示手势g中N个骨骼节点的偏转角余弦值之和；表示骨骼节点 i在手势g中的偏转角余弦值；本例中，N = 4。
[0140] 通过计算，待测手势的加权偏移量aw(g) = 12000. 38,而8种标准手势的加权偏移 量如下表所示：
[0142] 根据加权偏转抽样方法所述原则，由于待识别手势的aw(g)值12000. 38介于
[11876.43,21454. 12]之间，所以待识别手势只需和标准的停止手势、左转弯待转手势进行 相似度比较即可。
[0143] 通过本步骤计算得到的待识别手势与标准停止手势、标准左转弯待转手势骨骼节 点的相似度如下：
[0145] 步骤六、根据步骤五得到的DTW值与步骤四得到的各标准手势中对应的关节点权 重w通过下式计算待识别手势与各标准手势的近似度δ :
[0147] 其中，N表示骨骼节点的数目，wf:表示骨骼节点i在待识别手势g中的权重；δ 1表 示骨骼节点i与标准手势的相似度，该值通过步骤五获得；
[0148] 通过本步骤计算得到的待识别手势与两个标准手势之间的相似度如下表所示：
[0150] 步骤七、将对应于各标准手势的δ进行比较，选出最小δ对应的标准手势作为最 终的识别结果，即停止手势。
[0151] 以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说 明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明 的保护范围之内。
【主权项】
1. 一种基于Kinect的交警手势识别方法，其特征在于：包括w下步骤： 步骤一、使用Kinect采集数据并对数据进行预处理得到交警手势g数据； 步骤二、对手势数据进行特征提取，得到各骨骼节点的运动轨迹T; 步骤Ξ、根据各骨骼节点的运动轨迹通过下式计算该手势中每个骨骼节点的权重W:其中，N表示骨骼节点的个数，茲f表示在手势g中，骨骼节点i的总偏移量， 心f通过下式计算：其中，T表示手势g的总帖数，COS窝jS表示手势g中骨骼节点i在t时刻偏转角Θ的 余弦值； 步骤四、提取预存的各标准手势中每个骨骼节点对应的运动轨迹S; 步骤五、通过下式采用基于DTW的轨迹比较算法分别计算待识别手势中骨骼节点的运 动轨迹T=ti，*2, . . .，ti，. . .，tm与标准手势中对应骨骼节点的运动轨迹S=S1，S2,...， Sj，. . .S。之间的相似度DTW，表示如下：其中，.戀':篇％錢齡錢起务表不T与S之间的巧优匹配，殘r. ?每换.雜.…;-怒J·孩练,J么黎|v《欲 够滋I…，'懲|,""錢|襄S遙變I.滋茲，遙I;d= (i，j)表示T中第i个元素 和S中第j元素之间的距离Iti-SjI; 步骤六、根据步骤五得到的DTW值与步骤Ξ得到的待识别手势中各关节点权重W通过 下式计算待识别手势与标准手势的近似度δ:其中，Ν表示骨骼节点的数目，表示骨骼节点i在手势g中的权重；δ1表示骨骼节 点i的DTW值； 步骤屯、将对应于标准手势的δ进行比较，选出最小δ对应的标准手势作为最终的识 别结果。2. 根据权利要求1所述的一种基于Kinect的交警手势识别方法，其特征在于：所述预 处理包括交警手势分割和数据归一化，具体如下： (1)交警手势分割具体包括W下步骤： 步骤1 :获取人体立正时两手的距离町,。。4。,4，并设置距离阔值〇11。11^及用于标记手势 开始结束状态的变量flag; 步骤2 :循环处理送达的数据帖，计算每帖两手的距离di，如果D,ta"dard+Diimit，则flag设置为true并把该数据帖存入链表Linke化ist中姻果di<D"andard+Diimit，则把fla邑 设置为化Ise，由此获得交警手势动作数据Linke化ist; (2)数据归一化是通过对交警手势动作采用下式对该动作的数据序列元素在X、y和Z方向进行归一化处理：其中，X% /，z^^为骨骼关节点在数据归一化后的坐标值；xmi。，^。。、分别为该动作中，X坐 标的最大和最小值；ymi。，ym。、分别为该动作中，y坐标的最大和最小值；Zmm，Zm。,分别为该 动作中，Z坐标的最大和最小值。3. 根据权利要求1所述的一种基于Kinect的交警手势识别方法，其特征在于：所述关 节点的运动轨迹T采用下式表述：其中，Θ1表示关节点i的运动轨迹；t表示该动作的数据帖序号；變;通过下式计算：其中，t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； 表示t时刻，节点i到中肩节点0的向量；?表示竖直向下的单位向量，其值定义为 纖巧，-1,0)。4. 根据权利要求1所述的一种基于Kinect的交警手势识别方法，其特征在于：所述 Kinect采集数据的对象仅包括左手、左肘、右手、右肘4个骨骼节点。5. 根据权利要求1-4任一所述的一种基于Kinect的交警手势识别方法，其特征在于： 在进行步骤五所述DTW值之前，先通过下述加权偏转抽样方法缩小手势比较范围： (1) 根据下式计算待识别手势与各标准手势的加权偏移量aw(g)，并用Taw(g)和 Saw(g)分别表示待识别、标准手势的加权偏移量：(2) 将各标准手势的加权偏移量按从小到大的顺序进行排列，然后根据待识别手势的 加权偏移量与各标准手势的加权偏移量的大小关系根据W下原则确定手势比较的范围： a)当待测手势的加权偏移量介于两个标准手势的加权偏移量之间时，即Saw化-1) <Taw(g) <Saw似且2《k《K，则待识别手势只需要和第k-1个和第k个标准手势进行 比较；其中K表示标准手势的数量； b)当待识别手势的加权偏移量和标准手势的加权偏移量相等时，即Taw(g)=Saw化)，则待识别手势只需要和第化-1)、化)、（k+1)Ξ个标准手势进行比较； C)当待识别手势的加权偏移量大于最大的标准手势的加权偏移量时，即Saw化） < Taw(g)且k=K，如果Taw(g) -Saw似《Saw似-Saw化-1)，则待识别手势只需要和第k-1 个和第k个标准手势进行比较；否则直接认定待识别手势为非法手势，不做进一步识别； d)当待识别手势的加权偏移量小于最小的标准手势的加权偏移量时，即Taw(g) < Saw似且k= 1，如果Saw似-Taw(g)《Saw化+1)-Saw〇〇，则待识别手势只需要和第k 个和第k+1个标准手势进行比较；否则直接认定待识别手势为非法手势，不做进一步识别。
【专利摘要】本发明涉及一种基于Kinect的交警手势识别方法，属于虚拟仿真技术领域。本发明首先使用Kinect采集数据并对数据进行预处理得到交警手势数据；接下来对手势数据进行特征提取，得到各骨骼节点的运动轨迹T；然后根据各骨骼节点的运动轨迹计算每个骨骼节点的权重w；提取预先存储的各标准手势中每个骨骼节点对应的运动轨迹S；接下来采用基于DTW的轨迹比较算法分别计算待识别手势中骨骼节点的运动轨迹T与标准手势中对应骨骼节点的运动轨迹S之间的相似度d；最后根据d值与w值计算待识别手势与各标准手势的近似度δ；并取最小δ对应的标准手势作为识别结果。对比现有方法，本发明具有成本低、准确率高、运算速度快等优点。
【IPC分类】G06K9/00
【公开号】CN105320937
【申请号】CN201510622967
【发明人】王崇文, 黄潜
【申请人】北京理工大学
【公开日】2016年2月10日
【申请日】2015年9月25日