一種基于云端處理的手勢識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及手勢識別，特別涉及一種基于云端處理的手勢識別方法。
【背景技術(shù)】
[0002]手勢是人們?nèi)粘Ｉ钪凶顝V泛使用的一種交流方式，近年來，隨著計算機(jī)技術(shù)的迅速發(fā)展，手勢識別技術(shù)的研究取得了較大的進(jìn)展，研究手勢識別的主要目的是把手勢這種既自然又直觀的交流方式引入人機(jī)接口中。
[0003]目前的手勢識別方法基本采用以下流程:傳感器收集用戶手勢數(shù)據(jù)，通過藍(lán)牙等短距離通信方式，傳送到單個PC機(jī)上進(jìn)行特征提取和模式分類，如中國專利文獻(xiàn)CN103543826A公開一種基于加速度傳感器的手勢識別方法。該方法首先采集三軸加速度傳感器信號，設(shè)計平滑去噪濾波器對信號進(jìn)行預(yù)處理并自動實(shí)現(xiàn)手勢信號邊界的檢測；結(jié)合非手勢過濾策略，在模版匹配之前將非手勢數(shù)據(jù)過濾；采用動態(tài)規(guī)劃以及DTW算法，對待識別的手勢數(shù)據(jù)與存儲的模板數(shù)據(jù)進(jìn)行匹配計算，從而找到與待識別手勢最近的模板手勢；通過斜率限定曲線路徑、限定路徑區(qū)域以及設(shè)定失真門限值等策略，減輕模板匹配計算量，降低識別的開銷；利用模板自適應(yīng)策略，自動更新樣本模板庫，提高手勢識別的精度，該方法能在不明顯增加終端能耗的前提下，以較高的識別效率和精度，帶來更好的用戶體驗(yàn)度，促進(jìn)人機(jī)更加自由地交互。然而，這種方法單純根據(jù)加速度信息進(jìn)行手勢識別，容易造成誤差，手勢識別的精度不高。
[0004]現(xiàn)有技術(shù)中，如中國專利文獻(xiàn)CN101976330A公開了一種手勢識別方法與系統(tǒng)，其以設(shè)定的頻率同時采集目標(biāo)手勢物的加速度和三維坐標(biāo)，分別得到對應(yīng)于同一手勢的加速度和三維坐標(biāo)；分別得到對應(yīng)于同一手勢的加速度數(shù)據(jù)組和速度數(shù)據(jù)組對所述手勢數(shù)據(jù)進(jìn)行特征提??；將根據(jù)加速度數(shù)據(jù)組提取的特征和根據(jù)速度數(shù)據(jù)組提取的特征進(jìn)行同步融合，根據(jù)同步融合的特征進(jìn)行手勢識別；中國專利文獻(xiàn)CN103632143A公開了一種結(jié)合云計算基于影像的物件識別系統(tǒng)，該系統(tǒng)將影像獲取模塊捕獲的影像數(shù)據(jù)經(jīng)前級處理模塊進(jìn)行特征化處理，把分割模塊切割出的采集物影像數(shù)據(jù)在本地端知識庫模塊中進(jìn)行相似度比對計算，并將比較后篩選出的采集物影像數(shù)據(jù)上傳至云端知識庫模塊，由表示及描述模塊提前特征值后識別及解析采集物影像數(shù)據(jù)；然而，在移動場景下，產(chǎn)品的便攜性和低功耗尤為重要，以上兩種方法中，均需要采用圖像拍攝裝置捕獲目標(biāo)手勢的影像數(shù)據(jù)(二維圖像數(shù)據(jù))，圖像拍攝裝置的設(shè)置，如攝像頭等，會大大降低產(chǎn)品的便攜性能；并且，二維圖像的數(shù)據(jù)量比較大，會占用更多的網(wǎng)絡(luò)帶寬資源，消耗更多的電池電量；同時，中國專利文獻(xiàn)CN103632143A公開的識別系統(tǒng)只在云端擁有識別及解析模塊，在移動場景下，用戶未必能隨時能以良好的信號連接到互聯(lián)網(wǎng)，無法聯(lián)網(wǎng)則會造成整個手勢識別系統(tǒng)不能使用，這無疑不適用于網(wǎng)絡(luò)環(huán)境實(shí)時變化的移動場景，會嚴(yán)重影響用戶的手勢識別工作。
[0005]

【發(fā)明內(nèi)容】

本發(fā)明所要解決的技術(shù)問題在于現(xiàn)有技術(shù)中不同用戶的手勢數(shù)據(jù)無法重用，識別準(zhǔn)確率很難提升，用戶體驗(yàn)差的技術(shù)問題，從而提供一種可以對不同用戶的手勢數(shù)據(jù)進(jìn)行重復(fù)利用，對手勢信息進(jìn)行準(zhǔn)確識別的識別方法。
[0006]本發(fā)明的另一個目的在于提供一種可以在用戶聯(lián)網(wǎng)及未聯(lián)網(wǎng)的狀態(tài)下均能對手勢進(jìn)行準(zhǔn)確識別的方法。
[0007]為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是:
一種基于云端處理的手勢識別方法，包括如下步驟:
通過設(shè)于目標(biāo)手勢物上的若干感測單元，采集目標(biāo)手勢物的生物信號及運(yùn)動信號； 對所述生物信號及運(yùn)動信號進(jìn)行去噪預(yù)處理，將處理后的數(shù)據(jù)傳遞給本地服務(wù)器； 從預(yù)處理后的數(shù)據(jù)中，識別出每個手勢的起點(diǎn)和終點(diǎn)，獲得獨(dú)立的手勢信號段；
對每個手勢信號段進(jìn)行特征提取，將不同所述感測單元中提取的所述特征數(shù)據(jù)進(jìn)行融合，組成多維特征向量；
所述本地服務(wù)器保存已經(jīng)完成特征提取與融合的手勢數(shù)據(jù)，并在設(shè)備聯(lián)網(wǎng)時將其上傳至云端服務(wù)器；
本地服務(wù)器根據(jù)所述手勢數(shù)據(jù)建立本地手勢模型；
所述云端服務(wù)器接收一個或多個本地服務(wù)器的上傳的手勢數(shù)據(jù)，建立云端手勢模型，并利用該云端手勢模型更新每個本地服務(wù)器中的手勢模型；
本地服務(wù)器接收感測單元檢測的信號后，進(jìn)行模式識別獲得感測單元檢測到的目標(biāo)手勢；和/或感測單元檢測的信號發(fā)送至云端服務(wù)器，云端服務(wù)器通過模式識別獲得感測單元檢測到的目標(biāo)手勢。
[0008]所述云端手勢模型或所述本地手勢模型建立時，包括“有監(jiān)督訓(xùn)練模式”，用戶提供的標(biāo)簽和本地數(shù)據(jù)集中的數(shù)據(jù)，對分類器模型進(jìn)行訓(xùn)練。
[0009]所述云端手勢模型或所述本地手勢模型建立時，包括在“無監(jiān)督訓(xùn)練模式”，采用聚類的方式，將用戶手勢數(shù)據(jù)劃分到已經(jīng)提供標(biāo)簽的手勢子集中。
[0010]所述感測單元為設(shè)置于腕部和手指上的生物電傳感器及運(yùn)動傳感器，所述生物信號包括肌電信號及皮膚阻抗信號，所述運(yùn)動信號包括手部運(yùn)動加速度信號和空中旋轉(zhuǎn)信號，所述生物信號及所述運(yùn)動信號為一維的時間序列信號。
[0011]所述去噪預(yù)處理過程包括帶通濾波及帶阻濾波。
[0012]處理后的數(shù)據(jù)通過無線通信單元傳遞給本地服務(wù)器，所述無線通信單元為藍(lán)牙無線通信，所述本地服務(wù)器為本地的PC機(jī)或手機(jī)。
[0013]采用基線檢測、平滑濾波、過零點(diǎn)檢測以及計算波形曲線下面積的手段得到手勢原始信號，進(jìn)而對所述手勢原始信號進(jìn)行歸一化處理，將所述手勢原始信號的絕對幅值轉(zhuǎn)化為0-1之間的相對幅值，在連續(xù)時間序列形態(tài)的信號中，所述相對幅值與設(shè)定好的能量閾值進(jìn)行比較，識別出每個手勢的起點(diǎn)和終點(diǎn)，然后將數(shù)據(jù)分割為一個個獨(dú)立的手勢信號段，所述能量閾值隨云端服務(wù)器手勢數(shù)據(jù)的增加進(jìn)行動態(tài)調(diào)整。所述數(shù)據(jù)保存與傳遞步驟中，將所述手勢數(shù)據(jù)上傳至所述云端服務(wù)器后，本地數(shù)據(jù)集刪除。
[0014]所述云端識別模式的所述分類器模型進(jìn)行適當(dāng)?shù)牟眉艉?，再去更新所述本地識別模式的分類器模型。
[0015]本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn):
(I)本發(fā)明的手勢識別方法，所述本地服務(wù)器保存已經(jīng)完成特征提取與融合的手勢數(shù)據(jù)，并在設(shè)備聯(lián)網(wǎng)時將其上傳至云端服務(wù)器，本地服務(wù)器根據(jù)所述手勢數(shù)據(jù)建立本地手勢模型，所述云端服務(wù)器接收一個或多個本地服務(wù)器的上傳的手勢數(shù)據(jù)，建立云端手勢模型，并利用該云端手勢模型更新每個本地服務(wù)器中的手勢模型，本地服務(wù)器接收感測單元檢測的信號后，進(jìn)行模式識別獲得感測單元檢測到的目標(biāo)手勢，和/或感測單元檢測的信號發(fā)送至云端服務(wù)器，云端服務(wù)器通過模式識別獲得感測單元檢測到的目標(biāo)手勢，因而本發(fā)明的手勢識別方法具有“本地識別模式”及“云端識別模式”兩種識別模式，即在本地和云端都分別擁有數(shù)據(jù)集模塊、分類器模型模塊以及手勢識別模塊，在移動場景下，用戶未必能隨時以良好的信號連接到互聯(lián)網(wǎng)，而采用本發(fā)明的手勢識別方法，可以保證用戶在不聯(lián)網(wǎng)的情況下依然能夠進(jìn)行手勢識別，適用于網(wǎng)絡(luò)環(huán)境實(shí)時變化的移動場景，同時，采用云端手勢模型更新本地服務(wù)器中的手勢模型，使得本發(fā)明的手勢識別方法更加的精確。
[0016](2)本發(fā)明的手勢識別方法，所述本地識別模式服務(wù)器及云端識別模式服務(wù)器進(jìn)行模式識別獲得感測單元檢測到的目標(biāo)手勢過程，均分為“有監(jiān)督訓(xùn)練模式”及“無監(jiān)督訓(xùn)練模式，在“有監(jiān)督訓(xùn)練模式”下，用用戶提供的標(biāo)簽和本地數(shù)據(jù)集中的數(shù)據(jù)，對分類器模型進(jìn)行訓(xùn)練；在“無監(jiān)督訓(xùn)練模式”下，采用聚類的方式，將用戶手勢數(shù)據(jù)劃分到已經(jīng)提供標(biāo)簽的手勢子集中，因而本方法獲得的分類器模型更加的準(zhǔn)確，從而進(jìn)一步提高了本方法的識別精確度。
[0017](3)本發(fā)明的手勢識別方法，所述感測單元為設(shè)置于腕部和手指上的生物電傳感器及運(yùn)動傳感器，所述生物信號包括肌電信號及皮膚阻抗信號，所述運(yùn)動信號包括手部運(yùn)動加速度信號和空中旋轉(zhuǎn)信號，采樣手勢對應(yīng)的生物電及運(yùn)動等多類別信息，有利于提高識別的精確度，減少識別誤差，且所述生物信號及所述運(yùn)動信號為一維的時間序列信號，與影像數(shù)據(jù)相比，其數(shù)據(jù)量小，占用的網(wǎng)絡(luò)寬帶少，耗電量小，因而便于提高產(chǎn)品的便攜性，應(yīng)用更加方便。
[0018](4)本發(fā)明的手勢識別方法，處理后的數(shù)據(jù)通過無線通信單元傳遞給本地服務(wù)器，所述無線通信單元為藍(lán)牙無線通信，數(shù)據(jù)傳輸更加方便，且所述數(shù)據(jù)保存與傳遞步驟中，將所述手勢數(shù)據(jù)上傳至所述云端服務(wù)器后，可以將本地數(shù)據(jù)集刪除，從而更好的節(jié)省了本地存儲空間，有利于提聞廣品性能。
【附圖說明】
[0019]為了使本發(fā)明的內(nèi)容更容易被清楚的理解，下面根據(jù)本發(fā)明的具體實(shí)施例并結(jié)合附圖，對本發(fā)明作進(jìn)一步詳細(xì)的說明，其中
圖1是本發(fā)明的手勢識別裝置示意圖；
圖2是本發(fā)明的手勢識別方法框圖。
【具體實(shí)施方式】
[0020]下面結(jié)合附圖所示的實(shí)施例對本發(fā)明作進(jìn)一步說明:
如圖1所示，本發(fā)明的手勢識別方法其對應(yīng)的系統(tǒng)裝置由三大部分組成:手勢信號檢測裝置1，本地服務(wù)器以及云端服務(wù)器4，在本實(shí)施例中，所述本地服務(wù)器包括用戶的PC機(jī)2或智能手機(jī)3。
[0021]如圖2所示，本發(fā)明的基于云端處理的手勢識別方法，包括如下步驟:
首先，通過手勢信號檢測裝置I的手勢原始數(shù)據(jù)采集模塊101，獲取用戶手勢的原始數(shù)據(jù)，具體是，通過設(shè)于目標(biāo)手勢物上的若干感測單元