一種改進的動態(tài)手勢識別的hmm模型訓(xùn)練算法
【專利摘要】本發(fā)明涉及一種改進的動態(tài)手勢識別的HMM模型訓(xùn)練算法。該方法步驟為：第一步采用mean-shift濾波算法對手勢圖像進行跟蹤；第二步將所跟蹤到的手勢圖像進行手勢特征提取與分割，提取人手質(zhì)心；第三步選取相鄰兩幀間質(zhì)心位置的方向矢量作為隱馬爾科夫模型的輸出觀察變量，并將軌跡夾角量化為18個等級；第四步對將要訓(xùn)練的觀察序列進行篩選；第五步在初始化時給各矩陣大致的概率分布；第六步根據(jù)觀察序列進行模型訓(xùn)練，得到動態(tài)手勢的隱馬爾科夫手勢模型。該算法相比傳統(tǒng)的隱馬爾科夫建模算法Baum-Welch算法，收斂速度大大提高，減少了訓(xùn)練過程中不必要的計算量。
【專利說明】一種改進的動態(tài)手勢識別的H圖模型訓(xùn)練算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于隱馬爾科夫模型算法，針對動態(tài)手勢識別中采用隱馬爾科夫模型算法訓(xùn)練模型數(shù)據(jù)時收斂慢、用時長等問題改進的動態(tài)手勢識別的HMM模型訓(xùn)練算法。
【背景技術(shù)】
[0002]近年來，基于視覺的手勢識別技術(shù)作為新穎的人際交互手段，得到了廣泛地關(guān)注?；谝曈X的手勢識別按識別內(nèi)容可分為靜態(tài)手形和動態(tài)手勢。靜態(tài)手形只是靜態(tài)的手指形態(tài)而不涉及手的運動；而動態(tài)手勢則側(cè)重于手的移動。本文應(yīng)用HMM (Hidden MarkovModel，隱馬爾科夫模型)的方法進行動態(tài)手勢軌跡的識別。HMM方法最早被用在語音識別上，并取得了巨大的成功，近年來，人們逐漸將其應(yīng)用到一些具有時空效應(yīng)的識別研究中，比如人臉識別、手勢識別等領(lǐng)域。
[0003]從圖2中可以看出，經(jīng)典的隱馬爾科夫模型建模算法先進行模型初始化，然后根據(jù)觀察序列隊求一個新的模型參數(shù)，通過Baum-Welch (前向后向算法)迭代不斷地重復(fù)根據(jù)觀察序列O改進模型參數(shù)，直至
Pio I $(概率密度)收斂，然后進行歸一化處理，此時的模型即為所求的模型。經(jīng)典的建模
訓(xùn)練算法使用的初始模型參數(shù)中的狀態(tài)轉(zhuǎn)移矩陣和觀察矩陣都是隨機設(shè)置的。
【權(quán)利要求】
1.一種改進的動態(tài)手勢識別的HMM模型訓(xùn)練算法，其特征在于:包括如下步驟， 步驟SOl:采用mean-shift濾波算法對手勢圖像進行跟蹤； 步驟S02:采用開閉運算、圖像閾值及漫水填充法對步驟SOl中跟蹤到的手勢圖像進行特征提取和分割，再通過質(zhì)心法提取人手質(zhì)心位置； 步驟S03:通過步驟S02得到每幀手勢圖像中人手質(zhì)心位置后，選取相鄰兩幀間人手質(zhì)心位置的方向矢量當(dāng)做HMM的觀察變量，多幀圖像中人手質(zhì)心構(gòu)成手勢軌跡，手勢軌跡中的所有觀察變量構(gòu)成該手勢軌跡的觀察序列； 步驟S04:對根據(jù)步驟S03得到的觀察序列進行篩選，保證訓(xùn)練結(jié)果的準確性； 步驟S05:根據(jù)數(shù)字1-9的書寫軌跡順序，給出數(shù)字1-9所對應(yīng)的初始狀態(tài)轉(zhuǎn)移概率矩陣和狀態(tài)輸出概率矩陣的概率分布； 步驟S06:根據(jù)步驟S04得到的觀察序列進行HMM訓(xùn)練，得到動態(tài)手勢的隱馬爾科夫手勢模型。
2.根據(jù)權(quán)利要求1所述的一種改進的動態(tài)手勢識別的HMM模型訓(xùn)練算法，其特征在于:所述步驟S05至步驟S06的具體實現(xiàn)過程如下: 步驟S 2 1:按照預(yù)設(shè)的數(shù)值初始化，即在|=0時刻參數(shù)；
【文檔編號】G06K9/00GK103902984SQ201410148695
【公開日】2014年7月2日 申請日期:2014年4月15日 優(yōu)先權(quán)日:2014年4月15日
【發(fā)明者】郭太良, 林志賢, 姚劍敏, 葉蕓, 林金堂 申請人:福州大學(xué)