CN105279526B - 分割轨迹的方法和装置 - Google Patents
分割轨迹的方法和装置 Download PDFInfo
- Publication number
- CN105279526B CN105279526B CN201410265082.2A CN201410265082A CN105279526B CN 105279526 B CN105279526 B CN 105279526B CN 201410265082 A CN201410265082 A CN 201410265082A CN 105279526 B CN105279526 B CN 105279526B
- Authority
- CN
- China
- Prior art keywords
- track
- relativeness
- dividing
- point
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种分割轨迹的方法和装置。该轨迹分割方法包括:获取步骤,用于获取多个轨迹采样点;分割步骤,用于分割所述轨迹并且得到至少两个分割候选点;特征提取步骤,用于提取描述所述至少两个分割候选点之间的相对关系的一组特征;分类步骤,用于基于所提取的一组特征通过分类器将所述至少两个分割候选点分类为真分割点或假分割点。
Description
技术领域
本发明一般涉及轨迹识别领域,具体涉及分割轨迹的方法及其装置。
背景技术
近年来,轨迹识别被广泛地应用于人机交互***。手势识别的技术使得用户能够向电视、电脑、游戏盒和手机等发送指令。字符、句子或编码指令能够通过手势来表达。为了解码背后的含义或者控制目的设备的进一步操作,需要识别这些手势。
现有轨迹识别方法通常要求有意义的轨迹的位置作为输入。然而,要求这种输入可行常常不切实际,从而使得难以在许多真实世界场景中配置基于轨迹识别的***。因此,分割输入轨迹以便区分有意义的段和非目标段是非常重要的,并且将会影响下一个识别的结果。
现有技术1[文献1]提出了一种自动方法来分割3D手轨迹并基于这些手轨迹转录音素,以此作为识别美国手语的步骤。首先应用分割算法检测最小速度和方向角的最大变化,以分割自然标记句子的手部运动轨迹。这就产生了由经过训练的朴素贝叶斯检测器进一步处理以辨别真分割点并消除假警报的过度分割的轨迹。
本发明要解决的问题包括局部特征的目标依赖性和局限性。朴素贝叶斯网络用来在给定描述候选分割点的局部信息的四个节点的观测值的情况下推断查询节点的概率。所观测的四个节点由条件概率表(CPT)来代表,该条件概率表通过使用训练期间的所有节点的值的最大似然估计而被训练。CPT的计算依赖于目标(即有意义的轨迹段)。当改变目标时,需要重新计算CPT。
例如,在训练阶段提供表示“2 4 6”序列的连续轨迹。在测试阶段,给出“1 3 5”序列。由于现有技术1具有目标依赖性,因此现有技术1仅学习如何分离2、4和6。在测试阶段,改变了目标。因此,如何分离未训练的目标1、3和5有待解决。现有技术1的CPT方案确定其目标依赖性。
示例性轨迹如图1所示。分割后,获得三个分割点(SP)。两个是真分割点,如SP1和SP2所示;另外一个是噪声,或者称为假警报。现有技术1考虑了局部特征(例如局部速度或局部方向角)。如图1所示,SP1、SP2和噪声点都具有局部最小速度和局部最大方向角。因此,如何将噪声点的微小变化与其他两个真分割点区分开来仍未解决。
现有技术2[文献2]提出了基于CHMM(级联隐马尔可夫模型)的轨迹分割方法。首先,现有技术2训练手势模型和过渡手势模型,然后定义级联隐马尔可夫模型(HMM)结构。接着,比较手势模型和过渡模型之间的似然性以得到终点,并使用维特比算法进行追溯以得到起点。该方法需要追溯到前面的候选分割点,因此计算成本很高。
如上所述,仍然需要能够有效地分割轨迹并对噪声和干扰具有鲁棒性的目标独立性方法。
[引用文献列表]
1.W.W.Kong and Surendra Ranganath,Automatic Hand TrajectorySegmentation and Phoneme Transcription for Sign Language,8th IEEEInternational Conference on Automatic Face and Gesture Recognition,2008
2.Hee-Deok Yang,A-Yeon Park,and Seong-Whan Lee,Gesture Spotting andRecognition for Human-Robot Interaction,IEEE Transactions on Robotics,Vol.23,No.2,April2007
发明内容
鉴于上述问题中的至少一个而提出本发明。
在一个方面中,提供一种轨迹分割方法,其包括:获取步骤,用于获取多个轨迹采样点;分割步骤,用于分割所述轨迹并且得到至少两个分割候选点;特征提取步骤,用于提取描述所述至少两个分割候选点之间的相对关系的一组特征;分类步骤,用于基于所提取的一组特征通过分类器将所述至少两个分割候选点分类为真分割点或假分割点。
在一个实施方式中,所述一组特征包括:代表尺度特性的特征,或代表速度特性的特征,或代表方向特性的特征。
在一个实施方式中,所述相对关系是相邻分割候选点之间的相对关系;或者所述相对关系是不相邻的分割候选点之间的相对关系。
在一个实施方式中,所述分类器通过以下步骤生成:获取步骤,用于获取多个训练轨迹采样点;分割步骤,用于分割所述训练轨迹并且得到至少两个训练分割候选点;获取步骤,用于获取所述至少两个训练分割候选点的真值,其中,所述真值中的各个表示相应的训练分割候选点为真分割点或假分割点;提取步骤,用于提取描述所述至少两个训练分割候选点之间的相对关系的所述一组特征;训练步骤,用于基于描述所述至少两个训练分割候选点之间的相对关系的所述一组特征、以及所述至少两个训练分割候选点的真值,来训练分类器。
在一个实施方式中,所述相对关系是真值相同的至少两个训练分割候选点之间的相对关系;或者所述相对关系是真值不同的至少两个训练分割候选点之间的相对关系。
在一个实施方式中,所述相对关系是相邻的真训练分割点之间的相对关系;或者所述相对关系是相邻的假训练分割点之间的相对关系。
在一个方面中,提供一种轨迹识别方法,其包括:分割步骤,将输入轨迹分割为至少一个轨迹段;识别步骤,识别所述至少一个轨迹段。
在另一方面中,提供一种轨迹分割装置,其包括:获取单元,被配置为获取多个轨迹采样点;分割单元,被配置为分割所述轨迹并且得到至少两个分割候选点;特征提取单元,被配置为提取描述所述至少两个分割候选点之间的相对关系的一组特征;分类单元,被配置为基于所提取的一组特征通过分类器将所述至少两个分割候选点分类为真分割点或假分割点。
在另一方面中,提供一种轨迹识别装置,其包括:分割单元,被配置为将输入轨迹分割为至少一个轨迹段;识别单元,被配置为识别所述至少一个轨迹段。
在又一方面中,提供一种显示设备,其包括:轨迹生成单元,被配置为生成至少一个轨迹;轨迹识别装置;显示单元,被配置为显示与所述轨迹识别装置的结果相对应的内容。
在一个实施方式中,所述显示设备是移动电话、照相机、游戏盒、电视机或计算机中的任何一者。
附图说明
包含在说明书中并构成说明书的一部分的附图例示了本发明的实施例,并且与文字说明一起用来解释本发明的原理。
图1示意性示出了分割轨迹的示例。
图2是根据能够实施本发明的实施例的第一示例性***配置的示意性框图。
图3是根据能够实施本发明的实施例的第二示例性***配置的示意性框图。
图4是例示在图2和图3中的计算设备220的示例性硬件配置的框图。
图5是例示根据本发明的轨迹分割方法的一般流程图。
图6是例示根据本发明的分类器生成处理的流程图。
图7A至7D例示了要被分割的两个轨迹。图7A例示了两次向左手势的x轴时空曲线。图7B例示了x、y平面上的相应2D轨迹。图7C例示了向左、向右、向左和向右的交替手势的x轴时空曲线。图7D例示了x、y平面上的相应2D轨迹。
图8A至8D例示了针对图7A至7D的初步分割结果。
图9A至9C例示了尺度特征、速度特征和方向特征的示例性计算。
图10A至10D例示了针对图7A至7D中的轨迹的最终分割结果。
图11是根据本发明的轨迹分割装置的功能配置。
具体实施方式
下面将参照附图详细描述本发明的示例性实施例。应当注意,以下描述本质上仅是说明性的和示例性的,并且决不旨在限制本发明及其应用或用途。除非另有具体说明,在本实施例中阐述的部件和步骤、数值表达式和数值的相对配置不限制本发明的范围。另外,本领域技术人员已知的技术、方法和设备可以不作详细讨论,但在适当时被确定为本说明书的一部分。
接着,将说明本发明的详情。据观察,候选分割点之间的相对关系具有区别特征使得能够区分真分割点和假警报。首先,定义所涉及的术语。轨迹包含目标段和非目标段。目标段是有意义的。而非目标段是过渡性的或充满噪声的。
例如,操作员用一个手指形成了包括“8 6 4 2”字符序列的轨迹。由于期望的字符“8”、“6”、“4”或“2”的笔画弯曲,所以形成各个单独字符“8”、“6”、“4”或“2”的四个轨迹段也弯曲。在操作员完成一个字符的手势之后,通常,他的手指将直接快速地移到下一个字符的初始点。在这个过渡过程中的轨迹段一般不太弯曲,并且以较高平均速度完成该轨迹段。
这些特征非常独特以区分真分割点和形成字符的点。因此,利用反映候选分割点之间相对关系的这些特征来精确地分割轨迹是有效的。当然,上述情况仅是示例性的,并且目标不限于数字和字符。
本发明发掘了目标过渡期间的目标之间的特征,并且考虑了候选分割点之间的关系的特征,这些特征在测试轨迹中具有更大的尺度。
由于我们的方法量化了反映候选分割点(即,目标之间的特征,而不是目标内的特征)之间相对关系的特征,因此我们的方法不具有目标依赖性。
继续沿用前述的示例以说明本发明的方法。在训练阶段提供指示“2 4 6”序列的连续轨迹。在测试阶段,给出“1 3 5”序列。即使在训练阶段没有学习任何测试目标,本发明的方法仍然能够产生正确的分割。
此外,由噪声造成的干扰或者有关局部特征的微小变化都非常有影响。然而,对描述候选分割点之间相对关系的特征的这些干扰合适地受到本发明的方法抑制。
现在回到本发明的具体实施。首先,应该注意,本发明能够处理各种轨迹(2D或3D)。
图2是根据能够实施本发明的实施例的第一示例性***配置的示意性框图。手持设备200包括定位传感器210、与210连接的计算设备220以及与220连接的操作单元230。
定位传感器210可以是陀螺仪、加速计、深度传感器或RGB传感器。定位传感器210获取手持设备200的轨迹相关数据。计算设备220可以是集成电路芯片的形式,紧凑而易于被嵌入在手持设备200中。操作单元230被连接到220。在典型应用中,手持设备200可以是照相机或移动电话。传感器210将获取的轨迹数据发送到计算设备220。计算设备220分割轨迹,从而识别轨迹,并将暗示的控制命令输出到操作单元230。操作单元230可以具有各种形式,这取决于应用的目的。例如,操作单元230可以是显示器。当持有设备200的用户做出向左移动的手势时,设备200的显示器将会显示下一张图片。当持有设备200的用户做出向右移动的手势时,设备200的显示器将会显示前一张图片。
图3是根据能够实施本发明的实施例的第二示例性***配置的示意性框图。第二示例性***的传感器210、计算设备220和操作单元230在物理上分散,并且如图3所示连接,而不是集中在手持设备中。图3中所示的结构可以利用在诸如游戏盒、投影仪、或手势控制的电视机等应用中。
以投影机应用为例。用户手持遥控器,做出各种手势来控制投影画面。定位传感器210嵌入遥控器中。传感器210获取轨迹相关数据,并通过计算机网络250将轨迹相关数据发送到计算设备220。计算设备220分割轨迹,从而识别轨迹,并将暗示的控制命令输出到操作单元230。在该示例中,操作单元230对应于投影机。该投影机将实施由遥控器的轨迹暗示的控制命令。
图4是例示图2或图3中的计算设备220的示例性硬件配置的框图。
从定位传感器210到计算设备220的轨迹相关数据的传输通过输入/输出(IO)接口310来促进,该输入/输出(IO)接口310可以是符合通用串行总线(USB)标准并具有相应的USB连接器的串行总线。轨迹数据也可以从能够包括SIM卡、SD卡、USB存储卡等的本地存储设备240下载。
该轨迹数据通过I/O接口310获得并被发送到存储器350。布置处理器320以检索存储在存储器350中的公开方法的软件程序。也可以布置处理器320以取来、译码和执行根据公开方法的所有步骤,例如在图5、6、8、9和10中所示的步骤。处理器320使用***总线330,将各操作的结果记录到存储器350中。除存储器350之外,输出也能够经由I/O接口360更永久地存储在存储器设备240上。作为另选方案,输出可以用作控制操作单元230的命令。在某些情况下,操作单元230可以是游戏盒、投影仪、或者手势控制电视的显示器,并且使用音频/视频接口368将输出发送到操作单元230。
计算设备220可以是各种形式,例如,嵌入在图2中的手持设备中的处理***,或图3中的独立的计算设备220,可能移除一个或多个不必要的部件,或增加一个或多个附加的部件。
在下文中,将参照第一实施例和附图详细描述本发明的轨迹分割方法。
在本实施例中,提出了对手势的轨迹分割方法,特别是区分两个连续的手势轨迹。一个轨迹反复地呈现向左的手势;另一个轨迹交替地呈现向左、向右、向左、向右等手势。
图5示意性地示出了根据本发明的轨迹分割方法的一般流程图。在步骤S100中,获取步骤,获取多个轨迹采样点。如上所述,定位传感器210获取手持设备200的轨迹相关数据。然后,该数据被转换成轨迹采样点和相应的时间信息的坐标。
图7A例示了两次向左手势的x轴时空曲线。图7B例示了x、y平面上的相应2D轨迹。图7C例示了向左、向右、向左和向右的交替手势的x轴时空曲线。图7D例示了x、y平面上的相应2D轨迹。不用说,图7A和图7C能够替换为y轴时空曲线。
该实施例具有非常高的行业适用性。当用户想要从照相机浏览拍摄的图像时,提供了与两个不同的浏览指令对应的两套浏览手势。图7A和图7B指示按顺序逐个浏览图像;与此相反,图7C和图7D指示浏览第一个图像,再浏览第二个图像,然后交替地浏览第一个图像和最后第二个图像。
在步骤S200中,分别分割图7B和图7D中的轨迹。分割点(SP)候选可以从轨迹采样点中选择。轨迹通常包括目标段和非目标段。为了下一个轨迹识别,分割的目的是在目标段之间进行划分和在目标段与非目标段之间进行划分。
所提出的方法基于使用时空曲率的运动变化来获得初始SP候选。对图7A或图7C中的时空曲线的时空曲率的分析表明了突然变化发生在连续的轨迹中的位置。如果时空曲率大于给定的阈值,则存在运动变化,从而获取SP候选。
通过这样的处理,分别获得图7B和图7D的初始SP候选。这些SP候选由图8A至8D中的空心圆例示。请注意,并不限定获得初始SP候选的方法。所提出的时空曲率阈值法只是示例性的。毫无疑问,其他的分割方法也适用。
从图8A至8D中可以看出,步骤S200的结果被过度分割,因而作为将来识别的输入是不合需要的。此外,实施步骤S300,以将SP候选划分为真SP和假警报。提取描述SP候选之间的相对关系的一组特征。将参照由图7A和图7B定义的轨迹的处理来说明特征提取的原理。以相同的方式来进行由图7C和图7D定义的轨迹的处理,并且这里不需要给出重复的细节。
1.两个尺度特征。如图9A所示,弧长1在给定的SP和其前一个SP之间,而弧长2在给定的SP和其后一个SP之间。
请注意,尺度特征并不限于弧长,也可以选择诸如给定的SP和其相邻的SP之间的直线距离的其他尺寸。
2.两个速度特征:上述两个弧长除以各自的时间间隔。图9B是x轴时空曲线。在图9B中可以看出,T1是从前一个SP到给定的SP的时间间隔,而T2是从给定的SP到下一个SP的时间间隔。然后如下计算两个速度特征。
v1=ArcLength1/T1 (1)
v2=ArcLength2/T2 (2)
由于尺度特征并不限于弧长,因此相应地速度特征也不受限制。也可以选择其他速度特征,只要这些速度特征反映SP候选之间的相对关系即可。
如下列出其他速度特征的示例。
v1=Distance1/T1 (3)
v2=Distance2/T2 (4)
3.两个方向特征:如图9C所示,直线1与水平线之间的夹角θ1、以及直线2与水平线之间的夹角θ2。此外,直线1将给定的SP和其前一个SP连接,而直线2将给定的SP和其后一个SP连接。
不言自明,方向特征不限于上面说明的情况。也可以选择能够反映SP候选之间的相对关系的其他方向特征。例如,切线1与弧1相切,而切线2与弧2相切。θ1可以是切线1与垂直线之间的夹角,而θ2可以是切线2与垂直线之间的夹角。这里,水平线被替换为垂直线,这两者都用作基准线。
在上述示例中,提取描述相邻的SP候选之间的相对关系的特征。在其他实施方式中,能够提取描述不相邻的SP候选之间的相对关系的特征。对提取的特征的形式没有限制,只要该特征提供了区分真分割点和假报警之间的区别即可。
回到图5,在步骤S400中,通过分类器实施用于基于所提取的一组特征来将分割候选点分类为真和假警报的分类步骤。
利用所提取的特征的简单方式是为特征值设置预定的阈值。能够将SP候选分类为真或假警报。设置阈值的方法是分类器的简单形式。
事实上,轨迹往往是复杂的。为了获得良好的和自适应的分类结果,分类器可以在线或离线训练。生成分类器的示例性流程图如图6所示。
在步骤S10中,获取训练轨迹采样点。在步骤S20中,分割训练轨迹并得到至少两个训练SP候选。在步骤S30中,获取训练SP候选的真值(ground truth)。在步骤S40中,提取训练SP候选之间的一组特征。最后,在步骤S50中,基于训练SP候选的一组特征和训练SP候选的真值来训练分类器。
优选地,能够以另一种方式来实施步骤S30。在步骤S10中,同时获取训练轨迹采样点和它们各自的真值。然后,在步骤S20中,产生训练SP候选。因此,在步骤S30中,根据在步骤S10中获取的训练SP候选的真值来将训练SP候选标注为真或假。
对分类器的形式没有限制,只要在给定相关SP候选的提取特征的情况下,分类器能够输出SP候选是真还是假报警即可。在一个实施方式中,分类器是SVM(支持向量机)分类器。在另一个实施方式中,分类器是神经网络分类器。
在分类器训练方法的情况下,优选地,相对关系是真值相同的至少两个训练分割候选点之间的相对关系;或者相对关系是真值不同的至少两个训练分割候选点之间的相对关系。
在分类器训练方法的情况下,优选地,相对关系是相邻真训练分割点之间的相对关系。
在分类器训练方法的情况下,优选地,相对关系是相邻假训练分割点之间的相对关系。
此外,本发明公开了一种轨迹识别方法。该方法包括两个主要步骤。第一,根据前述任何一个轨迹分割方法来将输入轨迹分割为至少一个轨迹段。第二,识别该至少一个轨迹段。
通过上述处理,如图10A至10D所示,精确地分割轨迹。在图10A至10D中,实心矩形表示最终分割结果。
图11是根据本发明的轨迹分割装置的功能配置。轨迹分割装置以及包括在其中的单元能够由任何硬件、固件、软件或它们的任意组合来配置,只要该轨迹分割装置中的单元能够实现如上的轨迹分割方法的相应步骤的功能即可。
如果装置1100由软件部分或完全配置,则该软件被存储在计算机的存储器中(例如图4中的存储器350),并且计算机能够在计算机的处理器(例如图4中的部件320)通过执行存储的软件来进行处理时,实现本发明的轨迹分割的功能。在其他方面中,装置1100能够由硬件或固件部分或完全配置。装置1100能够作为功能模块并入计算设备220。
轨迹分割装置1100可以包括获取单元1101、分割单元1102、特征提取单元1103和分类单元1104。获取单元1101被配置为获取多个轨迹采样点;分割单元1102被配置为分割所述轨迹并得到至少两个分割候选点;特征提取单元1103被配置为提取描述所述至少两个分割候选点之间相对关系的一组特征;分类单元1104被配置为基于所提取一组特征通过分类器将所述至少两个分割候选点划分为真或假分割点。
本发明还公开了轨迹识别装置,其包括分割单元和识别单元。分割单元被配置为根据轨迹分割装置1100将输入轨迹分割为至少一个轨迹段;识别单元被配置为识别所述至少一个轨迹段。
注意,以上描述的单元能够代表可以是各种形式(例如,固件、硬件、软件或它们的任意组合)并实施已在前面描述的方法中的相应步骤的功能的任何部件。
[实验结果]
为了显现本发明的效果,进行用于示出根据上述实施例的方法的性能的实验。
对连续手势数据集进行了实验。从10个演示者收集该数据集。各演示者做了12个连续手势。各连续手势包括至少一个有意义的手势段和其他非目标手势段。解决方案使用SVM分类器将SP候选区分为真分割点和假警报。如下列出术语定义。TP表示真阳性;FP表示假阳性;FN表示假阴性。分类精度由公式(5)和(6)定义。
测试结果表明在保持准确率为85%以上的同时,召回率为90%以上。这意味着本发明的方法能够在将假阳性保持在一个很低水平的同时达到很高的召回率。该性能也证明了本发明的原理的有效性,也就是说,利用目标之间的特征,或者,考虑描述候选分割点之间的相对关系的特征。
由于所公开方法的计算成本低,因此对一个SP候选分类的速度大约为50ms,这能够满足实时计算的需求,并使得能够用手势控制进一步的实时任务。
[工业适用性]
本发明能够用于许多应用中。例如,本发明能够在显示设备中实施,该显示设备包括轨迹生成单元、上面公开的轨迹识别装置和显示单元。轨迹生成单元被配置为生成至少一个轨迹;显示单元被配置为显示与轨迹识别装置的结果相对应的内容。
该显示设备可以是以下任何一种形式:移动电话、照相机、游戏盒、电视机或计算机。
请注意,本说明书中所描述的方法和装置能够作为软件、固件、硬件或它们的任意组合来实施。某些部件例如可以作为在数字信号处理器或微处理器上运行的软件来实施。其他部件例如可以作为硬件和/或专用集成电路来实施。
能够以许多方式来执行本发明的方法和装置。例如,能够通过软件、硬件、固件或它们的任意组合来执行本发明的方法和装置。该方法的上述步骤的顺序仅用于说明,并且本发明的方法的步骤不限于上述具体描述的顺序,除非另有特别说明。此外,在一些实施例中,本发明还可以作为记录在记录介质中的程序来实施(包括用于执行根据本发明的方法的机器可读指令)。因此,本发明还包括存储用于执行根据本发明的方法的程序的记录介质。
虽然本发明的一些具体实施例已用示例详细演示,但是本领域的技术人员应该理解,上述示例仅是用于说明性的,而并不限制本发明的范围。本领域的技术人员应该理解,可以在不脱离本发明的范围和精神的情况下修改上述实施例。本发明的范围由所附的权利要求限定。
Claims (16)
1.一种轨迹分割方法,其包括:
获取步骤,用于获取多个轨迹采样点;
分割步骤,用于分割所述轨迹并且得到至少三个分割候选点;
特征提取步骤,用于提取描述所述至少三个分割候选点之间的相对关系的一组特征,其中所述一组特征是能够区分真分割点和假警报的区别特征;
分类步骤,用于基于所述一组特征通过分类器将所述至少三个分割候选点分类为真分割点或假警报。
2.根据权利要求1所述的轨迹分割方法,其中,所述一组特征包括:
代表尺度特性的特征,或
代表速度特性的特征,或
代表方向特性的特征。
3.根据权利要求1或2所述的轨迹分割方法,其中,所述相对关系是相邻分割候选点之间的相对关系;或者所述相对关系是不相邻的分割候选点之间的相对关系。
4.根据权利要求1所述的轨迹分割方法,其中,所述分类器通过以下步骤生成:
获取步骤,用于获取多个训练轨迹采样点;
分割步骤,用于分割所述训练轨迹并且得到至少三个训练分割候选点;
获取步骤,用于获取所述至少三个训练分割候选点的真值,其中,所述真值中的各个表示相应的训练分割候选点为真分割点或假警报;
提取步骤,用于提取描述所述至少三个训练分割候选点之间的相对关系的所述一组特征,其中所述一组特征是能够区分真分割点和假警报的区别特征;
训练步骤,用于基于描述所述至少三个训练分割候选点之间的相对关系的所述一组特征、以及所述至少三个训练分割候选点的真值,来训练分类器。
5.根据权利要求4所述的轨迹分割方法,其中,所述相对关系是真值相同的至少两个训练分割候选点之间的相对关系;或者
所述相对关系是真值不同的至少两个训练分割候选点之间的相对关系。
6.根据权利要求4所述的轨迹分割方法,其中,所述相对关系是相邻的真训练分割点之间的相对关系;或者
所述相对关系是相邻的假训练分割点之间的相对关系。
7.一种轨迹识别方法,其包括:
分割步骤,根据权利要求1至6中的任何一项所述的轨迹分割方法将输入轨迹分割为至少一个轨迹段;
识别步骤,识别所述至少一个轨迹段。
8.一种轨迹分割装置,其包括:
获取单元,被配置为获取多个轨迹采样点;
分割单元,被配置为分割所述轨迹并且得到至少三个分割候选点;
特征提取单元,被配置为提取描述所述至少三个分割候选点之间的相对关系的一组特征,其中所述一组特征是能够区分真分割点和假警报的区别特征;
分类单元,被配置为基于所述一组特征通过分类器将所述至少三个分割候选点分类为真分割点或假警报。
9.根据权利要求8所述的轨迹分割装置,其中,所述一组特征包括:
代表尺度特性的特征,或
代表速度特性的特征,或
代表方向特性的特征。
10.根据权利要求8或9所述的轨迹分割装置,其中,所述相对关系是相邻分割候选点之间的相对关系;或者所述相对关系是不相邻的分割候选点之间的相对关系。
11.根据权利要求8所述的轨迹分割装置,其中,所述分类器通过以下步骤生成:
获取步骤,用于获取多个训练轨迹采样点;
分割步骤,用于分割所述训练轨迹并且得到至少三个训练分割候选点;
获取步骤,用于获取所述至少三个训练分割候选点的真值,其中,所述真值中的各个表示相应的训练分割候选点为真分割点或假警报;
提取步骤,用于提取描述所述至少三个训练分割候选点之间的相对关系的所述一组特征,其中所述一组特征是能够区分真分割点和假警报的区别特征;
训练步骤,用于基于描述所述至少三个训练分割候选点之间的相对关系的所述一组特征、以及所述至少三个训练分割候选点的真值,来训练分类器。
12.根据权利要求11所述的轨迹分割装置,其中,所述相对关系是真值相同的至少两个训练分割候选点之间的相对关系;或者
所述相对关系是真值不同的至少两个训练分割候选点之间的相对关系。
13.根据权利要求11所述的轨迹分割装置,其中,所述相对关系是相邻的真训练分割点之间的相对关系;或者
所述相对关系是相邻的假训练分割点之间的相对关系。
14.一种轨迹识别装置,其包括:
分割单元,被配置为根据权利要求8至13中的任何一项所述的轨迹分割装置将输入轨迹分割为至少一个轨迹段;
识别单元,被配置为识别所述至少一个轨迹段。
15.一种显示设备,其包括:
轨迹生成单元,被配置为生成至少一个轨迹;
根据权利要求14所述的轨迹识别装置;
显示单元,被配置为显示与所述轨迹识别装置的结果相对应的内容。
16.根据权利要求15所述的显示设备,其中,所述显示设备是移动电话、照相机、游戏盒、电视机或计算机中的任何一者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265082.2A CN105279526B (zh) | 2014-06-13 | 2014-06-13 | 分割轨迹的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265082.2A CN105279526B (zh) | 2014-06-13 | 2014-06-13 | 分割轨迹的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279526A CN105279526A (zh) | 2016-01-27 |
CN105279526B true CN105279526B (zh) | 2019-11-29 |
Family
ID=55148507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410265082.2A Active CN105279526B (zh) | 2014-06-13 | 2014-06-13 | 分割轨迹的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279526B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135428B (zh) * | 2019-04-11 | 2021-06-04 | 北京航空航天大学 | 图像分割处理方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968618A (zh) * | 2012-10-24 | 2013-03-13 | 浙江鸿程计算机***有限公司 | 一种融合BoF模型和谱聚类算法的静态手势识别方法 |
CN103415825A (zh) * | 2010-12-29 | 2013-11-27 | 汤姆逊许可公司 | 用于手势识别的***和方法 |
CN103679213A (zh) * | 2013-12-13 | 2014-03-26 | 电子科技大学 | 一种3d手势识别方法 |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003217587A1 (en) * | 2002-02-15 | 2003-09-09 | Canesta, Inc. | Gesture recognition system using depth perceptive sensors |
-
2014
- 2014-06-13 CN CN201410265082.2A patent/CN105279526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103415825A (zh) * | 2010-12-29 | 2013-11-27 | 汤姆逊许可公司 | 用于手势识别的***和方法 |
CN102968618A (zh) * | 2012-10-24 | 2013-03-13 | 浙江鸿程计算机***有限公司 | 一种融合BoF模型和谱聚类算法的静态手势识别方法 |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
CN103679213A (zh) * | 2013-12-13 | 2014-03-26 | 电子科技大学 | 一种3d手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105279526A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824916B2 (en) | Weakly supervised learning for classifying images | |
US10109219B2 (en) | System and method for automated sign language recognition | |
Abid et al. | Dynamic sign language recognition for smart home interactive application using stochastic linear formal grammar | |
US8436821B1 (en) | System and method for developing and classifying touch gestures | |
WO2020244075A1 (zh) | 手语识别方法、装置、计算机设备及存储介质 | |
JP6571108B2 (ja) | モバイル機器用三次元ジェスチャのリアルタイム認識及び追跡システム | |
EP2973427B1 (en) | Continuous interaction learning and detection in real-time | |
Ahmad et al. | Inertial sensor data to image encoding for human action recognition | |
CN104881673B (zh) | 基于信息整合的模式识别的方法和*** | |
CN103649967A (zh) | 动态手势识别方法和编辑*** | |
Mehrotra et al. | Indian sign language recognition using kinect sensor | |
Bhuyan et al. | Trajectory guided recognition of hand gestures having only global motions | |
WO2022247403A1 (zh) | 关键点检测方法、电子设备、程序及存储介质 | |
Caputo et al. | SFINGE 3D: A novel benchmark for online detection and recognition of heterogeneous hand gestures from 3D fingers’ trajectories | |
CN109829431B (zh) | 用于生成信息的方法和装置 | |
CN114418124A (zh) | 生成图神经网络模型的方法、装置、设备及存储介质 | |
Fakhfakh et al. | Deep Learning Shape Trajectories for Isolated Word Sign Language Recognition. | |
CN105279526B (zh) | 分割轨迹的方法和装置 | |
Sarma et al. | Real-Time Indian Sign Language Recognition System using YOLOv3 Model | |
JP6393495B2 (ja) | 画像処理装置および物体認識方法 | |
KR101840014B1 (ko) | 음악 매칭 댄싱 동작 인식 장치 및 매칭 방법 | |
Gavrilescu | Recognizing human gestures in videos by modeling the mutual context of body position and hands movement | |
Bhuyan et al. | Hand motion tracking and trajectory matching for dynamic hand gesture recognition | |
Zhang et al. | Arsketch: Sketch-based user interface for augmented reality glasses | |
KR20120062168A (ko) | 부분 궤적 인식 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |