[发明专利]一种手势识别方法

说明书

技术领域

本发明涉及人机交互技术领域，具体涉及一种手势识别方法。

背景技术

随着计算机技术的发展，人际交互也经过了命令行界面、图形用户界面，到自然用户界面(NUI)的发展过程。自然用户界面即用户以自然的方式与计算机进行交流如语音、触控、手势等。其中手势是一种自然而直观的人际交流模式。在自然用户界面交互方式中，手势作为一种自然、丰富、直观、易于学习的的人际交互手段，是实现人机交互功能不可缺少的关键技术。

手势识别的关键技术是对训练数据集的识别与划分，目前所熟知的用支持向量机对训练数据集进行划分的主要思想是：在训练数据集合，即特征空间中寻找一个分离超平面，将特征空间归为几个不同的类。其学习策略就是使分离超平面与划分的几类训练数据集的距离尽量大。给出上述若干表示及分类的基本方法策略之后，在这个基础上用支持向量机对训练数据集进行分类就可以分为三种情况：

1.训练数据集线性可分——线性可分支持向量机通过最大化硬间隔学习生成一个线性的分类器，即为线性可分支持向量机，也称硬间隔支持向量机；

2.训练数据集不完全线性可分——线性支持向量机此时仅存在少数训练数据非线性可分，通过最大软间隔学习生成一个线性分类器，即线性支持向量机，也称软间隔支持向量机；

3.训练数据集完全线性不可分——非线性支持向量机通过引入核函数及最大化软间隔，学习生成非线性支持向量机。

支持向量机的学习策略就是找到能够正确划分训练数据集并且几何间隔最大的分离超平面。当现实的数据集为线性可分时，仅需要找到训练数据集的几何间隔最大的分离超平面即可，当训练数据集并非均为线性可分，则需要松弛变量或核函数来近似寻找分离超平面，下面分别论述这三种情况。

上述三种情况都是通过构造约束最优化问题，根据支持向量机的基本思想得出分类超平面及分类决策函数。在此基础上，Geweke等把支持向量机的分类超平面扩展为空间的超球，每一类样本包含于一个超球之内，这样就实现了支持向量机的多分类。

但是Geweke等人实现的是基于绝对径向距离的超球支持向量机。这种算法在多个超球相交时仅以特征点到各超球球心的绝对距离作为特征点归属的依据，虽然这种采用绝对径向距离的传统方法确定点归属问题是可行的，但是当多个超球的半径不相等时，传统方法的绝对径向距离将不再适用。

发明内容

针对现有技术的缺陷，本发明提供一种手势识别方法，其目的在于,通过基于相对径向距离的超球支持向量机进行分类，由此解决当多个超球的半径不相等时的分类问题，提高了分类准确性和通用性。

一种目标识别方法，包括如下步骤：

(1)预先利用手势样本集训练对应不同手势类别的超球；

(2)从待识别手势图像中提取特征作为测试点；

(3)计算测试点与各超球的球心的距离平方值，若距离平方值小于等于某一超球分类器的球半径平方值，则该超球包含该测试点，记包含该测试点的超球个数为d；

(4)对测试点分类：

若d＝0，则表示测试点不被任一超球包含，此时寻找距离测试点最近的超球球心，测试点属于该超球对应的手势类别；

若d＝1时，则表示测试点被一个超球包含，则测试点属于该超球对应的手势类别；

若d＞1时，则表示测试点被多个超球包含，则对多个超球两两组合并按照如下方式判定：

令两个超球表示为(a^m,R^m)和(a^m′,R^m′),a^m、a^m′分别为两个超球的球心，R^m、R^m′分别为两个超球的半径；测试点到该两超球球心连线的投影点为D,测试点与超球(a^m,R^m)的距离记为a^mD；

确定超球(a^m,R^m)和(a^m′,R^m′)的球心连线中点为

若a^mD＜a，则表示测试点属于超球(a^m,R^m)对应的手势类别，反之属于超球(a^m′,R^m′)对应的手势类别。