量到预设的标准手势库中每个标准手势 的密度分布特征向量的欧氏距离。
[0056] S108:以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。
[0057]获得步骤S107中所得的最小的欧氏距离，并以该欧氏距离对应的标准手势作为最 终需要确定的目标手势。
[0058]由于本发明实施例利用手部视频获得待识别手势的密度分布特征向量，通过计算 所述待识别手势的密度分布特征向量与预设的标准手势库中的每个标准手势的密度分布 特征向量的欧氏距离，取所述欧氏距离最小值所对应的标准手势，作为确定的目标手势，使 手势识别的准确性得到了提高。
[0059] 为了使根据计算手势图像密度分布特征向量的欧氏距离确定标准手势的结果更 准确，可以使用相对密度值的一阶差分对手势图像密度分布特征向量作进一步拓展，所以 基于图1所示的方法，在步骤S105之后、步骤S106之前，还可以包括：
[0060] 根据每个所述相对密度值，计算每个所述相对密度值的一阶差分，得到与所述每 个相对密度值对应的一阶差分值。
[0061 ] 相应的，所述步骤S106可以为：
[0062]将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。
[0063] 相应的，所述步骤S107可以为：
[0064]计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量的欧 氏距离cU，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量的欧 氏距离d2;
[0065]根据所述cb和d2,按照下式计算综合欧氏距离值d:
[0066] d = a*di+0*d2
[0067] 其中，a和0为预设的经验值。
[0068] 相应的，所述步骤S108可以为：
[0069] 判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作为目 标手势。
[0070] 图3为本发明实施例二提供的一种手势识别方法的流程示意图，基于实施例一所 述的方法，该方法可以包括如下步骤：
[0071] S301:使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步 进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时 间段为人手活动的活动时间段。
[0072] S302:在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频。
[0073] S303:从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手 部区域。
[0074] S304:将所述手部区域划分为预设数量个子区域。
[0075] S305:根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区 域的属于所述手部区域的像素点的相对密度值。
[0076] S306:根据每个所述相对密度值，计算每个所述相对密度值的一阶差分，得到与所 述每个相对密度值对应的一阶差分值。
[0077] 可以按照下述公式，计算每个所述相对密度值的一阶差分：
[0079] 其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部像 素点区域的像素点的相对密度，d ri表示编号为i的相对密度值的一阶差分值，M表示子区域 的个数。
[0080] S307:将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。 [00811例如，对于步骤S306中所表示的相对密度 ri和相对密度值的一阶差分值dri，由它 们组合成的密度分布特征向量可以为(ri，r2,. . .，rM，dri，dr2,. . .，drM)。
[0082] S308:计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量 的欧氏距离cU，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量 的欧氏距离d2;
[0083]根据所述cb和d2,按照下式计算综合欧氏距离值d:
[0084] d = a*di+0*d2，
[0085] 其中，a和0为预设的经验值。
[0086]执行步骤S308的前提是:所述预设的标准手势库中的每个标准手势的密度分布特 征向量能够被分解为标准手势相对密度值向量和标准手势一阶差分值向量，且该标准手势 的相对密度值向量和标准手势一阶差分值向量可以是将标准手势图像通过与所述步骤 S304至步骤S307相同的方法计算得到的；这样，就可以对应计算出步骤S308中的两种不同 的欧氏距离dl和d2。
[0087] S309:判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作 为目标手势。
[0088] 本发明实施例中，通过计算综合欧氏距离的大小来选择标准手势库中的手势作为 目标手势，使最终选择的结果更为准确。
[0089] 为了进一步减少对标准手势库中的标准手势进行欧氏距离计算的次数，可以预先 将待识别手势进行手势朝向的确定，之后就可以只对标准手势库中的手势朝向与所述待识 别手势的手势朝向相同的标准手势进行欧氏距离的计算，所以基于图1所示的方法，在步骤 S107之前，该方法还可以包括：
[0090] 根据通过加速度传感器获取的该时间段对应的加速度信号的加速度均值，确定所 述加速度均值所在的至少一个预设的数值范围;计算所述加速度均值与其所在的至少一个 预设的数值范围的中心点的差值；
[0091] 根据得到所述差值的最小值的数值范围所对应的手势朝向，在所述预设的标准手 势库中，筛选与所述手势朝向相同的多个待选手势，以所述多个待选手势的集合作为预设 的标准手势库。
[0092] 图4为本发明实施例三提供的一种手势识别方法的流程示意图，基于实施例一所 述的方法，该方法可以包括如下步骤：
[0093] S401:使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步 进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时 间段为人手活动的活动时间段。
[0094] S402:在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频。
[0095] S403:从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手 部区域。
[0096] S404:将所述手部区域划分为预设数量个子区域。
[0097] S405:根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区 域的属于所述手部区域的像素点的相对密度值。
[0098] S406:根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量。
[0099] S407:根据通过加速度传感器获取的该时间段对应的加速度信号的加速度均值， 确定所述加速度均值所在的至少一个预设的数值范围;计算所述加速度均值与其所在的至 少一个预设的数值范围的中心点的差值。
[0100] 所述加速度传感器在人手活动的时间段内时候都会有加速度数值生成，步骤S407 计算该段时间内加速度的均值，并确定该加速度均值所处的至少一个预设的数值范围。例 如，计算得到的加速度均值为50，预设的数值范围有[0，10]、[ 10，60]、[30，80]，则可确定出 该加速度均值50所处的预设的数值范围为[10，60 ]和[30，80 ]，又因为[10，60 ]的中心数值 为35, [30，80]的中心数值为55,可得50与35的差值为15，50与55的差值为5。该举例中为了 表述方便，没有使用具有量纲的实际加速度数值，不影响举例的效果。
[0101] S408:根据得到所述差值的最小值的数值范围所对应的手势朝向，在所述预设的 标准手势库中，筛选与所述手势朝向相同的多个待选手势，以所述多个待选手势的集合作 为预设的标准手势库。
[0102] 所述每个数值范围预先对应的有确定的手势朝向，在步骤S407中所举的例子中， 若数值范围[10,60]对应手势朝向为"手心向下"，数值范围[30,80]对应手势朝向为"手心 向上"，又因为得到的加速度均值50与数值范围[30，80 ]的中心数值差值较小，则可确定所 述待识别手势的朝向为"手心向上"，则可以在预设的标准手势库中筛选出所有手势朝向为 "手心向上"的标准手势，作为后续步骤中进行欧氏距离计算的标准手势。
[0103] S409:根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所 述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离。
[0104] S410:以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。
[0105] 本发明实施例针对本发明实施例一中需要对预设的标准手势库中每一个标准手 势进行欧氏距离计算的情况，先确定待识别手势的朝向，再根据该朝向在预设的标准手势 库中筛选出与该朝向一致的标准手势，进而在后续操作中只需对筛选出的标准手势进行欧 氏距离的计算即可，减少了计算欧氏距离的计算量。
[0106] 在本发明提供的另一个实施例中，还可以预先判断待识别手势的单双手类型，在 预设的标准手势库中筛选出与所述待识别手势单双手类型相同的标准手势，作为后续进行 欧氏距离计算的标准手势，所以，基于图1所示的方法，在步骤S107之前，该方法还可以包 括：
[0107] 根据通过肌电传感器获取的该时间段对应的肌电信号的幅度变化的绝对值均值， 和根据通过加速度传感器获取的该时间段对应的加速度信号的加速度方差，与对应的预设 的绝对均值阈值和加速度方差阈值比较，确定所述待识别手势的单双手类；
[0108] 根据确定的所述待识别手势的单双手类，在所述预设的标准手势库中，筛选与所 述手势单双手类相同的多个待选手势，以所述多个待选手势的集合作为预设的标准手势 库。
[0109] 图5为本发明实施例四提供的一种手势识别方法的流程示意图，基于实施例一所 述的方法，该方法可以包括如下步骤：
[0110] S501:使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步 进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时 间段为人手活动的活动时间段。
[0111] S502:在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频。
[0112] S503:从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手 部区域。
[0113] S504:将所述手部区域划分为预设数量个子区域。
[0114] S505:根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区 域的属于所述手部区域的像素点的相对密度值。
[0115] S506:根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量。
[0116] S507:根据通过肌电传感器获取的该时间段对应的肌电信号的幅度变化的绝对值 均值，和根据通过加速度传感器获取的该时间段对应的加速度信号的加速度方差，与对应 的预设的绝对均值阈值和加速度方差阈值比较，确定所述待识别手势的单双手类。
[0117]若所述肌电信号的幅度变化的绝对值均值大于预设的幅度均值，且所述加速度方 差大于预设的加速度方差阈值，则可以确定所述待识别手势为双手类型，否则确定所述待 识别手势为单手类型。
[0118] S508:根据确定的所述待识别手势的单双手类，在所述预设的标准手势库中，筛选 与所述手势单双手类相同的多个待选手势，以所述多个待选手势的集合作为预设的标准手 势库。
[0119] S509:根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所 述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离。
[0120] S510:以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。
[0121] 本发明实施例针对本发明实施例一中需要对预设的标准手势库中每一个标准手 势进行欧氏距离计算的情况，先确定待识别手势的单双手类，再根据该单双手类在预设的 标准手势库中筛选出与该单双手类一致的标准手势，进而在后续操作中只需对筛选出的标 准手势进行欧氏距离的计算即可，减少了计算欧氏距离的计算量。
[0122] 在本发明提供的另一种实施例中，还可以根据待识别手势的融合向量与预设的标 准手势库中每个标准手势的密度分布特征向量的乘积，在预设的标准手势库中筛选出所述 乘积大于乘积阈值的标准手势，作为后续进行欧氏距离计算的标准手势，所以，基于图1所 示的方法，在步骤S107之前，该方法还可以包括：
[0123] 根据该时间段获取的人手肌电信号及自回归模型，确定人手肌电信号对应的自回 归模型系数向量；
[0124] 对通过加速度传感器获取的该时间段对应的加速度信号进行抽样，生成具有固定 长度的抽样信号；
[0125] 利用预设的肌电隐马尔可夫模型对所述自回归模型系数向量进行建模，获得肌电 模型向量；
[0126] 利用预设的轨迹隐马尔可夫模型对所述抽样信号进行建模，获得轨迹模型向量；
[0127] 根据所述肌电模型向量和所述轨迹模型向量，采用似然概率融合的方法，得到融 合向量，计算所述融合向量和与其对应的预设的标准手势库中的每个标准手势的密度分布 特征向量的乘积，针对每个乘积，判断所述乘积是否大于预设的乘积值，若大于，则将该乘 积对应的标准手势确定为待选手势，进而确定出多个待选手势，以所述多个待选手势的集 合作为预设的标准手势库。
[0128] 图6为本发明实施例五提供的一种手势识别方法的流程示意图，基于实施例一所 述的方法，该方法可以包括如下步骤：
[0129] S601:使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步 进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时 间段为人手活动的活动时间段。
[0130] S602:在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频。
[0131 ] S603:从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手 部区域。
[0132] S604:将所述手部区域划分为预设数量个子区域。
[0133] S605:根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区 域的属于所述手部区域的像素点的相对密度值。
[0134] S606:根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量。
[0135] S607:根据该时间段获取的人手肌电信号及自回归模型，确定人手肌电信号对应 的自回归模型系数向量。
[0136] 具体的，可以利用分帧技术，将所述人手肌电信号进行分帧处理，得到F个分帧段， 其中F为预设的整数值，所述分帧技术为现有技术，本发明不再赘述。
[0137] 针对每个所述分帧段，获取其N个自回归模型系数，其中N为预设的整数值，其中， 获得每个分帧段的自回归模型系数为现有技术，本发明不再赘述。
[0138] 将所述F个分帧的N个自回归模型系数生成N*F维向量，作为所述人手肌电信号对 应的自回归模型系数向量。
[0139] S608:对通过加速度传感器获取的该时间段对应的加速度信号进行抽样，生成具 有固定长度的抽样信号。
[0140]将加速度信号进行抽样，生成具有固定长度的抽样信号为现有技术，本发明不再 赘述。
[0141] S609:利用预设的肌电隐马尔可夫模型对所述自回归模型系数向量进行建模，获 得肌电模型向量。
[0142 ]该步骤为现有技术，本发明不再赘述。
[0143] S610:利用预设的轨迹隐马尔可夫模型对所述抽样信号进行建模，获得轨迹模型 向量。
[0144] 该步骤为现有技术，本发明不再赘述。
[0145] S611:根据所述肌电模型向量和所述轨迹模型向量，采用似然概率融合的方法，得 到融合向量，所述似然概率融合的方法为现有技术，本发明不再赘述;计算所述融合向量和 与其对应的预设的标准手势库中的每个标准手势的密度分布特征向量的乘积，针对每个乘 积，判断所述乘积是否大于预设的乘积值，若大于，则将该乘积对应的标准手势确定为待选 手势，进而确定出多个待选手势，以所述多个待选手势的集合作为预设的标准手势库。
[0146] S612:根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所 述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离。
[0147] S613:以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。
[0148] 本发明提供的另一种实施例中，当确定目标手势之后，可以调用相应的翻译工具， 将所述目标手势的含义翻译为不懂手语的人能够理解的内容，如语音、文字等。所以，基于 图1所示的方法，该方法还可以包括：
[0149] 根据所述目标手势，调用预设的翻译工具，进行手势翻译。
[0150] 图7为本发明实施例一提供的一种手势识别装置的结构示意图，该装置应用于电 子设备，所述装置可以包括：
[0151] 活动时间段确定模块701，用于使预设长度的时间窗在获取的人手肌电信号所持 续的时间上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预 设阈值的时间段，以该时间段为人手活动的活动时间段；
[0152] 视频提取模块702,用于在图像采集设备采集的手部视频中，提取所述活动时间段 内的待识别手势的手部视频；
[0153] 区域确定模块703,用于从提取的所述手部视频中确定关键帧图像，并确定所述关 键帧图像中的手部区域；
[0154] 子区域确定模块704,用于将所述手部区域划分为预设数量个子区域；
[0155] 相对密度确定模块705,用于根据所述每个子区域内所述手部区域的像素点的数 量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值；
[0156] 密度分布特征向量确定模块706,用于根据每个子区域对应的相对密度值，确定待 识别手势的密度分布特征向量；
[0157] 欧氏距离确定模块707,用于根据所述待识别手势的密度分布特征向量，在预设的 标准手势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征 向量的欧氏距离；
[0158]目标手势确定模块708,用于以所述欧氏距离最小值所对应的标准手势，作为确定 的目标手势。
[0159] 进一步地，所述子区域确定模块704，包括：
[0160] 第一获取子模块（图中未示出），用于获取所述手部区域的质心，和所述质心到所 述手部区域中手部像素点的距离的最大值D;
[0161] 圆形子区域确定模块（图中未示出），用于以所述质心为圆心，根据预设的画圆规 贝1J，在所述手部区域上画M个半径各不相等的同心圆，以使所述M个同心圆将所述手部图像 划分出一个圆形子区域和M-1个环形子区域，其中半径的最大的同心圆的半径值为D，其中M 为预设的整数值。
[0162] 进一步地，所述相对密度确定模块705，包括：
[0163] 数目统计子模块（图中未示出），用于统计每个所述子区域内属于所述手部区域的 像素点的数目；
[0164]相对密度值确定子模块（图中未示出），用于按照下述公式，计算每个子区域的属 于所述手部区域的像素点的相对密度值：
[0166] 其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部区 域的像素点的相对密度值，Si表示编号为i的子区域内属于所述手部区域的像素点的数目， S max表示Si中的最大值。
[0167] 进一步地，所述装置还包括：
[0168] -阶差分值确定模块（图中未示出），用于根据每个所述相对密度值，计算每个所 述相对密度值的一阶差分，得到与所述每个相对密度值对应的一阶差分值；
[0169] 所述密度分布特征向量确定模块706，具体用于：
[0170] 将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。
[0171] 进一步地，所述每个标准手势的密度分布特征向量能够被分解为标准手势相对密 度值向量和标准手势一阶差分值向量;所述欧氏距离确定模块807，具体用于：
[0172] 计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量的欧 氏距离cU，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量的欧 氏距离d 2;
[0173] 根据所述cb和d2,按照下式计算综合欧氏距离值d:
[0174] d = a*di+0*d2
[0175] 其中，a和0为预设的经验值；
[0176]所述目标手势确定模块708，具体用于：
[0177]判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作为目 标手势。
[0178]进一步地，所述一阶差分值确定模块，具体用于：
[0179]按照下述公式，计算每个所述相对密度值的一阶差分：
[0181] 其中，i表示每个所述子区域的编号，ri表示编号为i的子区域的属于所述手部像 素点区域的像素点的相对密度，dn表示编号为i的相对密度值的一阶差分值。
[0182] 进一步地，所述装置还包括：
[0183] 中心点差值确定模块（图中未示出），用于根据通过加速度传感器获取的该时间段 对应的加速度信号的加速度均值，确定所述加速度均值所在的至少一个预设的数值范围； 计算所述加速度均值与其所在的至少一个预设的数值范围的中心点的差值；
[0184] 手势朝向筛选模块(图中未示出），用于根据得到所述差值的最小值的数值范围所 对应的手势朝向，在所述预设的标准手势库中，筛选与所述手势朝向相同的多个待选手势， 以所述多个待选手势的集合作为预设的标准手势库。
[0185] 进一步地，所述装置还包括：
[0186] 单双手确定模块（图中未示出），用于根据通过肌电传感器获取的该时间段对应的 肌电信号的幅度变化的绝对值均值，和根据通过加速度传感器获取的该时间段对应的加速 度信号的加速度方差，与对应的预设的绝对均值阈值和加速度方差阈值比较，确定所述待 识别手势的单双手类；
[0187] 单双手筛选模块（图中未示出），用于根据确定的所述待识别手势的单双手类，在 所述预设的标准手势库中，筛选与所述手势单双手类相同的多个待选手势，以所述多个待 选手势的集合作为预设的标准手势库。
[0188] 进一步地，所述装置还包括：
[0189] 自回归模型系数向量确定模块(图中未示出），用于根据该时间段获取的人手肌电 信号及自回归模型，确定人手肌电信号对应的自回归模型系数向量；
[0190] 抽样信号确定模块(图中未示出），用于对通过加速度传感器获取的该时间段对应 的加速度信号进行抽样，生成具有固定长度的抽样信号；
[0191]肌电模型向量确定模块（图中未示出），用于利用预设的肌电隐马尔可夫模型对所 述自回归模型系数向量进行建模，获得肌电模型向量；
[0192] 轨迹模型向量确定模块（图中未示出），用于利用预设的轨迹隐马尔可夫模型对所 述抽样信号进行建模，获得轨迹模型向量；
[0193] 待选手势确定模块(图中未示出），用于根据所述肌电模型向量和所述轨迹模型向 量，采用似然概率融合的方法，得到融合向量，计算所述融合向量和与其对应的预设的标准 手势库中的每个标准手势的特征向量的乘积，针对每个乘积，判断所述乘积是否大于预设 的乘积值，若大于，则将该乘积对应的标准手势确定为待选手势，进而确定出多个待选手 势，以所述多个待选手势的集合作为预设的标准手势库。
[0194] 进一步地，所述自回归模型系数向量确定模块，包括：
[0195] 分帧子模块（图中未示出），用于利用分帧技术，将所述人手肌电信号进行分帧处 理，得到F个分帧段，其中F为预设的整数值；
[0196]自回归模型系数获取子模块（图中未示出），用于针对每个所述分帧段，获取其N个 自回归模型系数，其中N为预设的整数值；
[0197] 向量建立子模块（图中未示出），用于将所述F个分帧的N个自回归模型系数生成N* F维向量，作为所述人手肌电信号对应的自回归模型系数向量。
[0198] 进一步地，所述装置还包括：
[0199] 翻译模块(图中未示出），用于根据所述目标手势，调用预设的翻译工具，进行手势 翻译。
[0200] 本发明实施例公开了一种手势识别方法及装置，应用于电子设备，所述电子设备 使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动，确定 出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手活动 的活动时间段;在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势 的手部视频;从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部 区域;将所述手部区域划分为预设数量个子区域;根据所述每个子区域内所述手部区域的 像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值;根据每 个子区域对应的相对密度值，确定待识别手势的密度分布特征向量;根据所述待识别手势 的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量 到每个标准手势的密度分布特征向量的欧氏距离；以所述欧氏距离最小值所对应的标准手 势，作为确定的目标手势。由于本发明实施例利用手部视频获得待识别手势的密度分布特 征向量，通过计算所述待识别手势的密度分布特征向量与预设的标准手势库中的每个标准 手势的密度分布特征向量的欧氏距离，取所述欧氏距离最小值所对应的标准手势，作为确 定的目标手势，使手势识别的准确性得到了提高。
[0201] 对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简 单，相关之处参见方法实施例的部分说明即可。
[0202] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实 体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存 在任何这种实际的关系或者顺序。而且，术语"包括"、"包含"或者其任何其他变体意在涵盖 非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备 所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在 包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0203]本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可 以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中， 这里所称得的存储介质，如:R0M/RAM、磁碟、光盘等。
[0204]以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围 内。
【主权项】
1. 一种手势识别方法，其特征在于，应用于电子设备，所述方法包括步骤： 使预设长度的时间窗在获取的人手肌电信号所持续的时间上按照预设的步进值移动， 确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的时间段，以该时间段为人手 活动的活动时间段； 在图像采集设备采集的手部视频中，提取所述活动时间段内的待识别手势的手部视 频； 从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图像中的手部区域； 将所述手部区域划分为预设数量个子区域； 根据所述每个子区域内所述手部区域的像素点的数量，计算每个所述子区域的属于所 述手部区域的像素点的相对密度值； 根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量； 根据所述待识别手势的密度分布特征向量，在预设的标准手势库中，计算所述待识别 手势的密度分布特征向量到每个标准手势的密度分布特征向量的欧氏距离； 以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势。2. 根据权利要求1所述的方法，其特征在于，所述将所述手部区域划分为预设数量个子 区域，包括： 获取所述手部区域的质心，和所述质心到所述手部区域中手部像素点的距离的最大值 D； 以所述质心为圆心，根据预设的画圆规则，在所述手部区域上画M个半径各不相等的同 心圆，以使所述M个同心圆将所述手部图像划分出一个圆形子区域和M-I个环形子区域，其 中半径的最大的同心圆的半径值为D，其中M为预设的整数值。3. 根据权利要求2所述的方法，其特征在于，所述根据所述每个子区域内所述手部区域 的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值，包括： 统计每个所述子区域内属于所述手部区域的像素点的数目； 按照下述公式，计算每个^ V +阳彳太壬却V +说的梅素点的相对密度值：其中，i表示每个所述子区域的编号，Γι表示编号为i的子区域的属于所述手部区域的像 素点的相对密度值，S1表示编号为i的子区域内属于所述手部区域的像素点的数目，Smax表 示S i中的最大值。4. 根据权利要求1所述的方法，其特征在于，在所述根据所述每个子区域内所述手部区 域的像素点的数量，计算每个所述子区域的属于所述手部区域的像素点的相对密度值之 后、根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量之前，所述方 法还包括： 根据每个所述相对密度值，计算每个所述相对密度值的一阶差分，得到与所述每个相 对密度值对应的一阶差分值； 所述根据每个子区域对应的相对密度值，确定待识别手势的密度分布特征向量，包括： 将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。5. 根据权利要求4所述的方法，其特征在于，所述每个标准手势的密度分布特征向量能 够被分解为标准手势相对密度值向量和标准手势一阶差分值向量;所述根据所述待识别手 势的密度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向 量到每个标准手势的密度分布特征向量的欧氏距离，包括： 计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量的欧氏距 离cU，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量的欧氏距 离d2; 根据所述Cl1和d2,按照下式计算综合欧氏距离值d: d = a氺di+β 氺d2 其中，a和β为预设的经验值； 所述以所述欧氏距离最小值所对应的标准手势，作为确定的目标手势，包括： 判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作为目标手 势。6. 根据权利要求4所述的方法，其特征在于，所述根据每个所述相对密度值，计算每个 所述相对密度值的一阶差分，得到与所述每个相对密度值对应的一阶差分值，包括： 按照下述公式，计笪毎个所彳术相制·密麽佶的一阶差令·其中，i表示每个所述子区域的编号表示编号为i的子区域的属于所述手部像素点区 域的像素点的相对密度，dri表示编号为i的相对密度值的一阶差分值。7. 根据权利要求1~6任一所述的方法，其特征在于，所述根据所述待识别手势的密度 分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每个 标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括： 根据通过加速度传感器获取的该时间段对应的加速度信号的加速度均值，确定所述加 速度均值所在的至少一个预设的数值范围；计算所述加速度均值与其所在的至少一个预设 的数值范围的中心点的差值； 根据得到所述差值的最小值的数值范围所对应的手势朝向，在所述预设的标准手势库 中，筛选与所述手势朝向相同的多个待选手势，以所述多个待选手势的集合作为预设的标 准手势库。8. 根据权利要求1~7任一所述的方法，其特征在于，在所述根据所述待识别手势的密 度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每 个标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括： 根据通过肌电传感器获取的该时间段对应的肌电信号的幅度变化的绝对值均值，和根 据通过加速度传感器获取的该时间段对应的加速度信号的加速度方差，与对应的预设的绝 对均值阈值和加速度方差阈值比较，确定所述待识别手势的单双手类； 根据确定的所述待识别手势的单双手类，在所述预设的标准手势库中，筛选与所述手 势单双手类相同的多个待选手势，以所述多个待选手势的集合作为预设的标准手势库。9. 根据权利要求1~8任一所述的方法，其特征在于，在所述根据所述待识别手势的密 度分布特征向量，在预设的标准手势库中，计算所述待识别手势的密度分布特征向量到每 个标准手势的密度分布特征向量的欧氏距离之前，所述方法还包括： 根据该时间段获取的人手肌电信号及自回归模型，确定人手肌电信号对应的自回归模 型系数向量； 对通过加速度传感器获取的该时间段对应的加速度信号进行抽样，生成具有固定长度 的抽样信号； 利用预设的肌电隐马尔可夫模型对所述自回归模型系数向量进行建模，获得肌电模型 向量； 利用预设的轨迹隐马尔可夫模型对所述抽样信号进行建模，获得轨迹模型向量； 根据所述肌电模型向量和所述轨迹模型向量，采用似然概率融合的方法，得到融合向 量，计算所述融合向量和与其对应的预设的标准手势库中的每个标准手势的密度分布特征 向量的乘积，针对每个乘积，判断所述乘积是否大于预设的乘积值，若大于，则将该乘积对 应的标准手势确定为待选手势，进而确定出多个待选手势，以所述多个待选手势的集合作 为预设的标准手势库。10. 根据权利要求9所述的方法，其特征在于，所述根据该时间段获取的人手肌电信号 及自回归模型，确定人手肌电信号对应的自回归模型系数向量，包括： 利用分帧技术，将所述人手肌电信号进行分帧处理，得到F个分帧段，其中F为预设的整 数值； 针对每个所述分帧段，获取其N个自回归模型系数，其中N为预设的整数值； 将所述F个分帧的N个自回归模型系数生成N*F维向量，作为所述人手肌电信号对应的 自回归模型系数向量。11. 根据权利要求1所述的方法，其特征在于，所述方法还包括： 根据所述目标手势，调用预设的翻译工具，进行手势翻译。12. -种手势识别装置，其特征在于，应用于电子设备，所述装置包括： 活动时间段确定模块，用于使预设长度的时间窗在获取的人手肌电信号所持续的时间 上按照预设的步进值移动，确定出所述时间窗内的人手肌电信号的样本熵大于预设阈值的 时间段，以该时间段为人手活动的活动时间段； 视频提取模块，用于在图像采集设备采集的手部视频中，提取所述活动时间段内的待 识别手势的手部视频； 区域确定模块，用于从提取的所述手部视频中确定关键帧图像，并确定所述关键帧图 像中的手部区域； 子区域确定模块，用于将所述手部区域划分为预设数量个子区域； 相对密度确定模块，用于根据所述每个子区域内所述手部区域的像素点的数量，计算 每个所述子区域的属于所述手部区域的像素点的相对密度值； 密度分布特征向量确定模块，用于根据每个子区域对应的相对密度值，确定待识别手 势的密度分布特征向量； 欧氏距离确定模块，用于根据所述待识别手势的密度分布特征向量，在预设的标准手 势库中，计算所述待识别手势的密度分布特征向量到每个标准手势的密度分布特征向量的 欧氏距离； 目标手势确定模块，用于以所述欧氏距离最小值所对应的标准手势，作为确定的目标 手势。13. 根据权利要求12所述的装置，其特征在于，所述子区域确定模块，包括： 第一获取子模块，用于获取所述手部区域的质心，和所述质心到所述手部区域中手部 像素点的距离的最大值D; 圆形子区域确定模块，用于以所述质心为圆心，根据预设的画圆规则，在所述手部区域 上画M个半径各不相等的同心圆，以使所述M个同心圆将所述手部图像划分出一个圆形子区 域和M-I个环形子区域，其中半径的最大的同心圆的半径值为D，其中M为预设的整数值。14. 根据权利要求13所述的装置，其特征在于，所述相对密度确定模块，包括： 数目统计子模块，用于统计每个所述子区域内属于所述手部区域的像素点的数目； 相对密度值确定子模块，用于按照下述公式，计算每个子区域的属于所述手部区域的 像素点的相对密度值：其中，i表示每个所述子区域的编号，Γι表示编号为i的子区域的属于所述手部区域的像 素点的相对密度值，S1表示编号为i的子区域内属于所述手部区域的像素点的数目，Smax表 示S i中的最大值。15. 根据权利要求12所述的装置，其特征在于，所述装置还包括： 一阶差分值确定模块，用于根据每个所述相对密度值，计算每个所述相对密度值的一 阶差分，得到与所述每个相对密度值对应的一阶差分值； 所述密度分布特征向量确定模块，具体用于： 将每个所述相对密度值和每个所述一阶差分值，组合成密度分布特征向量。16. 根据权利要求15所述的装置，其特征在于，所述每个标准手势的密度分布特征向量 能够被分解为标准手势相对密度值向量和标准手势一阶差分值向量;所述欧氏距离确定模 块，具体用于： 计算待识别手势的相对密度值组成的向量到所述标准手势相对密度值向量的欧氏距 离cU，和所述待识手势的一阶差分值组成的向量到所述标准手势一阶差分值向量的欧氏距 离d2; 根据所述Cl1和d2,按照下式计算综合欧氏距离值d: d = a氺di+β 氺d2 其中，a和β为预设的经验值； 所述目标手势确定模块，具体用于： 判断所述综合欧氏距离值d中的最小值，以所述最小值所对应的标准手势作为目标手 势。17. 根据权利要求15所述的装置，其特征在于，所述一阶差分值确定模块，具体用于： 按照下述公式，计算每个所述相对密度值的一阶差分：其中，i表示每个所述子区域的编号表示编号为i的子区域的属于所述手部像素点区 域的像素点的相对密度，dri表示编号为i的相对密度值的一阶差分值。18. 根据权利要求12~17任一所述的装置，其特征在于，所述装置还包括： 中心点差值确定模块，用于根据通过加速度传感器获取的该时间段对应的加速度信号 的加速度均值，确定所述加速度均值所在的至少一个预设的数值范围；计算所述加速度均 值与其所在的至少一个预设的数值范围的中心点的差值； 手势朝向筛选模块，用于根据得到所述差值的最小值的数值范围所对应的手势朝向， 在所述预设的标准手势库中，筛选与所述手势朝向相同的多个待选手势，以所述多个待选 手势的集合作为预设的标准手势库。19. 根据权利要求12~18任一所述的装置，其特征在于，所述装置还包括： 单双手确定模块，用于根据通过肌电传感器获取的该时间段对应的肌电信号的幅度变 化的绝对值均值，和根据通过加速度传感器获取的该时间段对应的加速度信号的加速度方 差，与对应的预设的绝对均值阈值和加速度方差阈值比较，确定所述待识别手势的单双手 类； 单双手筛选模块，用于根据确定的所述待识别手势的单双手类，在所述预设的标准手 势库中，筛选与所述手势单双手类相同的多个待选手势，以所述多个待选手势的集合作为 预设的标准手势库。20. 根据权利要求12~19任一所述的装置，其特征在于，所述装置还包括： 自回归模型系数向量确定模块，用于根据该时间段获取的人手肌电信号及自回归模 型，确定人手肌电信号对应的自回归模型系数向量； 抽样信号确定模块，用于对通过加速度传感器获取的该时间段对应的加速度信号进行 抽样，生成具有固定长度的抽样信号； 肌电模型向量确定模块，用于利用预设的肌电隐马尔可夫模型对所述自回归模型系数 向量进行建模，获得肌电模型向量； 轨迹模型向量确定模块，用于利用预设的轨迹隐马尔可夫模型对所述抽样信号进行建 模，获得轨迹模型向量； 待选手势确定模块，用于根据所述肌电模型向量和所述轨迹模型向量，采用似然概率 融合的方法，得到融合向量，计算所述融合向量和与其对应的预设的标准手势库中的每个 标准手势的特征向量的乘积，针对每个乘积，判断所述乘积是否大于预设的乘积值，若大 于，则将该乘积对应的标准手势确定为待选手势，进而确定出多个待选手势，以所述多个待 选手势的集合作为预设的标准手势库。21. 根据权利要求20所述的装置，其特征在于，所述自回归模型系数向量确定模块，包 括： 分帧子模块，用于利用分帧技术，将所述人手肌电信号进行分帧处理，得到F个分帧段， 其中F为预设的整数值； 自回归模型系数获取子模块，用于针对每个所述分帧段，获取其N个自回归模型系数， 其中N为预设的整数值； 向量建立子模块，用于将所述F个分帧的N个自回归模型系数生成N*F维向量，作为所述 人手肌电信号对应的自回归模型系数向量。22.根据权利要求12所述的装置，其特征在于，所述装置还包括： 翻译模块，用于根据所述目标手势，调用预设的翻译工具，进行手势翻译。
【文档编号】G06K9/00GK105893959SQ201610195737
【公开日】2016年8月24日
【申请日】2016年3月30日
【发明人】朱柏涛, 谢琳
【申请人】北京奇艺世纪科技有限公司