一種基於加速度傳感器的手勢識別方法
2023-10-31 22:45:52
一種基於加速度傳感器的手勢識別方法
【專利摘要】本發明公開一種基於加速度傳感器的手勢識別方法。該方法首先採集三軸加速度傳感器信號,設計平滑去噪濾波器對信號進行預處理並自動實現手勢信號邊界的檢測;結合非手勢過濾策略,在模版匹配之前將非手勢數據過濾;採用動態規劃以及DTW算法,對待識別的手勢數據與存儲的模板數據進行匹配計算,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、限定路徑區域以及設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;利用模板自適應策略,自動更新樣本模板庫,提高手勢識別的精度。本發明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度,促進人機更加自由地交互。
【專利說明】一種基於加速度傳感器的手勢識別方法
【技術領域】
[0001]本發明是一種基於加速度傳感器的手勢識別方法,屬於人機互動【技術領域】。
【背景技術】
[0002]近年來隨著計算機技術和通訊技術的發展,用戶對計算機使用方便程度和人機互動要求越來越高,尤其在虛擬實境和可穿戴計算領域,傳統的人機互動手段如滑鼠和鍵盤越來越顯示出它們的局限性。手勢作為一種日常生活中常用的自然直觀的交流方式,能在許多特定場景表達特定的意義,相比於傳統人機互動中的鍵盤和滑鼠,手勢能以更加自由、自然的形式與機器交互。目前手勢識別的研究方法主要有三種:基於視覺的方法、基於肌電信號的方法和基於慣性傳感器的方法。基於圖像的手勢識別方法對設備要求高、資金投入大,並且限於在特定場所使用,會受到背景、拍攝角度和遮擋問題的影響,實時性能差。基於肌電信號的研究方法通過獲取手部肌電信號得到相關的動力學信息,以識別手勢。信號採集必須緊貼皮膚並在電極配置方面有較高的要求,目前僅限於實驗室研究。近年來,隨著傳感器技術的發展及其製作工藝的改進,基於加速度傳感器的手勢識別正日益興起。加速度傳感器不僅具有尺寸小、精度高、功耗低等優點,更具有不受運動場地和環境限制的優點,並不斷普及到以手機為代表的智能終端上,使智能終端具備越來越強大的感知能力。智能終端豐富的感知手段以及「隨時隨身」的特點,使得基於運動傳感器的手勢研究更為方便,具有更為廣闊的應用前景。
[0003]基於加速度傳感器的手勢識別的識別精度不斷提高,識別效率不斷改善,但是仍存在以下的不足:1、絕大多數研究工作都是基於專用的傳感器設備,在手勢識別的應用中用戶需要攜帶專用設備,不適合大範圍推廣應用。2、在手勢識別的過程中,需要用戶控制按鈕等額外操作來表示手勢的開始和結束,給用戶帶來額外的操作負擔,降低了用戶的體驗度。3、片面最求精度,開銷過大,沒有考慮到智能終端仍舊是資源受限的設備,尤其是電池續航能力。4、對手勢數據的處理過程中,沒有有效地區別手勢數據和非手勢數據,沒有在識別算法之前將非手勢數據剔除,降低手勢識別的效率,不利於智能終端的長久使用。5、由於手勢多樣性以及執行手勢個體的差異,同一識別方法,在不同人群中的識別率不同,需根據手勢的多樣性和手勢個體的差異性,採取有效的識別策略,提高手勢識別的效率和精度。
【發明內容】
[0004]本發明的目的:設計適合資源受限的智能終端的手勢識別算法,採用手勢邊界檢測策略,自動判定手勢的開始和結束,並結合非手勢過濾策略,有效地過濾非手勢數據,採用動態規劃以及DWT (Dynamic Time Warping,動態時間規整)算法的思想,設計手勢識別算法,提高手勢識別的效率;採用模板處適應策略,提高手勢識別的精度。
[0005]本發明為了達到上述目的採用的技術方案為:一種基於加速度傳感器的手勢識別算法,其步驟如下:
[0006]步驟(I)、手勢數據採集:利用智能終端上的加速度傳感器採集動態手勢的三維加速度信息;
[0007]步驟(2)、手勢數據平滑去噪:設計平滑濾波器對手勢過程中獲取的三軸加速度數據進行平穩去噪處理,剔除由於手勢過程中手的抖動及傳感器本身精度的噪聲幹擾;
[0008]步驟(3)、手勢邊界檢測:採取手勢運動判定策略,自動檢測手勢的開始和結束,不需要用戶額外手動指定,提高用戶體驗度;
[0009]步驟(4)、非手勢數據過濾:經過手勢邊界檢測的手勢數據送入非手勢過濾階段。非手勢過濾機制雖然不能判斷出具體手勢,但是能夠以較高的準確度判斷數據流是手勢數據還是非手勢數據;
[0010]步驟(5)、手勢數據量化:在手勢識別匹配計算之前,需要對手勢數據進行量化,減少手勢數據序列長度,提高計算效率;對於資源受限的智能終端來說非常實用;
[0011]步驟(6)、DTW算法匹配計算:利用DTW算法,對待識別的手勢數據與存儲的樣本模板數據進行匹配計算,從而找到與待識別手勢最近的樣本模板手勢,完成手勢識別的目的;
[0012]步驟(7)、模板自適應:手勢由於多義性和多樣性,不同的用戶在執行同一個手勢時,手勢數據序列會表現出明顯不同,需要根據用戶手勢習慣的變化,對樣本模板採取有效的自適應策略,選擇最適合的樣本模板。
[0013]進一步的,所述步驟(I)中的手勢數據採集的具體過程如下:人類手勢活動一般在IOHz左右,根據奈奎斯特定律,當採樣頻率大於信號中最高頻率的2倍時,採樣之後的數位訊號完整地保留了原始信號的信息。本發明採用的加速度傳感器的採樣頻率為50Hz。
[0014]進一步的,所述步驟⑵中的手勢數據平滑去噪的具體過程如下:採用SMA (Simple Moving Average,簡單移動平均線)濾波器的方法對獲取的加速度數據進行平穩地去噪處理,濾去由於手勢過程中不可避免的手的抖動以及傳感器本身精度所引起的噪聲幹擾。SMA濾波器中的數據序列長度η的大小關係到平滑的效果。η太小,平穩效果不明顯;η過大,平穩效果好,但是容易導致手勢信息丟失。參照經驗,數據序列的長度η去5至15。
[0015]進一步的,所述步驟(3)中的手勢邊界檢測的具體過程如下:通過門限值的策略,自動檢測手勢的開始和結束,而不需要用戶手動指定,從而提高用戶體驗度。如果採集的手勢數據能量值超過了某一門限值,則認為手勢運動開始;手勢開始之後,如果採集的手勢數據能量值在某一規定的時間段內沒有超過某一預定閥值,則認為手勢結束。基於門限值的手勢動作判定中,閥值的設置很大程度決定了判定的準確性。如果閥值過低,用戶不經意的細微動作都會判定為手勢的開始,閥值過高,則會錯過正常手勢的開始判定。本發明利用一個較強的閥值來檢測手勢的運動,在此基礎上通過向前和向後的兩個較小的閥值來判定手勢的開始和結束。
[0016]進一步的,所述步驟(4)中的非手勢數據過濾的具體過程如下:利用基於邊界限定的非手勢過濾主要考察手勢加速度的最大值、最小值是否在某一限定的範圍內,以及手勢的持續時長是否在某一限定範圍內。如果加速度大小和時間長度在限定範圍內,則認為是手勢數據;否則判定為非手勢數據,直接丟棄。判定範圍邊界值在訓練樣本模板數據時確定。
[0017]進一步的,所述步驟(5)中的手勢數據量化的具體過程如下:量化過程分兩步進行:一是重採樣,這樣既可保留手勢動作的信息,又大大減少了手勢數據序列的長度,從而減輕了後續模板匹配計算。二是將為浮點值的加速度數據轉換為整形數據,從而避免了浮點計算。這對於資源受限的智能終端來說是非常實用的。[0018]進一步的,所述步驟(6)的DTW算法匹配計算的具體實現過程如下:由於手勢存在多樣性,即使是重複同一個手勢,每次所獲取的手勢數據在空間和時間上也會表現出差異性。DTW算法基於動態規劃的思想,採用時間規整,消除待識別手勢數據以及樣本模板手勢數據時間上的差異性;利用DTW累積距離度量待識別手勢數據以及樣本模板手勢數據空間上的差異性,根據DTW累積距離的大小,識別出具體的手勢。
[0019]進一步的,所述步驟(7)的模板白適應的具體實現過程如下:DTW匹配算法將採集的數據與訓練的樣本模板進行匹配計算,樣本模板的好壞必然關係到匹配的精度。手勢由於其多義性和多樣性,不同的用戶在執行同一個手勢時,手勢數據序列會表現出明顯的不同;即使是同一個用戶執行同一個手勢,每次都有明顯的差別,需要根據用戶手勢習慣的變化,對樣本模板採取有效的自適應策略,選擇最適合的樣本模板,從而減少因用戶行為習慣對手勢識別系統的影響,提高手勢識別的精度。
【專利附圖】
【附圖說明】
[0020]圖1基於加速度傳感器的手勢識別方法框架;
[0021]圖2平滑去噪後右甩手勢三軸加速度測量值圖;
[0022]圖3右甩手勢三軸加速度能量值,變化值和加權總和值圖;
[0023]圖4基於能量閥值分割的右甩手勢邊界起止檢測圖。
【具體實施方式】
[0024]下面結合附圖與實施例對本發明作進一步的詳細描述:
[0025]本發明實施過程包括五個主要階段:對加速度傳感器信號預處理;在線對加速度信號序列進行分割分離出對應手勢運動序列;判別待測試的手勢運動序列是否為手勢運動數據還是非手勢運動序列;利用DTW算法和模板匹配原理識別出具體的手勢;手勢模板自適應調整。
[0026]階段一,即對加速度傳感器信號預處理,由於用戶移動或者在手勢過程中手不可避免的抖動以及傳感器本身精度的影響,加速度傳感器採集的手勢動作數據不可避免受到噪聲幹擾,利用SMA(Simple Moving Average,簡單移動平均線)濾波器的方法對獲取的加速度數據進行平穩去噪處理。SMA濾波器的推導公式如下所示:
[0027]Yi= (Xi+Xi^+AX^^!))/]! n = 1,2,3,4, A
[0028]上式中η表示數據序列的長度。η的大小關係到平滑的效果。η太小,平穩效果不明顯;η過大,平穩效果好,但是容易導致手勢信息丟失。參照經驗,視不同的情況,η—般取5 至 15。
[0029]計算的時候,可以直接使用下式:
[0030]Ynow = Yprevious-X1-n/n+Xi/n
[0031]手勢I的原始數據經過SM過濾器平穩後的數據如圖所示。
[0032]階段二,分割加速度信號序列分離出手勢加速度信號序列。通過門限值的策略,自動檢測手勢的開始和結束,而不需要用戶手動指定,從而提高用戶體驗度。如果採集的手勢數據能量值超過了某一門限值,則認為手勢運動開始;手勢開始之後,如果採集的手勢數據在某一規定的時間段內沒有超過某一預定閥值,則認為手勢結束。基於門限值的判定策略公式如下:
[0033]
【權利要求】
1.一種基於加速度傳感器的手勢識別方法,其特徵在於該方法步驟如下: 步驟(1)、手勢數據採集:利用智能終端上的加速度傳感器採集動態手勢的三維加速度?目息; 步驟(2)、手勢數據平滑濾波器:設計平滑濾波器對手勢過程中獲取的三軸加速度數據進行平穩去噪處理,剔除由於手勢過程中手的抖動及傳感器本身精度的噪聲幹擾; 步驟(3)、手勢邊界檢測:採取手勢運動判定策略,自動檢測手勢的開始和結束,不需要用戶額外手動指定,提高用戶體驗度; 步驟(4)、非手勢數據過濾:經過手勢邊界檢測的手勢數據送入非手勢過濾階段。非手勢過濾機制雖然不能判斷出具體手勢,但是能夠以較高的準確度判斷數據流是手勢數據還是非手勢數據; 步驟(5)、手勢數據量化:在手勢識別匹配計算之前,需要對手勢數據進行量化,減少手勢數據序列長度,提高計算效率;對於資源受限的智能終端來說非常實用; 步驟(6)、DTW算法匹配計算:利用DTW算法,對待識別的手勢數據與存儲的樣本模板數據進行匹配計算,從而找到與待識別手勢最近的樣本模板手勢,完成手勢識別的目的; 步驟(7)、模板自適應:手勢由於多義性和多樣性,不同的用戶在執行同一個手勢時,手勢數據序列會表現出明顯不同,需要根據用戶於勢習慣的變化,對樣本模板採取有效的自適應策略,選擇最適合的樣本模板。
2.根據權利要 求1所述的基於加速傳感器的運動識別方法,其特徵在於:所述步驟(2)中的手勢數據平滑去噪的具體過程如下:採用SMA(Simple Moving Average,簡單移動平均線)濾波器的方法對獲取的手勢加速度數據進行平穩去噪處理,濾去由於手勢過程中不可避免的手的抖動以及傳感器本身精度所引起的噪聲幹擾。
3.根據權利要求1所述的基於加速度傳感器的運動識別方法,其特徵在於:所述步驟(3)中的手勢邊界檢測的具體過程如下:通過門限值的策略,自動檢測手勢的開始和結束,而不需要用戶手動指定,從而提高用戶體驗度。如果採集的手勢數據能量值超過了某一門限值,則認為手勢運動開始;手勢開始之後,如果採集的手勢數據能量值在某一規定的時間段內沒有超過某一預定閥值,則認為手勢結束。
4.根據權利要求1所述的基於加速度傳感器的運動識別方法,其特徵在於:所述步驟(4)中的非手勢數據過濾的具體過程如下:利用基於邊界限定的非手勢過濾主要考察手勢加速度的最大值、最小值是否在某一限定的範圍內,以及手勢的持續時長是否在某一限定範圍內。如果加速度大小和時間長度在限定範圍內,則認為是手勢數據;否則判定為非手勢數據,直接丟棄。
5.根據權利要求1所述的基於加速度傳感器的運動識別方法,其特徵在於:所述步驟(5)中的手勢數據量化的具體過程如下:量化過程分兩步進行:一是重採樣,這樣既可保留手勢動作的信息,又大大減少了於勢數據序列的長度,從而減輕了後續模板匹配計算。二是將為浮點值的加速度數據轉換為整形數據,從而避免了浮點計算。
6.根據權利要求1所述的基於加速度傳感器的運動識別方法,其特徵在於:所述步驟(6)中的DTW匹配算法計算具體過程如下:由於手勢存在多樣性,即使是重複同一個手勢,每次所獲取的手勢數據在空間和時間上也會表現出差異性。DTW算法基於動態規劃的思想,採用時間規整,消除待識別手勢數據以及樣本模板手勢數據時間上的差異性;利用DTW累積距離度量待識別手勢數據以及樣本模板手勢數據空間上的差異性,根據DTW累積距離的大小,識別出具體的手勢。通過斜率限定曲線路徑、限定路徑區域以及設定失真門限值等策略,減輕模板匹配的計算量,降低手勢識別的開銷。
7.根據權利要求1所述的基於加速度傳感器的運動識別方法,其特徵在於:所述步驟(7)中的模板自適應具體過程如下:1、系統每天自動為每個手勢採集一個樣本模板,自動選擇當天DTW匹配距離最小的手勢數據作為該類手勢的樣本模板;2、當手勢識別錯誤時,有用戶指定對應手勢的樣本模板 。
【文檔編號】G06F3/01GK103543826SQ201310337137
【公開日】2014年1月29日 申請日期:2013年7月30日 優先權日:2013年7月30日
【發明者】章雲, 陳偉韜, 劉治, 陳泓屺 申請人:廣東工業大學