本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是涉及一種手勢(shì)交互方法及系統(tǒng)。

背景技術(shù)：

部分現(xiàn)有的游戲設(shè)備(如xbox、kinect等產(chǎn)品)實(shí)現(xiàn)了手勢(shì)交互操作?，F(xiàn)有的實(shí)時(shí)手勢(shì)交互基于模式識(shí)別或運(yùn)動(dòng)檢測(cè)模擬簡(jiǎn)單的交互操作。

當(dāng)前流行的手勢(shì)識(shí)別算法有以下三種:

(1)基于模式匹配的手勢(shì)識(shí)別。將手勢(shì)的區(qū)域特征用作待識(shí)別的特征，使用預(yù)設(shè)環(huán)境參數(shù)對(duì)目標(biāo)進(jìn)行仿射變換后匹配預(yù)設(shè)模板。該方法有較強(qiáng)穩(wěn)定性，但識(shí)別不夠靈活，容錯(cuò)度很低，實(shí)時(shí)性能較低，當(dāng)遇到變異的目標(biāo)時(shí)表現(xiàn)得無(wú)能為力。

(2)基于隱馬爾可夫模型(hmm)的手勢(shì)識(shí)別。用于動(dòng)態(tài)手勢(shì)識(shí)別能夠較好的地描述手勢(shì)的時(shí)空變化，但其算法時(shí)間復(fù)雜度較大，效率低下，不能很好地滿足實(shí)時(shí)交互的需求。

(3)基于人工神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別。計(jì)算速度更快，魯棒性和泛化能力都比較有優(yōu)勢(shì)，但由于其對(duì)時(shí)間序列的處理能力不強(qiáng)，對(duì)于動(dòng)態(tài)手勢(shì)的識(shí)別效果不佳。

綜上所述，現(xiàn)有技術(shù)的手勢(shì)交互方法均存在實(shí)時(shí)性不夠理想的問題。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種手勢(shì)交互方法及系統(tǒng)，以解決現(xiàn)有技術(shù)的授時(shí)交互方法存在的實(shí)時(shí)性不理想的技術(shù)問題。

第一方面，本發(fā)明實(shí)施例提供了手勢(shì)交互方法，其特征在于，包括以下步驟：

實(shí)時(shí)采集手勢(shì)的三維圖像；

對(duì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像；

對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣；

對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣；

修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量；

交互類狀態(tài)機(jī)根據(jù)輸出交互向量進(jìn)行狀態(tài)更新；

判斷更新后的狀態(tài)有無(wú)設(shè)定的改變，若無(wú)，則直接結(jié)束交互；若有，則觸發(fā)交互動(dòng)作，并結(jié)束交互。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中，修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量，具體為：

步驟1.對(duì)修正二值矩陣進(jìn)行卷積和下采樣；

步驟2.判斷卷積和下采樣的次數(shù)是否大于設(shè)定次數(shù)，若是，則執(zhí)行步驟3，若否，執(zhí)行步驟1；

步驟3.將卷積和下采樣后的卷積向量進(jìn)行全連接計(jì)算，并輸出交互向量。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第二種可能的實(shí)施方式，其中，對(duì)修正二值矩陣進(jìn)行卷積和下采樣，具體為：

將修正二值矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入值進(jìn)行卷積得到特征矩陣：

其中，f為激活函數(shù)，所述激活函數(shù)為tanh、sigmoid或relu，k為權(quán)值，b為偏置；

對(duì)特征矩陣進(jìn)行下采樣，具體如下：

其中，d為采樣函數(shù)。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第三種可能的實(shí)施方式，其中，全連接計(jì)算通過反向傳播算法調(diào)整權(quán)值。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種可能的實(shí)施方式，其中，預(yù)處理方法為快速傅里葉變換、局部自適應(yīng)閾值算法和形態(tài)學(xué)中的一種或多種，且形態(tài)學(xué)預(yù)處理方法優(yōu)選膨脹和腐蝕。

結(jié)合第一方面及其上述實(shí)施方式，本發(fā)明實(shí)施例提供了第一方面的第五種可能的實(shí)施方式，其中，深度卷積神經(jīng)網(wǎng)絡(luò)為決策樹融合深度卷積神經(jīng)網(wǎng)絡(luò)。

第二方面，本發(fā)明實(shí)施例還提供一種手勢(shì)交互系統(tǒng)，包括：

圖像采集模塊，用于實(shí)時(shí)采集手勢(shì)的三維圖像；

預(yù)處理模塊，用于對(duì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像；

圖像分割模塊，用于對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣；

修正模塊，用于對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣；

深度卷積神經(jīng)網(wǎng)絡(luò)模塊，用于使修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量；

交互類狀態(tài)機(jī)模塊，用于根據(jù)輸出交互向量進(jìn)行狀態(tài)更新；

判斷模塊，用于判斷更新后的狀態(tài)有無(wú)設(shè)定的改變，若有，則觸發(fā)交互動(dòng)作，并結(jié)束交互；若無(wú)，則直接結(jié)束交互。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第一種可能的實(shí)施方式，其中，深度卷積神經(jīng)網(wǎng)絡(luò)模塊包括卷積和下采樣單元、判斷單元和全連接計(jì)算單元；

卷積和下采樣單元用于對(duì)修正二值矩陣進(jìn)行卷積和下采樣；

判斷單元用于判斷卷積和下采樣的次數(shù)是否大于設(shè)定次數(shù)，若否，則通過卷積和下采樣單元繼續(xù)對(duì)修正二值矩陣進(jìn)行卷積和下采樣；若是，則通過全連接計(jì)算單元將卷積和下采樣后的卷積向量進(jìn)行全連接計(jì)算，并輸出交互向量。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第二種可能的實(shí)施方式，其中，卷積和下采樣單元包括卷積子單元和下采樣子單元；

卷積子單元用于將修正二值矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入值進(jìn)行卷積得到特征矩陣，如下：

其中，f為激活函數(shù)，激活函數(shù)為tanh、sigmoid或relu，k為權(quán)值，b為偏置；

下采樣子單元用于對(duì)特征矩陣進(jìn)行所述下采樣，如下：

其中，d為采樣函數(shù)。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第三種可能的實(shí)施方式，其中，全連接計(jì)算單元通過反向傳播算法調(diào)整權(quán)值。

本發(fā)明實(shí)施例帶來了以下有益效果：

本發(fā)明實(shí)施例提供的一種手勢(shì)交互方法，對(duì)實(shí)時(shí)采集的手勢(shì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像；對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣；對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣；修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量，且修正二值矩陣大量的點(diǎn)為0值，大大降低了數(shù)據(jù)計(jì)算的復(fù)雜度，進(jìn)而降低了運(yùn)算時(shí)間；交互類狀態(tài)機(jī)根據(jù)輸出交互向量進(jìn)行狀態(tài)更新，然后判斷更新后的狀態(tài)是否有設(shè)定的改變，并根據(jù)判斷結(jié)果執(zhí)行相應(yīng)的動(dòng)作，深度卷積神經(jīng)網(wǎng)絡(luò)通過其高分類水平提高了交互類狀態(tài)機(jī)狀態(tài)更新的準(zhǔn)確性，降低了算法的時(shí)間復(fù)雜度，實(shí)現(xiàn)了不需要太高的硬件配置即可實(shí)現(xiàn)實(shí)時(shí)手勢(shì)交互的目標(biāo)。

本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。

附圖說明

為了更清楚地說明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)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)施方式，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)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的手勢(shì)交互方法的流程圖；

圖2為本發(fā)明實(shí)施例提供的深度卷積神經(jīng)網(wǎng)絡(luò)的流程圖；

圖3為本發(fā)明實(shí)施例提供的手勢(shì)交互系統(tǒng)的示意圖；

圖4為本發(fā)明實(shí)施例提供的深度卷積神經(jīng)網(wǎng)絡(luò)模塊的示意圖。

圖標(biāo)：100-圖像采集模塊；101-預(yù)處理模塊；102-圖像分割模塊；103-修正模塊；104-深度卷積神經(jīng)網(wǎng)絡(luò)模塊；1041-卷積和下采樣單元；1042-判斷單元；1043-全連接計(jì)算單元；105-交互類狀態(tài)機(jī)模塊；106-判斷模塊。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明的技術(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)人員在沒有做出創(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。

目前的手勢(shì)交互方法存在實(shí)時(shí)性不理想的問題，基于此，本發(fā)明實(shí)施例提供了一種手勢(shì)交互方法及系統(tǒng)，實(shí)現(xiàn)手勢(shì)交互的實(shí)時(shí)性。

為便于對(duì)本實(shí)施例進(jìn)行理解，首先對(duì)本發(fā)明實(shí)施例所公開的一種手勢(shì)交互方法。

實(shí)施例1：

如圖1所示，本發(fā)明實(shí)施例提供了一種手勢(shì)交互方法，具體步驟如下：

s100.實(shí)時(shí)采集手勢(shì)的三維圖像

通過攝像頭實(shí)時(shí)采集手勢(shì)的動(dòng)態(tài)三維圖像。

s101.對(duì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像

對(duì)所采集的三維圖像進(jìn)行預(yù)處理，本實(shí)施例中的預(yù)處理方法優(yōu)選為快速傅里葉變換、局部自適應(yīng)閾值算法和形態(tài)學(xué)中的一種或多種，且形態(tài)學(xué)預(yù)處理方法優(yōu)選為膨脹和腐蝕。通過快速傅里葉變換消除噪音，通過局部自適應(yīng)閾值算法進(jìn)行二值化，消除光照影響，通過膨脹腐蝕等形態(tài)學(xué)操作突出圖像中感興趣部分。

s102.對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣

生成預(yù)處理后的三維圖像的二值矩陣，并優(yōu)選通過candy算法提取預(yù)處理后的三維圖像的邊緣矩陣。

s103.對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣

對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣做與運(yùn)算，得到輪廓及目標(biāo)團(tuán)塊矩陣，即修正二值矩陣。

s104.修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量

如圖2所示，本實(shí)施例中的深度卷積神經(jīng)網(wǎng)絡(luò)的具體實(shí)施步驟優(yōu)選如下：

s1041.對(duì)修正二值矩陣進(jìn)行卷積和下采樣。

將修正二值矩陣輸入以下卷積公式進(jìn)行卷積操作：

其中，f為激活函數(shù)，激活函數(shù)優(yōu)選為tanh、sigmoid或relu，k為權(quán)值，b為偏置。本步驟通過卷積操作提取特征矩陣。

由于二值矩陣大量的點(diǎn)為0值，采用修正二值矩陣作為卷積的輸入可大大簡(jiǎn)化計(jì)算，一次卷積完成得到的結(jié)果矩陣即為上層的特征矩陣。

對(duì)特征矩陣通過以下公式進(jìn)行下采樣：

其中，d為采樣函數(shù)。

s1042.判斷卷積和下采樣的次數(shù)是否大于設(shè)定次數(shù)，若否，則執(zhí)行步驟s1041；若是，則執(zhí)行步驟s1043。

卷積和下采樣的設(shè)定次數(shù)可以根據(jù)實(shí)際需求進(jìn)行設(shè)定，本實(shí)施例中卷積和下采樣的次數(shù)為2-5次，優(yōu)選為3次，卷積-下采樣這個(gè)過程迭代次數(shù)為3時(shí)可減少步驟s1043中全連接的計(jì)算量，并且可避免由于特征提取過多導(dǎo)致的過擬合，增強(qiáng)了網(wǎng)絡(luò)結(jié)構(gòu)處理位移問題時(shí)的魯棒性。

s1043.將卷積和下采樣后的卷積向量進(jìn)行全連接計(jì)算，并輸出交互向量

本步驟優(yōu)選僅有一層為全連接層，且優(yōu)選僅在全連接層通過反向傳播算法更新權(quán)值，既避免了反向傳播算法在針對(duì)復(fù)雜目標(biāo)函數(shù)時(shí)時(shí)間復(fù)雜度較高，又達(dá)到了訓(xùn)練權(quán)值和提高整體效率的效果。

s105.交互類狀態(tài)機(jī)根據(jù)所述輸出交互向量進(jìn)行狀態(tài)更新

預(yù)先定義狀態(tài)機(jī)不同狀態(tài)所對(duì)應(yīng)的交互方式，比如：觸摸、點(diǎn)擊、長(zhǎng)按、多點(diǎn)交互等系列動(dòng)作。將深度卷積神經(jīng)網(wǎng)絡(luò)輸出的交互向量輸入至交互類狀態(tài)機(jī)，交互類狀態(tài)機(jī)根據(jù)交互向量的變化進(jìn)行狀態(tài)更新。

s106.判斷更新交互類狀態(tài)機(jī)的向量是否有設(shè)定的改變，若有則觸發(fā)交互動(dòng)作，并結(jié)束交互；若否，則直接結(jié)束交互

判斷更新交互類狀態(tài)機(jī)的狀態(tài)有無(wú)出現(xiàn)預(yù)先設(shè)定的某種改變，若有則觸發(fā)預(yù)先設(shè)定的與此種改變相應(yīng)的交互動(dòng)作，動(dòng)作觸發(fā)后結(jié)束此次交互判斷，若沒有出現(xiàn)預(yù)先設(shè)定的某種改變，則判定手勢(shì)沒有有效的動(dòng)作改變，直接結(jié)束此次交互判斷。

本實(shí)施例對(duì)實(shí)時(shí)采集的手勢(shì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像；對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣；對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣；修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量，且修正二值矩陣大量的點(diǎn)為0值，大大降低了數(shù)據(jù)計(jì)算的復(fù)雜度，進(jìn)而降低了運(yùn)算時(shí)間；交互類狀態(tài)機(jī)根據(jù)輸出交互向量進(jìn)行狀態(tài)更新，然后判斷更新后的狀態(tài)是否有設(shè)定的改變，并根據(jù)判斷結(jié)果執(zhí)行相應(yīng)的動(dòng)作，深度卷積神經(jīng)網(wǎng)絡(luò)通過其高分類水平提高了交互類狀態(tài)機(jī)狀態(tài)更新的準(zhǔn)確性，降低了算法的時(shí)間復(fù)雜度，實(shí)現(xiàn)了不需要太高的硬件配置即可實(shí)現(xiàn)實(shí)時(shí)手勢(shì)交互的目標(biāo)。

作為本實(shí)施例的另一種實(shí)施方式，本實(shí)施例中的深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)選為決策樹融合深度卷積神經(jīng)網(wǎng)絡(luò)，融合方法為：將深度卷積神經(jīng)網(wǎng)絡(luò)的隱含層與全連接層設(shè)為樹狀結(jié)構(gòu)，下層為上層的分支之一，并將分支發(fā)送給不同的節(jié)點(diǎn)，因此下層數(shù)據(jù)是基于上層數(shù)據(jù)的子集，大大降低了數(shù)據(jù)的計(jì)算量，其中路由輸出使用softmax歸一后的概率來決定數(shù)據(jù)應(yīng)發(fā)送給哪個(gè)子節(jié)點(diǎn)。此過程可在gpu上執(zhí)行并行計(jì)算，加快處理速度。

實(shí)施例2：

如圖3所示，本實(shí)施例提供了一種交互裝置，包括圖像采集模塊100、預(yù)處理模塊101、圖像分割模塊102、修正模塊103、深度卷積神經(jīng)網(wǎng)絡(luò)模塊104、交互類狀態(tài)機(jī)模塊105和判斷模塊106，圖像采集模塊100用于實(shí)時(shí)采集手勢(shì)的三維圖像；預(yù)處理模塊101用于對(duì)三維圖像進(jìn)行預(yù)處理，得到預(yù)處理后的三維圖像；圖像分割模塊102用于對(duì)預(yù)處理后的三維圖像進(jìn)行邊緣提取和二值化，生成邊緣矩陣和二值矩陣；修正模塊103用于對(duì)邊緣矩陣進(jìn)行目標(biāo)封閉區(qū)域填充，并將目標(biāo)封閉區(qū)域填充后的邊緣矩陣與二值矩陣進(jìn)行與計(jì)算，生成修正二值矩陣；深度卷積神經(jīng)網(wǎng)絡(luò)模塊104用于使修正二值矩陣經(jīng)深度卷積神經(jīng)網(wǎng)絡(luò)處理輸出交互向量；交互類狀態(tài)機(jī)模塊105用于根據(jù)輸出交互向量進(jìn)行狀態(tài)更新；判斷模塊106用于判斷更新后的狀態(tài)有無(wú)設(shè)定的改變，若有，則觸發(fā)交互動(dòng)作，并結(jié)束交互；若無(wú)，則直接結(jié)束交互。

本發(fā)明實(shí)施例中的修正二值矩陣大量的點(diǎn)為0值，大大降低了數(shù)據(jù)計(jì)算的復(fù)雜度，進(jìn)而降低了運(yùn)算時(shí)間；降低了算法的時(shí)間復(fù)雜度，實(shí)現(xiàn)了不需要太高的硬件配置即可實(shí)現(xiàn)實(shí)時(shí)手勢(shì)交互的目標(biāo)，深度卷積神經(jīng)網(wǎng)絡(luò)提高了交互類狀態(tài)機(jī)狀態(tài)更新的準(zhǔn)確率。

如圖4所示，作為本實(shí)施例的一種優(yōu)選實(shí)施方式，本實(shí)施例中的深度卷積神經(jīng)網(wǎng)絡(luò)模塊包括卷積和下采樣單元1041、判斷單元1042和全連接計(jì)算單元1043；卷積和下采樣單元1041用于對(duì)修正二值矩陣進(jìn)行卷積和下采樣；判斷單元1042用于判斷卷積和下采樣的次數(shù)是否大于設(shè)定次數(shù)；若否，則通過卷積和下采樣單元1041繼續(xù)進(jìn)行卷積和下采樣；若是，則通過全連接計(jì)算單元1043將卷積和下采樣后的卷積向量進(jìn)行全連接計(jì)算，并輸出交互向量。

優(yōu)選地，卷積和下采樣單元1041包括卷積子單元和下采樣子單元；卷積子單元用于將修正二值矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入值進(jìn)行卷積得到特征矩陣，如下：

其中，f為激活函數(shù)，激活函數(shù)為tanh、sigmoid或relu，k為權(quán)值，b為偏置；

下采樣子單元用于對(duì)特征矩陣進(jìn)行下采樣，如下：

其中，d為采樣函數(shù)。

此外，深度卷積神經(jīng)模塊優(yōu)選僅包括一層全連接層，且該全連接計(jì)算單元1043優(yōu)選通過反向傳播算法調(diào)整權(quán)值，既避免了反向傳播算法在針對(duì)復(fù)雜目標(biāo)函數(shù)時(shí)時(shí)間復(fù)雜度較大的問題，又達(dá)到了訓(xùn)練權(quán)值和提高整體效率的效果。

本發(fā)明實(shí)施例提供的手勢(shì)交互系統(tǒng)，與上述實(shí)施例提供的手勢(shì)交互方法具有相同的技術(shù)特征，所以也能解決相同的技術(shù)問題，達(dá)到相同的技術(shù)效果。

本發(fā)明實(shí)施例所提供的手勢(shì)交互方法及系統(tǒng)的計(jì)算機(jī)程序產(chǎn)品，包括存儲(chǔ)了程序代碼的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實(shí)施例中所述的方法，具體實(shí)現(xiàn)可參見方法實(shí)施例，在此不再贅述。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)和裝置的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。

另外，在本發(fā)明實(shí)施例的描述中，除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。

所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

最后應(yīng)說明的是：以上所述實(shí)施例，僅為本發(fā)明的具體實(shí)施方式，用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制，本發(fā)明的保護(hù)范圍并不局限于此，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改或可輕易想到變化，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實(shí)施例技術(shù)方案的精神和范圍，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。