[发明专利]一种动态手势识别方法

说明书

本发明提供一种动态手势识别方法，包括：定义手部关节并建立手势模型；采集标准手势的训练手势的各个关节弯曲度数据，建立每个训练手势对应的手势特征模型、标准手势的标准手势特征模型；计算标准手势特征模型的关节起始位置阈值及终止位置阈值、多个手势特征模型与对应的标准手势模型的最大相似累计距离；确定测试手势的各关节的起始位置和终止位置；计算测试手势特征模型与每个标准手势模型的平均相似累计距离、平均相似累计距离与标准手势模型的最大相似累计距离的比值。本发明通过双重K‑Means特征提取方法，使测试模型与标准手势特征模型长度相等，减少相似距离计算的复杂度；同时，计算各标准手势的最大相似累积距离，保证动态手势识别的准确率。

技术领域

本发明涉手势识别领域，尤其涉及一种动态手势识别方法。

背景技术

作为人机交互技术研究领域的热点之一，手势识别得到了国内外研究学者的深入研究，并且在虚拟现实、人工智能等方面也得到了广泛的应用。目前，根据获取手部姿态方式可以将手势识别方法分为基于非接触式传感器和基于接触式传感器的手势识别方法。基于接触式传感器的手势识别方法一般通过穿戴式设备获取手部姿态的三维信息，数据准确实时性高，并且不受光照、颜色、摄像机像素等外界因素的影响。按照手势动作是否存在时间序列可以将手势识别方法分为静态和动态手势识别方法。动态手势识别是在一段时间序列下对多个静态手势组合的识别，时序性和流畅性更强。基于接触式传感器的动态手势识别方法不但准确性和实时性更高，而且拥有更好的沉浸式交互体验，是目前手势识别方法研究和应用的主要方向之一。

基于接触式传感器的手势识别方法，一般采用数据手套中的传感器、陀螺仪、加速度计等采集用户手部运动信息，然后进行分类和特征提取，最后进行手势识别处理。

现有的动态手势识别方法中，特征提取时忽略了动态手势的时序性，特征提取结果准确率低；测试模型和标准模型序列过长，计算复杂度高，降低了手势识别的实时性。同时异常值的影响导致识别结果准确率不高。

发明内容

本发明提供一种动态手势识别方法，以克服上述技术问题。

本发明提供一种动态手势识别方法，包括以下步骤：

S1:定义手部关节并建立手势模型；

S2:采集训练手势的各个关节弯曲度数据，对所述关节弯曲度数据进行预处理；所述标准手势及所述训练手势均为多个，一个标准手势对应多个所述训练手势；

S3:建立每个所述训练手势对应的手势特征模型，所述手势特征模型基于处理后的关节弯曲度数据建立；

S4:建立所述标准手势的标准手势特征模型，所述标准手势特征模型基于多个所述手势特征模型建立；

S5:计算所述标准手势特征模型的关节的起始位置阈值及终止位置阈值，所述起始位置阈值及终止位置阈值基于所述关节弯曲度数据进行计算；

S6:计算多个手势特征模型与对应的标准手势模型的最大相似累计距离，把所述最大相似累计距离作为判断测试手势与多个所述标准手势模型相似度的依据；

S7:采集测试手势的各个关节弯曲度数据，并通过所述测试手势的各个关节弯曲度数据确定所述测试手势的各关节的起始位置和终止位置；

计算所述测试手势的测试手势特征模型，并依次计算所述测试手势特征模型与每个所述标准手势模型的平均相似累计距离；分别计算所述平均相似累计距离与对应的标准手势模型的最大相似累计距离的比值，所述比值中最小的比值对应的标准手势模型为所述测试手势所属的标准手势。

进一步地，所述手部关节定义如下：

拇指远端关节TDP和近端关节TPP、食指中间关节IMP和近端关节IPP、中指中间关节MMP和近端关节MPP、无名指中间关节RMP和近端关节RPP、小指中间关节PMP和近端关节PPP的弯曲度；