一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置制造方法
【專利摘要】本發(fā)明實(shí)施例提供了一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置，該方法包括：獲取人體運(yùn)動(dòng)軌跡；將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本；計(jì)算所述測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡；輸出與所述測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡。采用本發(fā)明，可有效提高運(yùn)算速率以及識(shí)別率。
【專利說明】一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及人工智能領(lǐng)域，尤其涉及一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置。
【背景技術(shù)】
[0002]人機(jī)交互是一門研究系統(tǒng)與用戶之間的交互關(guān)系的學(xué)問。在科學(xué)技術(shù)的變革中，為了使得人機(jī)交互方式更加擬人化以及自然化，研究者們一直致力于設(shè)計(jì)出一種更完美的能夠被大眾接受的人機(jī)交互方式，從而提高用戶與計(jì)算機(jī)的交流，同時(shí)提高交互效率，方便用戶的生活。
[0003]在人機(jī)交互中，人體的運(yùn)動(dòng)姿態(tài)比如手勢是用戶日常生活中使用最廣泛的一種交流方式，由于手勢具有多樣性、多義性等特點(diǎn)，讓計(jì)算機(jī)充分解釋不同用戶的手勢是在研究中需要解決的一個(gè)重要問題。在現(xiàn)有技術(shù)中對(duì)于手勢的識(shí)別通過深度攝像機(jī)捕捉用戶的手的位置，以獲取手的深度信息，同時(shí)與彩色共同組成3D空間，通過手勢識(shí)別算法識(shí)別用戶的手勢。
[0004]現(xiàn)有技術(shù)對(duì)于人體運(yùn)動(dòng)軌跡識(shí)別算法采用隱馬爾可夫模型(Hi dden MarkovModel, HMM)，隱馬爾可夫模型作為一種統(tǒng)計(jì)分析模型應(yīng)用于語音識(shí)別，行為識(shí)別等領(lǐng)域。對(duì)于給定的測試樣本(根據(jù)深度攝像機(jī)獲取的用戶的運(yùn)動(dòng)軌跡生成)O=O1, 02，…，Ot以及一些已有的HMM模型(預(yù)先保存好的運(yùn)動(dòng)軌跡樣本)，可通過HMM模型評(píng)估給定的測試樣本與哪一個(gè)已有的HMM模型最相似，利用前向算法求出給定的測試樣本與每一個(gè)HMM模型的相似度而選出相似度最高的HMM模型，從而識(shí)別用戶的運(yùn)動(dòng)軌跡。然而，由于前向算法的算法復(fù)雜度為ο (n2T)，其運(yùn)算速度較低，運(yùn)算時(shí)間更長，不利于計(jì)算機(jī)的運(yùn)行。除此之外，已有的HMM模型為特定的運(yùn)動(dòng)軌跡模型，種類較少，因此難以覆蓋到其他更復(fù)雜的運(yùn)動(dòng)軌跡，導(dǎo)致該算法的識(shí)別率低，能識(shí)別的運(yùn)動(dòng)軌跡種類少。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實(shí)施例提供一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置，可有效提高運(yùn)算速率以及識(shí)別率。 [0006]本發(fā)明實(shí)施例第一方面提供一種人體運(yùn)動(dòng)軌跡的識(shí)別方法，包括:
[0007]獲取人體運(yùn)動(dòng)軌跡；
[0008]將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本；
[0009]計(jì)算所述測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡；
[0010]輸出與所述測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡。
[0011 ] 結(jié)合本發(fā)明實(shí)施例第一方面的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第一方面的第一種可能的實(shí)現(xiàn)方式中，所述將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征之前，所述方法還包括:
[0012]對(duì)所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波。
[0013]結(jié)合本發(fā)明實(shí)施例第一方面的第一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第一方面的第二種可能的實(shí)現(xiàn)方式中，所述對(duì)所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波包括:[0014]計(jì)算當(dāng)前時(shí)刻濾波前的坐標(biāo)值Xi與上一時(shí)刻濾波后的坐標(biāo)值Xp1的差值，將所述計(jì)算得到的差值和預(yù)設(shè)的比例參數(shù)α的乘積與所述上一時(shí)刻濾波后的坐標(biāo)值Xp1相加，得到當(dāng)前時(shí)刻濾波后的坐標(biāo)值Xi,參數(shù)i表示當(dāng)前時(shí)刻。
[0015]結(jié)合本發(fā)明實(shí)施例第一方面或第一方面的第一種至第二種中的任一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第一方面的第三種可能的實(shí)現(xiàn)方式中，所述將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本包括:
[0016]將濾波后的運(yùn)動(dòng)軌跡分解為多個(gè)特征，每個(gè)特征的方向是唯一的；
[0017]根據(jù)預(yù)設(shè)的角度閾值識(shí)別所述多個(gè)特征；
[0018]將所述多個(gè)特征根據(jù)預(yù)設(shè)的排列方式組成所述測試樣本。
[0019]結(jié)合本發(fā)明實(shí)施例第一方面或第一方面的第一種至第三種中的任一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第一方面的第四種可能的實(shí)現(xiàn)方式中，所述計(jì)算所述測試樣本與每個(gè)樣本集的相似度包括:
[0020]計(jì)算所述測試樣本與所述樣本集中的訓(xùn)練樣本的相似度，所述訓(xùn)練樣本是由多個(gè)特征組成的；
[0021]根據(jù)所述測試樣本與所述訓(xùn)練樣本的相似度，結(jié)合預(yù)設(shè)的所述訓(xùn)練樣本的權(quán)重，獲得所述測試樣本與所述訓(xùn)練樣本的加權(quán)相似度；
[0022]將所述測試樣本與多個(gè)訓(xùn)練樣本的加權(quán)相似度進(jìn)行累加得到所述測試樣本與所述樣本集的相似度。
[0023]本發(fā)明實(shí)施例第二方面提供一種人體運(yùn)動(dòng)軌跡的識(shí)別裝置，包括:
[0024]獲取模塊,用于獲取人體運(yùn)動(dòng)軌跡；
[0025]分解模塊，用于將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本；
[0026]計(jì)算模塊，用于計(jì)算所述測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡；
[0027]輸出模塊,用于輸出與所述測試樣本相似度最大的樣本集所表不的運(yùn)動(dòng)軌跡。
[0028]結(jié)合本發(fā)明實(shí)施例第二方面的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第二方面的第一種可能的實(shí)現(xiàn)方式中，所述裝置還包括:
[0029]濾波模塊，用于對(duì)所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波。
[0030]結(jié)合本發(fā)明實(shí)施例第二方面的第一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第二方面的第二種可能的實(shí)現(xiàn)方式中，所述濾波模塊具體用于計(jì)算當(dāng)前時(shí)刻濾波前的坐標(biāo)值Xi與上一時(shí)刻濾波后的坐標(biāo)值Xp1的差值，將所述計(jì)算得到的差值和預(yù)設(shè)的比例參數(shù)α的乘積與所述上一時(shí)刻濾波后的坐標(biāo)值Xh相加，得到當(dāng)前時(shí)刻濾波后的坐標(biāo)值Xi，參數(shù)i表示當(dāng)前時(shí)刻。
[0031]結(jié)合本發(fā)明實(shí)施例第二方面或第二方面的第一種至第二種中的任一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第二方面的第三種可能的實(shí)現(xiàn)方式中，所述分解模塊包括:
[0032]分解單元，用于將濾波后的運(yùn)動(dòng)軌跡分解為多個(gè)特征，每個(gè)特征的方向是唯一的；
[0033]識(shí)別單元，用于根據(jù)預(yù)設(shè)的角度閾值識(shí)別所述多個(gè)特征；
[0034]組成單元，用于將所述多個(gè)特征根據(jù)預(yù)設(shè)的排列方式組成所述測試樣本。[0035]結(jié)合本發(fā)明實(shí)施例第二方面或第二方面的第一種至第三種中的任一種可能的實(shí)現(xiàn)方式，在本發(fā)明實(shí)施例第二方面的第四種可能的實(shí)現(xiàn)方式中，所述計(jì)算模塊包括:
[0036]計(jì)算單元，用于計(jì)算所述測試樣本與所述樣本集中的訓(xùn)練樣本的相似度，所述訓(xùn)練樣本是由多個(gè)特征組成的；
[0037]獲得單元，用于根據(jù)所述測試樣本與所述訓(xùn)練樣本的相似度，結(jié)合預(yù)設(shè)的所述訓(xùn)練樣本的權(quán)重，獲得所述測試樣本與所述訓(xùn)練樣本的加權(quán)相似度；
[0038]累加單元，用于將所述測試樣本與多個(gè)訓(xùn)練樣本的加權(quán)相似度進(jìn)行累加得到所述測試樣本與所述樣本集的相似度。
[0039]采用本發(fā)明實(shí)施例，能將深度攝像機(jī)獲取的人體運(yùn)動(dòng)軌跡分解為多個(gè)特征，并根據(jù)多個(gè)特征生成測試樣本，以及將測試樣本與每個(gè)樣本集中的每一個(gè)訓(xùn)練樣本進(jìn)行比較，通過累加測試樣本與其中一個(gè)樣本集的每一個(gè)訓(xùn)練樣本的加權(quán)相似度得到測試樣本與該樣本集的相似度，最終輸出與測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡，有效地提高了運(yùn)算速度，同時(shí)大大降低了算法復(fù)雜度。
[0040]此外，由于將運(yùn)動(dòng)軌跡分解為多個(gè)特征，測試樣本與訓(xùn)練樣本的相似度通過比較特征而得到，因此由多個(gè)特征組成的訓(xùn)練樣本具有多樣性，能避免樣本種類的不足而導(dǎo)致識(shí)別率下降。
【專利附圖】

【附圖說明】
[0041]為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0042]圖1是本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別方法的流程示意圖；
[0043]圖2是本發(fā)明實(shí)施例的另一種人體運(yùn)動(dòng)軌跡的識(shí)別方法的流程示意圖；
[0044]圖3本發(fā)明實(shí)施例的另一種人體運(yùn)動(dòng)軌跡的識(shí)別方法的測試樣本與樣本集中的訓(xùn)練樣本進(jìn)行比較的示意圖；
[0045]圖4是本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別裝置的結(jié)構(gòu)示意圖；
[0046]圖5是本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別裝置的分解模塊的結(jié)構(gòu)示意圖；
[0047]圖6是本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別裝置的計(jì)算模塊的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0048]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0049]本發(fā)明實(shí)施例提供的一種人體運(yùn)動(dòng)軌跡的識(shí)別方法及裝置可有效提高運(yùn)算速率以及識(shí)別率。
[0050]請(qǐng)參閱圖1，圖1是本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別方法的流程示意圖。本發(fā)明所涉及的深度攝像機(jī)為具備即時(shí)動(dòng)態(tài)捕捉、影像辨識(shí)、獲取深度信息、同時(shí)與彩色信息共同組成3D空間的功能的攝像機(jī)。本發(fā)明所涉及的裝置可為智能裝置等既具備根據(jù)濾波的算法對(duì)運(yùn)動(dòng)軌跡進(jìn)行濾波的能力，也具備求解相似度等參數(shù)的計(jì)算能力，同時(shí)還需具備數(shù)據(jù)庫以保存樣本集以及訓(xùn)練樣本。本發(fā)明所涉及的人體運(yùn)動(dòng)軌跡為深度攝像機(jī)能識(shí)別的人體運(yùn)動(dòng)形態(tài)，包括四肢，盆骨，頭部等人體器官的運(yùn)動(dòng)軌跡，具體可由用戶自由設(shè)定，本發(fā)明實(shí)施例則以深度攝像機(jī)捕捉用戶的手部進(jìn)行舉例說明。
[0051]如圖1所示，本發(fā)明實(shí)施例的一種人體運(yùn)動(dòng)軌跡的識(shí)別方法可以包括以下步驟。
[0052]步驟100，獲取人體運(yùn)動(dòng)軌跡。
[0053]具體實(shí)現(xiàn)中，本發(fā)明實(shí)施例可以通過深度攝像機(jī)獲取人體運(yùn)動(dòng)軌跡，并通過軟件開發(fā)工具包(Software Development Kit, SDK)或者自然交互軟件(Open NaturalInteraction, Open NI)獲取深度攝像機(jī)視頻以及3D人體骨架，以從3D人體骨架中實(shí)時(shí)捕捉手部的具體位置。當(dāng)用戶用手部進(jìn)行比劃時(shí)，通過深度攝像機(jī)實(shí)時(shí)獲取手部的位置，并將獲取到的手部位置的坐標(biāo)組成一串運(yùn)動(dòng)軌跡。 [0054]步驟110，將運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于多個(gè)特征生成測試樣本。
[0055]具體實(shí)現(xiàn)中，當(dāng)獲取到用戶輸入的手勢軌跡時(shí)，將手勢軌跡分解為多個(gè)特征，例如筆畫特征，每一個(gè)筆畫特征都是方向唯一的筆畫向量，并將每一個(gè)筆畫特征按照手勢軌跡輸入的時(shí)間順序進(jìn)行排列，組成測試樣本，以與預(yù)先保存的多個(gè)樣本集進(jìn)行比較。
[0056]作為一種可實(shí)施的方式，在組成測試樣本之前，還需要識(shí)別每一個(gè)筆畫特征，可采用分類器計(jì)算每一個(gè)筆畫特征的角度，以對(duì)每一個(gè)筆畫特征進(jìn)行分類。
[0057]步驟120，計(jì)算測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡。
[0058]繼步驟110，當(dāng)將每一個(gè)筆畫特征組成測試樣本時(shí)，將測試樣本與數(shù)據(jù)庫中預(yù)先保存的樣本集進(jìn)行一一比較，每一個(gè)樣本集表示一種手勢軌跡，其中包括至少一個(gè)訓(xùn)練樣本。以其中的某一個(gè)樣本集為例，該樣本集中的每一個(gè)訓(xùn)練樣本都表示同種手勢軌跡，每一個(gè)訓(xùn)練樣本包括該手勢軌跡的全部筆畫特征，由于筆畫特征的角度的稍有不同而區(qū)分該樣本集里的所有訓(xùn)練樣本。所有樣本集以及樣本集內(nèi)的訓(xùn)練樣本可為用戶或系統(tǒng)預(yù)先保存的。
[0059]具體實(shí)現(xiàn)中，--計(jì)算測試樣本與數(shù)據(jù)庫中所有樣本集的所有訓(xùn)練樣本的相似
度。以單個(gè)樣本集為例，可先通過計(jì)算測試樣本與該樣本集中的所有訓(xùn)練樣本的加權(quán)相似度，其中每個(gè)訓(xùn)練樣本都預(yù)先設(shè)置對(duì)應(yīng)的權(quán)重，所有訓(xùn)練樣本的權(quán)重和為1，最后將加權(quán)相似度進(jìn)行累加得到測試樣本與該樣本集的相似度。
[0060]步驟130，輸出與測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡。
[0061]具體實(shí)現(xiàn)中，當(dāng)計(jì)算出測試樣本與數(shù)據(jù)庫中所有樣本集的相似度后，輸出與測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡，在屏幕上顯示該樣本集所表示的手勢軌跡。
[0062]通過實(shí)施圖1所描述的方法，能將深度攝像機(jī)獲取的人體運(yùn)動(dòng)軌跡分解為多個(gè)特征，并根據(jù)多個(gè)特征生成測試樣本，以及將測試樣本與每個(gè)樣本集中的每一個(gè)訓(xùn)練樣本進(jìn)行比較,通過累加測試樣本與其中一個(gè)樣本集的每一個(gè)訓(xùn)練樣本的加權(quán)相似度得到測試樣本與該樣本集的相似度，最終輸出與測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡，有效地提高了運(yùn)算速度，同時(shí)大大降低了算法復(fù)雜度。
[0063]此外，由于將運(yùn)動(dòng)軌跡分解為多個(gè)特征，測試樣本與訓(xùn)練樣本的相似度通過比較特征而得到，因此由多個(gè)特征組成的訓(xùn)練樣本具有多樣性，能避免樣本種類的不足而導(dǎo)致識(shí)別率下降。[0064]請(qǐng)參閱圖2，圖2是本發(fā)明實(shí)施例的另一種人體運(yùn)動(dòng)軌跡的識(shí)別方法的流程示意圖。本發(fā)明實(shí)施例繼續(xù)以深度攝像機(jī)捕捉用戶的手部進(jìn)行舉例說明。
[0065]如圖2所示，本發(fā)明實(shí)施例的另一種人體運(yùn)動(dòng)軌跡的識(shí)別方法可以包括以下步驟。
[0066]步驟200,通過深度攝像機(jī)獲取人體運(yùn)動(dòng)軌跡。
[0067]具體實(shí)現(xiàn)中，可以通過軟件開發(fā)工具包(Software Development Kit, SDK)或者自然交互軟件(Open Natural Interaction, Open NI)獲取深度攝像機(jī)視頻以及3D人體骨架，并從3D人體骨架中實(shí)時(shí)捕捉手部的具體位置。當(dāng)用戶用手部進(jìn)行比劃時(shí)，通過深度攝像機(jī)實(shí)時(shí)獲取手部的位置，并將獲取到的手部位置的坐標(biāo)組成一串運(yùn)動(dòng)軌跡。[0068]作為一種可實(shí)施的方式，本發(fā)明實(shí)施例以手勢軌跡為Z字形的運(yùn)動(dòng)軌跡進(jìn)行舉例說明。每一個(gè)用戶輸入的Z字形的手勢軌跡各不相同，例如通過深度攝像機(jī)獲取用戶A輸
入字形的手勢軌跡。
[0069]步驟210，對(duì)獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波。
[0070]具體實(shí)現(xiàn)中，由于獲取的運(yùn)動(dòng)軌跡有很多噪音，導(dǎo)致獲取到的運(yùn)動(dòng)軌跡不平滑，更嚴(yán)重地會(huì)導(dǎo)致圖像失真，因此圖像濾波的質(zhì)量直接影響著后續(xù)計(jì)算相似度所需的數(shù)據(jù)以及最終的識(shí)別結(jié)果。
[0071]作為一種可實(shí)施的方式，本發(fā)明實(shí)施例提出一種實(shí)時(shí)濾波算法，實(shí)時(shí)濾波算法的表達(dá)式為:
[0072]Xi= α.X1-X1-!) +Xi^1
[0073]Yi= α.Y1-Yi^1) +Yi^1
[0074]式中，Χ，Υ表示濾波后的坐標(biāo)值，x，y表示濾波前的坐標(biāo)值，i表示當(dāng)前時(shí)刻，α為比例函數(shù)，通常α取值為0.3。在計(jì)算當(dāng)前時(shí)刻濾波前的坐標(biāo)值Xi與上一時(shí)刻濾波后的坐標(biāo)值Xh的差值之后，將計(jì)算得到的差值和預(yù)設(shè)的比例參數(shù)α的乘積與上一時(shí)刻濾波后的坐標(biāo)值Xg相加，得到當(dāng)前時(shí)刻濾波后的坐標(biāo)值實(shí)時(shí)濾波算法既保證濾波后的運(yùn)動(dòng)軌跡更加平滑穩(wěn)定，也避免運(yùn)動(dòng)軌跡細(xì)節(jié)的丟失。
[0075]步驟220，將濾波后的運(yùn)動(dòng)軌跡分解為多個(gè)特征，每個(gè)特征的方向是唯一的。
[0076]當(dāng)用戶A輸入的Z字形的手勢軌跡$通過濾波之后得到平滑穩(wěn)定的運(yùn)動(dòng)軌跡，將
該手勢軌跡分解為多個(gè)特征。其中，分解手勢軌跡的方式可以從手勢軌跡的方向變化處、速率變化處或者方向變化率對(duì)手勢軌跡進(jìn)行分解，得到至少一個(gè)筆畫特征，每個(gè)特征的方向是唯一的，即每一個(gè)筆畫特征都為一個(gè)向量。以用戶A輸入的Z字形的手勢軌跡為例，從用戶A輸入手勢軌跡的起始時(shí)間開始捕捉，則根據(jù)上述分解方式中的任意一種進(jìn)行分解之后得到~向量，向量以及一向量。
[0077]步驟230，根據(jù)預(yù)設(shè)的角度閾值識(shí)別多個(gè)特征。
[0078]具體實(shí)現(xiàn)中，當(dāng)將用戶A輸入的手勢軌跡進(jìn)行分解之后，可使用預(yù)先設(shè)定分類規(guī)則的分類器測量每一個(gè)筆畫特征的具體角度，并利用預(yù)設(shè)的角度閾值對(duì)筆畫特征進(jìn)行識(shí)另IJ，從而得知每個(gè)筆畫特征的種類。例如，將所有筆畫特征劃分為8種運(yùn)動(dòng)方向，可分別設(shè)置為0°、45°、90°、135°、180°、225°、270°以及315°的運(yùn)動(dòng)方向?？蓪⒔嵌乳撝翟O(shè)置為-22.5°至22.5°，對(duì)于運(yùn)動(dòng)方向?yàn)?0°的向量，則67.5°至112.5°之間的向量均在90°向量的閾值范圍之內(nèi)。例如80°向量在90°向量的范圍之內(nèi)，而30°向量在45°向量的范圍之內(nèi)。
[0079]另外，角度閾值還作為計(jì)算相似度的標(biāo)準(zhǔn)。例如，在計(jì)算100°向量與60°向量的相似度的情況下，由于100°向量在90°向量的范圍之內(nèi)，而60°向量在45°向量的范圍之內(nèi)，因此100°向量與60°向量的相似度為O。若兩個(gè)向量均在90°向量的閾值范圍內(nèi)，則可根據(jù)兩個(gè)向量角度的差值計(jì)算兩個(gè)向量的相似度。
[0080]繼續(xù)步驟220所得到的、向量，^向量以及一向量，分類器首先確定每個(gè)向量的具體角度，再根據(jù)預(yù)設(shè)的角度閾值判斷、向量在0°向量范圍之內(nèi)，向量在45°向量的范圍之內(nèi)，一向量在0°向量范圍之內(nèi)。
[0081]步驟240，將多個(gè)特征根據(jù)預(yù)設(shè)的排列方式組成測試樣本。
[0082]作為一種可實(shí)施的方式，結(jié)合圖3所示的測試樣本與樣本集中的訓(xùn)練樣本進(jìn)行比較的示意圖，繼步驟230之后，將識(shí)別出的每一個(gè)筆畫特征按照用戶A輸入的時(shí)間順序進(jìn)行排列，組成測試樣本。
[0083]步驟250，計(jì)算測試樣本與樣本集中的訓(xùn)練樣本的相似度，訓(xùn)練樣本是由多個(gè)特征組成的。
[0084]具體實(shí)現(xiàn)中，數(shù)據(jù)庫中預(yù)先保存多種手勢軌跡的樣本集，每一個(gè)樣本集表示一種手勢軌跡。在樣本集里有至少一個(gè)預(yù)先保存的訓(xùn)練樣本，每個(gè)樣本集中的訓(xùn)練樣本的數(shù)量不一，每一個(gè)訓(xùn)練樣本由至少一個(gè)筆畫特征組成，其性質(zhì)與測試樣本中的筆畫特征相同。因此需計(jì)算測試樣本與數(shù)據(jù)庫中的每一個(gè)樣本集里的每一個(gè)訓(xùn)練樣本的相似度。
[0085]作為一種可實(shí)施的方式，如圖3所示，數(shù)據(jù)庫中預(yù)先存儲(chǔ)圖3中手勢軌跡對(duì)應(yīng)的樣本集，則先計(jì)算測試樣本與I號(hào)樣本集中每一個(gè)訓(xùn)練樣本的相似度。I號(hào)樣本集有4個(gè)訓(xùn)練樣本，每一個(gè)訓(xùn)練樣本都有I號(hào)樣本集的全部筆畫特征。以訓(xùn)練樣本Ia為例，根據(jù)預(yù)設(shè)角度閾值按照筆畫特征的順序計(jì)算測試樣本與訓(xùn)練樣本Ia的相似度，依次類推。
[0086]步驟260，根據(jù)測試樣本與訓(xùn)練樣本的相似度，結(jié)合預(yù)設(shè)的訓(xùn)練樣本的權(quán)重，獲得測試樣本與訓(xùn)練樣本的加權(quán)相似度。
[0087]具體實(shí)現(xiàn)中，I號(hào)樣本集里有4個(gè)訓(xùn)練樣本，因此為每一個(gè)訓(xùn)練樣本設(shè)置權(quán)重，其權(quán)重和為I。例如，訓(xùn)練樣本Ia的權(quán)重可設(shè)置為0.5,訓(xùn)練樣本Ib的權(quán)重設(shè)置為0.2,訓(xùn)練樣本Ic的權(quán)重設(shè)置為0.2,則訓(xùn)練樣本Id的權(quán)重設(shè)置為0.1。以訓(xùn)練樣本Ia為例，當(dāng)計(jì)算出測試樣本與訓(xùn)練樣本Ia的相似度之后,再與訓(xùn)練樣本Ia的權(quán)重相乘，得到測試樣本與訓(xùn)練樣本Ia的加權(quán)相似度。
[0088]步驟270，將測試樣本與多個(gè)訓(xùn)練樣本的加權(quán)相似度進(jìn)行累加得到測試樣本與樣本集的相似度。
[0089]作為一種可實(shí)施的方式，測試樣本與樣本集的相似度的表達(dá)式如下所示:
【權(quán)利要求】
1.一種人體運(yùn)動(dòng)軌跡的識(shí)別方法，其特征在于，包括: 獲取人體運(yùn)動(dòng)軌跡； 將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本； 計(jì)算所述測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡； 輸出與所述測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征之前，所述方法還包括: 對(duì)所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波包括: 計(jì)算當(dāng)前時(shí)刻濾波前的坐標(biāo)值Xi與上一時(shí)刻濾波后的坐標(biāo)值Xp1的差值，將所述計(jì)算得到的差值和預(yù)設(shè)的比例參數(shù)α的乘積與所述上一時(shí)刻濾波后的坐標(biāo)值Xh相加，得到當(dāng)前時(shí)刻濾波后的坐標(biāo)值Xi,參數(shù)i表示當(dāng)前時(shí)刻。
4.根據(jù)權(quán)利要求1至3任一項(xiàng)所述的方法，其特征在于，所述將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本包括: 將濾波后的運(yùn)動(dòng)軌跡分解為多個(gè)特征，每個(gè)特征的方向是唯一的； 根據(jù)預(yù)設(shè)的角度閾值識(shí)別所述多個(gè)特征； 將所述多個(gè)特征根據(jù)預(yù)設(shè)的排列方式組成所述測試樣本。
5.根據(jù)權(quán)利要求1至4任一項(xiàng)所述的方法，其特征在于，所述計(jì)算所述測試樣本與每個(gè)樣本集的相似度包括: 計(jì)算所述測試樣本與所述樣本集中的訓(xùn)練樣本的相似度，所述訓(xùn)練樣本是由多個(gè)特征組成的； 根據(jù)所述測試樣本與所述訓(xùn)練樣本的相似度，結(jié)合預(yù)設(shè)的所述訓(xùn)練樣本的權(quán)重，獲得所述測試樣本與所述訓(xùn)練樣本的加權(quán)相似度； 將所述測試樣本與多個(gè)訓(xùn)練樣本的加權(quán)相似度進(jìn)行累加得到所述測試樣本與所述樣本集的相似度。
6.一種人體運(yùn)動(dòng)軌跡的識(shí)別裝置，其特征在于，包括: 獲取模塊，用于獲取人體運(yùn)動(dòng)軌跡； 分解模塊，用于將所述運(yùn)動(dòng)軌跡分解為多個(gè)特征，并基于所述多個(gè)特征生成測試樣本； 計(jì)算模塊，用于計(jì)算所述測試樣本與多個(gè)樣本集的相似度，每個(gè)樣本集表示一種運(yùn)動(dòng)軌跡； 輸出模塊，用于輸出與所述測試樣本相似度最大的樣本集所表示的運(yùn)動(dòng)軌跡。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置還包括: 濾波模塊，用于對(duì) 所述獲取的運(yùn)動(dòng)軌跡進(jìn)行濾波。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于， 所述濾波模塊具體用于計(jì)算當(dāng)前時(shí)刻濾波前的坐標(biāo)值Xi與上一時(shí)刻濾波后的坐標(biāo)值Xh的差值，將所述計(jì)算得到的差值和預(yù)設(shè)的比例參數(shù)α的乘積與所述上一時(shí)刻濾波后的坐標(biāo)值Xg相加，得到當(dāng)前時(shí)刻濾波后的坐標(biāo)值Xi，參數(shù)i表示當(dāng)前時(shí)刻。
9.根據(jù)權(quán)利要求6至8任一項(xiàng)所述的裝置，其特征在于，所述分解模塊包括: 分解單元，用于將濾波后的運(yùn)動(dòng)軌跡分解為多個(gè)特征，每個(gè)特征的方向是唯一的； 識(shí)別單元，用于根據(jù)預(yù)設(shè)的角度閾值識(shí)別所述多個(gè)特征； 組成單元，用于將所述多個(gè)特征根據(jù)預(yù)設(shè)的排列方式組成所述測試樣本。
10.根據(jù)權(quán)利要求6至9任一項(xiàng)所述的裝置，其特征在于，所述計(jì)算模塊包括: 計(jì)算單元，用于計(jì)算所述測試樣本與所述樣本集中的訓(xùn)練樣本的相似度，所述訓(xùn)練樣本是由多個(gè)特征組成的； 獲得單元，用于根據(jù)所述測試樣本與所述訓(xùn)練樣本的相似度，結(jié)合預(yù)設(shè)的所述訓(xùn)練樣本的權(quán)重，獲得所述測試樣本與所述訓(xùn)練樣本的加權(quán)相似度； 累加單元，用于將所述測試樣本與多個(gè)訓(xùn)練樣本的加權(quán)相似度進(jìn)行累加得到所述測試樣本與所述 樣本集的相似度。
【文檔編號(hào)】G06K9/62GK103839047SQ201310745914
【公開日】2014年6月4日 申請(qǐng)日期:2013年12月30日 優(yōu)先權(quán)日:2013年12月30日
【發(fā)明者】程洪, 莊浩洋, 楊路 申請(qǐng)人:華為技術(shù)有限公司, 電子科技大學(xué)