一种基于区间分布概率特征的手势识别方法
【技术领域】
[0001] 本发明设及人机交互技术领域，更具体的说，是设及一种基于区间分布概率特征 的手势识别方法。
【背景技术】
[0002] 手势识别技术是目前人机交互领域的研究热点，具有广阔的应用前景，由于手势 本身具有多义多样性W及时空上的差异性，手势识别技术还有很大发展空间。传统的手势 识别主要有基于可穿戴传感器的接触式和基于计算机视觉的非接触式两类。基于可穿戴传 感器的识别方式需要用户佩戴专业设备，不受外界环境背景变化的影响，计算量较小，具有 更好的实时性，但存在使用不便、成本高等不足。基于计算机视觉的识别方法虽然解决了适 用范围问题，但对设备、环境要求较严，且算法较复杂，实时性较差。
[0003] 目前针对手势识别主要有模版匹配、特征提取、神经网络和隐马尔科夫模型等识 别方法被广泛采，但运些识别算法较复杂或存储空间需求大，随着识别手势的增多，系统存 储空间不够或识别速度过慢影响交互效率，难W满足在线识别的要求。
[0004] 综上所述当前智慧家庭、工业控制，人机交互领域还需要一种简便易行、在线实时 性好且成本低廉非接触式的手势动作识别系统。
【发明内容】
[000引有鉴于此，有必要针对上述问题，提供一种基于区间分布概率特征的手势识别方 法，手势识别率高，实用性强，提高了在线识别的动态实时性，大大减小运算复杂度。
[0006] 为实现上述目的，本发明的技术方案如下：
[0007] -种基于区间分布概率特征的手势识别方法，包括W下步骤：
[0008] S1、特征采集，通过红外传感技术，检测红外场域内目标运动变化过程中的红外反 射信号和红外溫度信号；
[0009] S2、目标判断，对采集到的红外溫度信号进行溫差对比，判断检测到的溫度是否是 人手溫度，若是则进入步骤S3,若否则返回S1;
[0010] S3、信号预处理，检测手势运动段，对检测到的手势运动段去噪归一，并插值取整 将手势动作长度统一为N;
[00川 S4、特征提取，划分S个运动区间，提取区间分布概率特征P=[pi，P2，一，PnW+#P 的均方差0,判断是否平面手势，并输出手势特征序列，利用标准手势原始数据建立的手势 特征模版并作为训练样本；
[0012] S5、手势识别，通过K順化-Nearest Nei曲bor，最邻近规则分类)算法，计算测试样 本与训练样本之间的距离，找出该测试样本的K个最近距离，将测试样本划分为K个最近距 离的类别最大的一类。
[0013] 作为优选的，所述步骤S3具体包括：
[0014] S301、通过设置口限阀值自动检测手势运动阶段红外反射强度的滑动窗口，手势 的开始段和结束短，红外反射强度可用常量表示，手势的动作段红外反射强度明显增大
[0015] S302、对手势运动数据进行滤波处理，采用五点Ξ次平滑滤波算法，利用最小二乘 法原理对离散数据进行二次加权平滑滤波，再对其进行幅度归一化处理；
[0016] S303、进行插值规整，消除手势的速度差异对识别结果的影响，通过样条插值法或 牛顿插值法将手势动作长度统一为N，获得手势动作特征。
[0017] 作为优选的，所述步骤S4具体包括：
[0018] 根据Μ种手势的运动方向特征在同一平面上划分S个不同的运动区间，获取手势的 区间分布概率矩阵：
[0019]
[0020] 其中pt(i)(l y < s，l < t卽)表示运动区间i在采样点t处的概率；
[0021]
[0022] 计算N个采样点的区间分布概率的均方差：
[0023]
[0024] 算出均方差大于某一特定阀值K的权重：
[0025]
[0026] 当Q>0.5时，手势特征采用基于区间分布概率特征的区间序列R表示；当Q<0.5 时，采用概率特征和(总的红外反射量化表示，同时，利用标准手势原始数据在PC机上建立 的手势特征模版作为训练样本。
[0027] 作为优选的，所述步骤S5中，计算测试样本与训练样本之间的距离，采用欧式距离 表示，为了避免邻近数相同，K值取奇数。
[0028] 进一步的，所述步骤S4中，当Q>0.5时，手势特征采用基于区间分布概率特征的区 间序列R表示，根据采样点t处的区间概率矩阵Pt，分析Max Pt对应的运动区间，输出N个采样 区间序列 R={Ri，R2，. . .，Rn}，例如在采样点 t 处，MaxPt = Pt(i)，则 Rt = i，（l<i<S);当 Q<0.5 时，采用概率特征和(总的红外反射量化表示，E=曲瓜，…，Et]，
化t《N)。
[0029] 进一步的，所述步骤S3中，根据Μ种手势的运动方向特征在同一平面上划分S个不 同的运动区间，至少可判断平面上巧巾动态手势，非平面或Ζ轴手势至少可判断从上到下、从 下到上和悬停3种动作手势。
[0030] 作为优选的，所述步骤S1中具体包括:利用红外传感技术，W设定的频率f检测红 外场域内目标运动变化过程中的红外反射信号和红外溫度信号，设X(t) = [Xl(t)，X2 (t)，一，Xm(t)，T(t)]为t时刻采样的红外信号，Xi(t)表示t时刻第i个红外反射信号，T(t)表 示t时刻采集的红外溫度值。
[0031] 作为优选的，所述步骤S2中具体包括:将S1采集的红外溫度信号T(t)和前η个采样 点逐个进行比较，设定比较差值ΔΤ，若||T(t)-T(t-n)| I > AT则进入步骤S3,若否则返回 步骤S1。
[0032] 与现有技术相比，本发明的有益效果在于：
[0033] 1、识别过程利用红外传感技术获取手势的红外反射信号，具有敏感度高、受环境 光干扰小和成本低等优点，没有大量复杂计算公式或递归运算，与相对复杂的模糊神经网 络或隐马尔科夫模型的手势识别算法相比，提高了在线识别的动态实时性。
[0034] 2、对常见手势识别率高，实用性强，可应用到多种场合，如家庭娱影设备的控制。 本发明利用红外传感器获取手势信息后自动检测动态手势，然后将完整手势映射到不同区 间，建立不同手势的区间分布概率特征模型，通过KNN分类算法实现手势判断。
[0035] 3、用基于区间分布概率特征的算法，大大减小运算复杂度，所需存储空间小，对常 见手势的在线识别率高，特别适用家庭娱影设备控制，如电视、照明、风扇和空调等设备的 舒适、方便控制。
【附图说明】
[0036] 图1是基于区间分布概率特征的手势识别方法流程框图；
[0037] 图2是本法明的方法的具体流程示意图；
[0038] 图3是本发明方法中手势识别特征采集信号中红外反射信号强度图；
[0039] 图4是本发明方法中手势识别特征采集信号中溫度放大10倍时的信号图；
[0040] 图5是本发明方法中手势动作运动检测图；
[0041 ]图6是本发明方法中手势动作插值规整图；
[0042] 图7是本发明方法中不同手势对应不同运动区间分布概率特征图。
【具体实施方式】
[0043] 下面结合附图和实施例对本发明所述的一种基于区间分布概率特征的手势识别 方法作进一步说明。
[0044] W下是本发明所述的一种基于区间分布概率特征的手势识别方法的最佳实例，并 不因此限定本发明的保护范围。
[0045] 图1示出了本发明的一种基于区间分布概率特征的手势识别方法的流程示意图， 包括W下步骤：
[0046] S1、特征采集
[0047] 利用红外传感技术，W设定的频率检测红外场域内目标运动变化过程中的红外反 射信号和溫度信号，本实施例中每组采样获取m+1维采样特征，设x(t) = [xi(t)，X2(t)，···， Xm(t)，T(t)]为t时刻采样的红外信号，Xi(t)表示t时刻第i个红外反射信号，T(t)表示t时刻 采集的红外溫度值，如图2所示。
[004引 S2、目标判断
[0049]将S1采集的红外溫度信号T(t)和前η个采样点逐个进行比较，若||T(t)-T(t-n) I > Δ Τ继续下一步骤，否侧返回上一步。
[0050] S3、信号预处理
[0051] 首先是手势的运动检测S301，然后对检测到的手势运动段进行去噪归一 S302,为 消除手势的速度差异对识别结果的影响，进行插值规整S303,数据长度统一为Ν。
[0052] 所述S3对采样数据进行预处理具体内容如下：
[0053] S301、如图3所示，通过设置口限阀值自动检测手势运动阶段红外反射强度的滑动 窗口，手势的开始段和结束短，红外反射强度可用常量表示，手势的动作段红外反射强度明 显增大。设f (X) = Σχ，Τ虹eshold为运动检测的口限阔值。当f (χ)〉Τ虹eshold时表示手势开 始，该采样点为手势动作数据点，直到fUKThreshold手势结束。设手势