基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法及系統(tǒng)，所述方法包括：對(duì)輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得到多個(gè)等距離采樣軌跡和多個(gè)等時(shí)間采樣軌跡；提取各等距離采樣軌跡的形態(tài)特征，提取各等時(shí)間采樣軌跡的速度特征；根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡，并獲取待選軌跡的起點(diǎn)和終點(diǎn)；對(duì)所有待選軌跡的速度特征進(jìn)行分類(lèi)，去除不具備減速特性的待選軌跡。本發(fā)明實(shí)現(xiàn)了連續(xù)軌跡準(zhǔn)確、實(shí)時(shí)的自動(dòng)分割。
【專(zhuān)利說(shuō)明】
基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，特別是涉及一種基于目標(biāo)模型信息的連續(xù)手勢(shì) 軌跡分割方法及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著人機(jī)交互技術(shù)的發(fā)展，交互的方式越來(lái)越智能并且基于軌跡的應(yīng)用也越來(lái)越 廣泛，無(wú)論是手寫(xiě)體識(shí)別、數(shù)字簽名、步態(tài)分析等都是基于軌跡的方式來(lái)進(jìn)行人機(jī)交互的應(yīng) 用。在文字出現(xiàn)以前，人類(lèi)使用肢體語(yǔ)言來(lái)進(jìn)行交互，動(dòng)作、軌跡則是一種很有效且包含大 量信息用于交互的方式，因此軌跡相關(guān)的識(shí)別、處理技術(shù)則顯得尤為重要。連續(xù)軌跡識(shí)別技 術(shù)相對(duì)于傳統(tǒng)的軌跡識(shí)別技術(shù)要求更高，需要自動(dòng)的分割、提取出軌跡段，軌跡的分割根據(jù) 軌跡的特征進(jìn)行分類(lèi)，判斷此段軌跡是否應(yīng)提取出從而形成獨(dú)立的一段軌跡。估計(jì)的分割 策略需要考慮實(shí)時(shí)性、準(zhǔn)確性等因素以便于估計(jì)的后續(xù)處理。
[0003] 用于手勢(shì)方面的連續(xù)軌跡分割算法主要分為兩種，一種是基于特征閾值策略的分 害J，此種方式簡(jiǎn)單、易于實(shí)現(xiàn)，通過(guò)對(duì)待分割特征的統(tǒng)計(jì)從而獲取最佳的閾值，然后根據(jù)閾 值來(lái)分割軌跡段。例如根據(jù)速率特征，把軌跡中速率開(kāi)始大于閾值的點(diǎn)認(rèn)為是軌跡的起點(diǎn)， 速率小于預(yù)知的點(diǎn)認(rèn)為是軌跡的終點(diǎn)，從而提取出軌跡。另一種方式則是使用機(jī)器學(xué)習(xí)的 方式來(lái)分割軌跡，通過(guò)對(duì)軌跡正負(fù)樣本的標(biāo)定與學(xué)習(xí)，完成對(duì)分類(lèi)器的訓(xùn)練，再使用分類(lèi)器 直接對(duì)軌跡相應(yīng)的特征進(jìn)行分類(lèi)，從而分割出軌跡，但這種方式的實(shí)時(shí)性較差。以上兩種方 式均是直接對(duì)軌跡進(jìn)行分割，由于軌跡中常常含有噪聲等影響，并且沒(méi)有結(jié)合目標(biāo)的先驗(yàn) 知識(shí)，因此識(shí)別率不高。
[0004] 現(xiàn)有技術(shù)中，與本發(fā)明的部分技術(shù)類(lèi)似的專(zhuān)利有：
[0005] (1)分割軌跡的方法和裝置，申請(qǐng)?zhí)枺?01410265082.2。該發(fā)明提出了一種用于軌 跡的分割方法，它首先獲取輸入軌跡的多個(gè)軌跡點(diǎn)，然后根據(jù)速度、角度的變化獲取軌跡序 列中的待分割點(diǎn)，然后把這些分割點(diǎn)為真分割點(diǎn)與假分割點(diǎn)，最后再找出真分割點(diǎn)之間的 對(duì)應(yīng)關(guān)系求得真分割點(diǎn)對(duì)，從而完成軌跡的分割。該發(fā)明所提出的方法能克服由軌跡之中 速度變小等因素所產(chǎn)生的分割點(diǎn)，并且能把此類(lèi)分割點(diǎn)判別為假分割點(diǎn)從而濾除，但是整 個(gè)算法并非用于連續(xù)軌跡的分割，其分割的有效性建立在軌跡的起止點(diǎn)停頓基礎(chǔ)上，因此 在實(shí)際使用中便利性不高。
[0006] (2)基于多規(guī)則的交互手勢(shì)運(yùn)動(dòng)軌跡分割方法，申請(qǐng)?zhí)枺?01310335820.1。該發(fā)明 提出了一種基于多規(guī)則的交互手勢(shì)運(yùn)動(dòng)軌跡分割方法，該方法使用激光筆在屏幕上進(jìn)行書(shū) 寫(xiě)，并用攝像頭拍攝用戶(hù)持激光筆的書(shū)寫(xiě)交互手勢(shì)視頻，然后使用Camshift最優(yōu)概率密度 估計(jì)算法進(jìn)行跟蹤書(shū)寫(xiě)軌跡以提取手勢(shì)的運(yùn)動(dòng)軌跡點(diǎn)，再將運(yùn)動(dòng)軌跡點(diǎn)參數(shù)化表示并設(shè)定 約束條件，定義分割規(guī)則形成基于規(guī)則的軌跡分割策略，最終再使用貪心策略在符合規(guī)則 的區(qū)間將軌跡點(diǎn)進(jìn)行分割。由于所提出的方法是基于規(guī)則的分割，在分割點(diǎn)的規(guī)則制定方 法上會(huì)很大程度的影響到后續(xù)分割效果，并且所提及的根據(jù)瞬時(shí)速度的分割規(guī)則魯棒性較 差，噪聲對(duì)其所造成的影響較高，加之使用跟蹤算法來(lái)獲取軌跡點(diǎn)，在整個(gè)過(guò)程中的噪聲引 入較大，因此對(duì)分割的準(zhǔn)確率有一定的影響。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于目標(biāo)模型信息的連續(xù)手勢(shì) 軌跡分割方法及系統(tǒng)，實(shí)現(xiàn)了連續(xù)軌跡準(zhǔn)確、實(shí)時(shí)的自動(dòng)分割。
[0008] 本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡 分割方法，包括:對(duì)輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得到 多個(gè)等距離采樣軌跡和多個(gè)等時(shí)間采樣軌跡;提取各等距離采樣軌跡的形態(tài)特征，提取各 等時(shí)間采樣軌跡的速度特征;根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡，并獲取 待選軌跡的起點(diǎn)和終點(diǎn)；對(duì)所有待選軌跡的速度特征進(jìn)行分類(lèi)，去除不具備減速特性的待 選軌跡。
[0009] 所述等空間間隔重采樣的采樣公式為：
[0011]式中：d-當(dāng)前采樣點(diǎn)與前一次采樣點(diǎn)的距離;ai_-經(jīng)過(guò)前一次等距離采樣余下的距 離；τ_等距離閾值，N可采樣點(diǎn)數(shù);αι_經(jīng)過(guò)此次等距離采樣余下的距離;k-使得條件不等式 成立的最大正整數(shù)。
[0012]提取等距離采樣軌跡的形態(tài)特征的公式為：
[0014] 式中：fi-第i個(gè)形態(tài)特征；Δχ-第i個(gè)采樣點(diǎn)的橫坐標(biāo)與第i-Ι個(gè)采樣點(diǎn)的橫坐標(biāo) 之差；Ay-第i個(gè)采樣點(diǎn)的縱坐標(biāo)與第i-Ι個(gè)采樣點(diǎn)的縱坐標(biāo)之差。
[0015] 提取等時(shí)間采樣軌跡的速度特征的方法為:求出各個(gè)相鄰采樣點(diǎn)之間的速率作為 速度特征。
[0016] 根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡的方法為:根據(jù)所述等距離采 樣軌跡的形態(tài)特征和模板軌跡的特征序列構(gòu)成一個(gè)相似度矩陣，所述相似度矩陣的每一個(gè) 元素為所述形態(tài)特征和所述特征序列中對(duì)應(yīng)的兩個(gè)向量的相似度;檢測(cè)相似度矩陣最后一 行的代價(jià)總和，將所有代價(jià)總和小于閾值γ的等距離采樣軌跡作為待選軌跡。
[0017] 所述相似度的計(jì)算公式如下：
[0018] d(p(i,j)) = cos_1(fi * fj)(公式三）
[0019]式中：d(p(lu))-相似度矩陣中對(duì)應(yīng)坐標(biāo)的相似度，等距離采樣軌跡的形態(tài)特征 中的第i個(gè)特征，模板軌跡的特征序列中的第j個(gè)特征。
[0020] 所述相似度矩陣中各個(gè)坐標(biāo)的總代價(jià)值的計(jì)算公式如下：
[0021] ω (p(i，j))=d(p(i，j))+min{ ω (p"-hj-d)，ω (ρ"-υ)，ω (p(i，j-：〇)}(公式四）
[0022] 式中：ω(ρ(1,η)-到相似度矩陣中對(duì)應(yīng)坐標(biāo)時(shí)的累計(jì)總代價(jià)和;d(P(lu))_相似度矩 陣中對(duì)應(yīng)坐標(biāo)的相似度。
[0023]獲取待選軌跡的起點(diǎn)和終點(diǎn)采用回溯的方法。
[0024]對(duì)所有待選軌跡速率特征進(jìn)行分類(lèi)采用SVM分類(lèi)器。
[0025]基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割系統(tǒng)，包括:采樣模塊，用于對(duì)輸入的連續(xù) 軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得到多個(gè)等距離采樣軌跡和多個(gè)等 時(shí)間采樣軌跡;特征提取模塊，用于提取各等距離采樣軌跡的形態(tài)特征，以及提取各等時(shí)間 采樣軌跡的速度特征;軌跡識(shí)別模塊，用于根據(jù)所述形態(tài)特征采用模板匹配算法找出待選 軌跡，并獲取待選軌跡的起點(diǎn)和終點(diǎn);軌跡分割模塊，用于對(duì)所有待選軌跡的速度特征進(jìn)行 分類(lèi)，去除不具備減速特性的待選軌跡。
[0026] 本發(fā)明的有益效果是:本發(fā)明首先使用DTW算法結(jié)合目標(biāo)的模型信息進(jìn)行分割后 再使用SVM分類(lèi)器分割，這種方式相對(duì)傳統(tǒng)直接對(duì)輸入分割的方式來(lái)說(shuō)準(zhǔn)確率具有很大的 提升，并且DTW為模板匹配算法，具有需要使用樣本少，魯棒性好，速度快等特點(diǎn)，在DTW算法 初步識(shí)別后，對(duì)SVM算法使用簡(jiǎn)單的特征即可正確的分類(lèi)，因此整個(gè)算法的速率也比持續(xù)對(duì) 輸入軌跡進(jìn)行復(fù)雜分類(lèi)識(shí)別快。
【附圖說(shuō)明】
[0027] 圖1為本發(fā)明中基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法的一個(gè)實(shí)施例的流程 圖；
[0028] 圖2為本發(fā)明一個(gè)實(shí)施例中等時(shí)間間隔重采樣以及減速區(qū)域的示意圖；
[0029]圖3為本發(fā)明的一個(gè)實(shí)施例中DTW與SVM相結(jié)合的軌跡分割的示意圖；
[0030] 圖4為本發(fā)明中基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割系統(tǒng)的一個(gè)實(shí)施例的流程 圖。
【具體實(shí)施方式】
[0031] 下面結(jié)合附圖進(jìn)一步詳細(xì)描述本發(fā)明的技術(shù)方案，但本發(fā)明的保護(hù)范圍不局限于 以下所述。
[0032] 如圖1所示，圖1為基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法的一個(gè)實(shí)施例的流 程圖，本實(shí)施例從字符軌跡的角度對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明的技術(shù) 方案并不限于字符軌跡，任何已知分割目標(biāo)類(lèi)型的連續(xù)軌跡都可以使用本發(fā)明的方法進(jìn)行 分割。
[0033]本實(shí)施例的方法包括以下步驟：
[0034] 步驟一、對(duì)輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得 到多個(gè)等距離采樣軌跡和多個(gè)等時(shí)間采樣軌跡。
[0035] 所述等空間間隔重采樣的采樣公式為：
[0037]式中：d-當(dāng)前采樣點(diǎn)與前一次采樣點(diǎn)的距離(像素距離）；αΗ-經(jīng)過(guò)前一次等距離 采樣余下的距離；τ_等距離閾值，Ν可采樣點(diǎn)數(shù);αι_經(jīng)過(guò)此次等距離采樣余下的距離;k-使 得條件不等式成立的最大正整數(shù)，，也即最大可采樣點(diǎn)數(shù)。
[0038]公式一表明了對(duì)于采樣點(diǎn)距離較小的區(qū)域通過(guò)累加的策略不斷累積他們的距離， 當(dāng)距離和大于預(yù)先設(shè)置的距離閾值時(shí)保存相關(guān)的等距離采樣點(diǎn)。當(dāng)采樣點(diǎn)之間的距離較 大、遠(yuǎn)大于所設(shè)定的距離閾值時(shí)即可通過(guò)插值策略保證等距離采樣。
[0039]由于后續(xù)要多軌跡段進(jìn)行分割，傳統(tǒng)的分割方式是讓用戶(hù)在起點(diǎn)和終點(diǎn)稍作停頓 從而進(jìn)行檢測(cè)和分割；由于用戶(hù)在寫(xiě)完一個(gè)特定的軌跡時(shí)（如字符)會(huì)產(chǎn)生一個(gè)減速區(qū)域， 如圖2所示。本實(shí)施則通過(guò)檢測(cè)這個(gè)減速區(qū)域從而進(jìn)行軌跡的自動(dòng)分割，當(dāng)然如果用戶(hù)在寫(xiě) 完字符處進(jìn)行停頓也能夠檢測(cè)出來(lái)，提高了軌跡分割的自然、便利性。為了檢測(cè)所述減速區(qū) 域，需要利用速度特征，使用等距離采樣軌跡無(wú)法實(shí)時(shí)得到速度特征，因此本實(shí)施例采用等 時(shí)間采樣軌跡，等時(shí)間采樣軌跡能很好地描述出運(yùn)動(dòng)的加減速過(guò)程。等時(shí)間采樣軌跡的獲 取方法與等距離采樣軌跡的獲取方法類(lèi)似，本實(shí)施例中對(duì)于200*160的書(shū)寫(xiě)窗口大小所選 用的等距離間隔為15像素距離，時(shí)間間隔為30ms。
[0040] 步驟二、提取各等距離采樣軌跡的形態(tài)特征，提取各等時(shí)間采樣軌跡的速度特征。
[0041] 對(duì)于等距離采樣軌跡，一般是使用相關(guān)采樣點(diǎn)的位置信息作為特征；由于采樣點(diǎn) 之間的方向特征可以克服一些尺度上的變化、魯棒性也較好，因此，本實(shí)施例在等距離采樣 軌跡中選擇采樣點(diǎn)之間的方向向量作為形態(tài)特征并歸一化，提取等距離采樣軌跡的形態(tài)特 征的公式為：
[0043]式中：fi_第i個(gè)形態(tài)特征；Δχ-第i個(gè)采樣點(diǎn)的橫坐標(biāo)與第i-Ι個(gè)采樣點(diǎn)的橫坐標(biāo) 之差；Ay-第i個(gè)采樣點(diǎn)的縱坐標(biāo)與第i-Ι個(gè)采樣點(diǎn)的縱坐標(biāo)之差。
[0044] 對(duì)于等時(shí)間采樣軌跡，求出各個(gè)相鄰采樣點(diǎn)之間的速率作為速度特征;優(yōu)選的，選 擇第i個(gè)采樣點(diǎn)到第i_7個(gè)采樣點(diǎn)之間的速率作為速度特征，此長(zhǎng)度包含了軌跡起止的減速 段區(qū)間，并且特征維度小，有利于計(jì)算。
[0045] 步驟三、根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡，并獲取待選軌跡的 起點(diǎn)和終點(diǎn)。
[0046]所述模板匹配算法采用DTW算法(動(dòng)態(tài)時(shí)域規(guī)整算法KDTW算法是一種基于貪婪搜 索的模板匹配算法，DTW通過(guò)比較輸入與模板的相似度從而識(shí)別出結(jié)果，本實(shí)施例中使用 DTW算法的識(shí)別結(jié)果再進(jìn)行速率分類(lèi)，即可結(jié)合模板信息來(lái)提高分割效果。
[0047]根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡的方法為：
[0048]根據(jù)所述等距離采樣軌跡的形態(tài)特征和模板軌跡的特征序列構(gòu)成一個(gè)相似度矩 陣，所述相似度矩陣的每一個(gè)元素為所述形態(tài)特征和所述特征序列中對(duì)應(yīng)的兩個(gè)向量的相 似度;本實(shí)施例使用角度作為相似度度量，所述相似度的計(jì)算公式如下：
[0049] d(p(i,j)) = cos_1(fi * fj)(公式三）
[0050]式中：d(p(lu))-相似度矩陣中對(duì)應(yīng)坐標(biāo)的相似度，等距離采樣軌跡的形態(tài)特征 中的第i個(gè)特征，模板軌跡的特征序列中的第j個(gè)特征。
[0051] 在計(jì)算完相似度矩陣的元素之后，搜索相似度矩陣的最優(yōu)路徑使得路徑總代價(jià)最 小，為了減小運(yùn)算量以及算法的合理性，在相似度矩陣中的搜索方式具有一定約束;DTW算 法通過(guò)公式四所述的方式來(lái)計(jì)算各個(gè)坐標(biāo)的總代價(jià)值：
[0052] ω (p(i,j))=d(p(i,j))+min{ ω (pa-i, j-d) , ω (p(i-i,j)), ω (p(i,j-i))}(公式四）
[0053] 式中：ω (P(1U))-到相似度矩陣中對(duì)應(yīng)坐標(biāo)時(shí)的累計(jì)總代價(jià)和;d(p(lu))_相似度 矩陣中對(duì)應(yīng)坐標(biāo)的相似度。
[0054] 檢測(cè)相似度矩陣最后一行的代價(jià)總和，然后采用閾值策略，設(shè)定閾值γ，將所有代 價(jià)總和小于閾值γ的等距離采樣軌跡作為待選軌跡。由于各個(gè)模板的軌跡是不同的，因此 所設(shè)定的各個(gè)模板對(duì)應(yīng)的閾值γ也應(yīng)是不相同的，在檢測(cè)到某條軌跡代價(jià)總和小于閾值γ 時(shí)，采用回溯的方式找到以此點(diǎn)為終點(diǎn)的軌跡，從而求得起點(diǎn)以及整條軌跡序列。此時(shí)，相 似度矩陣對(duì)應(yīng)模板的類(lèi)別即為識(shí)別出來(lái)的類(lèi)，對(duì)于同一幀輸入軌跡根據(jù)不同模板匹配的結(jié) 果以及閾值策略來(lái)說(shuō)可能會(huì)識(shí)別出多個(gè)類(lèi)，這些識(shí)別出的類(lèi)所對(duì)應(yīng)的字符即為待選字符。
[0055] 步驟四、對(duì)所有待選軌跡的速度特征進(jìn)行分類(lèi)，去除不具備減速特性的待選軌跡。
[0056] 在得到待選字符以及對(duì)應(yīng)軌跡之后，以原始采樣索引編號(hào)為根據(jù)并找到這些軌跡 在等時(shí)間間隔上的對(duì)應(yīng)采樣點(diǎn)，取得對(duì)應(yīng)的速率特征，并進(jìn)行減速區(qū)域判斷。本實(shí)施例中減 速區(qū)域的判斷使用的是SVM(支持向量機(jī)），SVM是一種二分類(lèi)模型并采用間隔最大的學(xué)習(xí)策 略使問(wèn)題化為求解二次規(guī)劃問(wèn)題，利用求解的對(duì)偶形式以及核函數(shù)技巧來(lái)在高維空間進(jìn)行 學(xué)習(xí)從而解決線性不可分樣本的分類(lèi)問(wèn)題。本實(shí)施例中，首先使用大量的正、負(fù)樣本來(lái)訓(xùn)練 SVM分類(lèi)器，其中正樣本為用戶(hù)所寫(xiě)完一個(gè)字符所帶有減速特征的序列，負(fù)樣本則是沒(méi)有減 速特征的序列，所使用高斯核進(jìn)行訓(xùn)練、分類(lèi)。
[0057] 通過(guò)DTW算法獲得待選字符軌跡，然后對(duì)待選字符軌跡所提取的具有速率特征的 軌跡段使用SVM分類(lèi)器進(jìn)行分類(lèi)，整個(gè)過(guò)程如圖3所示，整個(gè)網(wǎng)格就是模板與待選軌跡構(gòu)成 的相似度矩陣也即代價(jià)矩陣，黑色的點(diǎn)構(gòu)成的路徑就是待選軌跡與模板軌跡的最相似的路 徑，白色點(diǎn)即通過(guò)回溯方法找到的起止點(diǎn)，找到起止點(diǎn)后提取待選軌跡相應(yīng)的速度特征再 使用SVM分類(lèi)器進(jìn)行分類(lèi)，SVM分類(lèi)器去除掉DTW算法識(shí)別出的待選字符中不具備減速特性 的字符以及對(duì)應(yīng)的待選軌跡，剩下的字符以及待選軌跡即是被分割出來(lái)的吻合目標(biāo)模型信 息的軌跡。
[0058] 如圖4所示，基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割系統(tǒng)，包括:采樣模塊，用于對(duì) 輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得到多個(gè)等距離采樣軌 跡和多個(gè)等時(shí)間采樣軌跡;特征提取模塊，用于提取各等距離采樣軌跡的形態(tài)特征，以及提 取各等時(shí)間采樣軌跡的速度特征;軌跡識(shí)別模塊，用于根據(jù)所述形態(tài)特征采用模板匹配算 法找出待選軌跡，并獲取待選軌跡的起點(diǎn)和終點(diǎn);軌跡分割模塊，用于對(duì)所有待選軌跡的速 度特征進(jìn)行分類(lèi)，去除不具備減速特性的待選軌跡。
[0059]以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的 形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本 文所述構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn) 行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍 內(nèi)。
【主權(quán)項(xiàng)】
1. 基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:包括： 對(duì)輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣，得到多個(gè)等距離 采樣軌跡和多個(gè)等時(shí)間采樣軌跡； 提取各等距離采樣軌跡的形態(tài)特征，提取各等時(shí)間采樣軌跡的速度特征； 根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡，并獲取待選軌跡的起點(diǎn)和終點(diǎn)； 對(duì)所有待選軌跡的速度特征進(jìn)行分類(lèi)，去除不具備減速特性的待選軌跡。2. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:所 述等空間間隔重采樣的采樣公式為：(公式一-) 式中：d-當(dāng)前采樣點(diǎn)與前一次采樣點(diǎn)的距離;αι-ι-經(jīng)過(guò)前一次等距離采樣余下的距離； τ-等距離闊值，Ν可采樣點(diǎn)數(shù);αι-經(jīng)過(guò)此次等距離采樣余下的距離;k-使得條件不等式成立 的最大正整數(shù)。3. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:提 取等距離采樣軌跡的形態(tài)特征的公式為：(公式二） 式中：fi-第i個(gè)形態(tài)特征；Αχ-第i個(gè)采樣點(diǎn)的橫坐標(biāo)與第i-1個(gè)采樣點(diǎn)的橫坐標(biāo)之差； Ay-第i個(gè)采樣點(diǎn)的縱坐標(biāo)與第i-1個(gè)采樣點(diǎn)的縱坐標(biāo)之差。4. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:提 取等時(shí)間采樣軌跡的速度特征的方法為:求出各個(gè)相鄰采樣點(diǎn)之間的速率作為速度特征。5. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:根 據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡的方法為： 根據(jù)所述等距離采樣軌跡的形態(tài)特征和模板軌跡的特征序列構(gòu)成一個(gè)相似度矩陣，所 述相似度矩陣的每一個(gè)元素為所述形態(tài)特征和所述特征序列中對(duì)應(yīng)的兩個(gè)向量的相似度； 檢測(cè)相似度矩陣最后一行的代價(jià)總和，將所有代價(jià)總和小于闊值丫的等距離采樣軌跡 作為待選軌跡。6. 根據(jù)權(quán)利要求5所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:所 述相似度的計(jì)算公式如下： d(p(i'j)) = cos-i(fi · fj) (公式Ξ) 式中：d(p(i,")-相似度矩陣中對(duì)應(yīng)坐標(biāo)的相似度，fi-等距離采樣軌跡的形態(tài)特征中的 第i個(gè)特征，模板軌跡的特征序列中的第j個(gè)特征。7. 根據(jù)權(quán)利要求5所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:所 述相似度矩陣中各個(gè)坐標(biāo)的總代價(jià)值的計(jì)算公式如下： ω (P(i'j)) = d(p(i,j))+min{ ω ，ω (p(i-i,j))，ω (公式四） 式中：w(P(i,j))-到相似度矩陣中對(duì)應(yīng)坐標(biāo)時(shí)的累計(jì)總代價(jià)和;d(p(i,j))-相似度矩陣中 對(duì)應(yīng)坐標(biāo)的相似度。8. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:獲 取待選軌跡的起點(diǎn)和終點(diǎn)采用回溯的方法。9. 根據(jù)權(quán)利要求1所述的基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割方法，其特征在于:對(duì) 所有待選軌跡的速度特征進(jìn)行分類(lèi)采用SVM分類(lèi)器。10. 基于目標(biāo)模型信息的連續(xù)手勢(shì)軌跡分割系統(tǒng)，其特征在于:包括： 采樣模塊，用于對(duì)輸入的連續(xù)軌跡分別進(jìn)行等空間間隔重采樣和等時(shí)間間隔重采樣， 得到多個(gè)等距離采樣軌跡和多個(gè)等時(shí)間采樣軌跡； 特征提取模塊，用于提取各等距離采樣軌跡的形態(tài)特征，W及提取各等時(shí)間采樣軌跡 的速度特征； 軌跡識(shí)別模塊，用于根據(jù)所述形態(tài)特征采用模板匹配算法找出待選軌跡，并獲取待選 軌跡的起點(diǎn)和終點(diǎn)； 軌跡分割模塊，用于對(duì)所有待選軌跡的速度特征進(jìn)行分類(lèi)，去除不具備減速特性的待 選軌跡。
【文檔編號(hào)】G06K9/62GK106095104SQ201610442838
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月20日
【發(fā)明人】程洪, 唐竟人, 姬艷麗
【申請(qǐng)人】電子科技大學(xué)