張瑩瑩，郭 星

(1.安徽大學(xué) 計(jì)算智能與信號處理重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039；2.安徽大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 合肥 230601)

基于Kinect動態(tài)手勢識別算法的研究與實(shí)現(xiàn)

張瑩瑩1，郭 星2

(1.安徽大學(xué) 計(jì)算智能與信號處理重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230039；2.安徽大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 合肥 230601)

隨著計(jì)算機(jī)技術(shù)和信息化的發(fā)展，人機(jī)交互在辦公以及生活中顯得越來越重要。由于手勢具有靈活、直觀、簡單等優(yōu)點(diǎn)，成為人機(jī)交互研究的重要領(lǐng)域。針對手勢識別技術(shù)在自然人機(jī)交互中對時(shí)間和準(zhǔn)確度要求較高的問題，提出一種新的手勢識別算法(IDTW-K)。該算法對經(jīng)典動態(tài)時(shí)間規(guī)整(Dynamic Time Warping,DTW)算法進(jìn)行了改進(jìn)。利用節(jié)點(diǎn)在運(yùn)動序列中的距離方差對各個(gè)節(jié)點(diǎn)進(jìn)行權(quán)值動態(tài)分配，并對DTW的搜索路徑進(jìn)行了詳細(xì)的分析，采用點(diǎn)和線相結(jié)合的范圍約束防止其搜索不合理以及優(yōu)化DTW算法的計(jì)算速度，并結(jié)合KNN算法提高了手勢識別效率。通過實(shí)驗(yàn)對IDTW-K算法、改進(jìn)的DTW算法和傳統(tǒng)的DTW算法進(jìn)行了對比，結(jié)果表明所提出的算法在精準(zhǔn)度和識別速率上有一定的提高。

人機(jī)交互；特征提?。皇謩葑R別；加權(quán)動態(tài)時(shí)間規(guī)整算法；K近鄰算法

0 引 言

近年來，由于計(jì)算機(jī)技術(shù)的發(fā)展，人機(jī)交互在實(shí)際生活中越來越重要[1]。人機(jī)交互也由傳統(tǒng)的輸入設(shè)備(如鼠標(biāo)、鍵盤等)逐步向以語音、動作等智能的輸入設(shè)備發(fā)展。其中由于手勢具有簡單、靈活、易懂等優(yōu)點(diǎn)，廣泛應(yīng)用于動作識別的研究領(lǐng)域中。手勢識別作為一種智能的輸入設(shè)備具有廣泛的應(yīng)用前景，例如智能家居、智能游戲以及先進(jìn)的教育產(chǎn)品等。

國外學(xué)者對于手勢識別技術(shù)的研究起步較早。1983年，Grimes提出手勢識別并最早采用佩戴數(shù)據(jù)手套進(jìn)行識別的方式。2011年，J.L.Raheja提出了利用Kinect跟蹤手指間和手掌中心的方法。G.F.He等在利用Kinect分割出手部區(qū)域后，使用Graham Scan算法進(jìn)行各個(gè)手指的區(qū)分等等[2]。目前，研究較多的是隱馬爾可夫算法(HMM)[3]、神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)(SVM)和動態(tài)時(shí)間規(guī)則算法(DTW)[4]。DTW算法在分類長短不同的序列上有絕對優(yōu)勢，這是前幾種算法不可代替的。Carmona等對DTW算法應(yīng)用于手勢識別進(jìn)行了研究，并強(qiáng)烈建議使用DTW算法代替HMM算法[4]。因此文中選用DTW算法進(jìn)行手勢識別。

由于Kinect對于獲取人體相關(guān)的骨架節(jié)點(diǎn)信息有著簡單、方便的特性[5]，常被研究人體動作的研究者作為獲取特征信息的工具。文中則是用Kinect來獲取有關(guān)手勢的骨架節(jié)點(diǎn)信息。在DTW算法中，為了提高手勢識別的效率，考慮不同手勢中各關(guān)鍵節(jié)點(diǎn)運(yùn)動的差異，根據(jù)不同的骨架節(jié)點(diǎn)在運(yùn)動中的方差進(jìn)行權(quán)值的動態(tài)分配。傳統(tǒng)DTW算法自身存在計(jì)算量和存儲空間比較大的缺點(diǎn)。針對這些缺點(diǎn)，對DTW算法的搜索路徑進(jìn)行了線與點(diǎn)結(jié)合的約束，只計(jì)算可能遍歷到的節(jié)點(diǎn)數(shù)據(jù)，降低計(jì)算量，提高識別效率。若選取的測試樣本與訓(xùn)練樣本的幀數(shù)相差很大或測試樣本與其他已知類別的訓(xùn)練樣本最小歐氏距離相等時(shí)，誤差比較大，識別效率低。對此，文中結(jié)合DTW算法和KNN算法進(jìn)行手勢識別，并對其進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 手勢識別

手勢識別包括手勢分割、特征提取、手勢建模和手勢識別這幾個(gè)主要過程[6]。通過手勢識別的整個(gè)過程可以看出，對手勢進(jìn)行識別的主要依據(jù)就是提取的特征參數(shù)，所有的手勢識別都是根據(jù)一定的特征參數(shù)來進(jìn)行不同的分類。因此選擇一組好的特征參數(shù)對于手勢識別至關(guān)重要。

1.1 手勢特征提取

對相同樣本空間提取不同的特征參數(shù)進(jìn)行識別，效果可能區(qū)別很大，因此特征參數(shù)的提取至關(guān)重要。由于每個(gè)人的高矮胖瘦不一或Kinect的擺放位置不同，對同一種手勢Kinect獲取的骨架節(jié)點(diǎn)的三維數(shù)據(jù)也不同[7]，針對該問題，提出利用球面坐標(biāo)[8-9]的方法求各關(guān)節(jié)點(diǎn)到軀干關(guān)節(jié)點(diǎn)的距離和與此距離有關(guān)的兩個(gè)方位角度，作為節(jié)點(diǎn)的新信息。

圖1 球面坐標(biāo)示例

如圖1所示，三維直角坐標(biāo)系中的點(diǎn)p(x,y,z)對應(yīng)球坐標(biāo)中的序列為(γ,θ,φ)。其中，γ表示球面的點(diǎn)P到圓心O的距離；θ表示有向線段OP與Z軸正方向的夾角；φ表示P點(diǎn)映射在XOY面的點(diǎn)M與原點(diǎn)的有向線段OM與X軸正方向的夾角。文中選取軀干關(guān)節(jié)點(diǎn)作為球面的原點(diǎn)O，分別計(jì)算選取的關(guān)節(jié)點(diǎn)在球面坐標(biāo)系中的表示。對Kinect獲得的骨架節(jié)點(diǎn)數(shù)據(jù)，通過上述歸一化處理后，避免了不同身高、胖瘦人體信息對實(shí)驗(yàn)的影響。

在大部分的手勢識別中主要涉及到的關(guān)鍵節(jié)點(diǎn)有：左手，左手腕，左手肘，右手，右手腕，右手肘。文中通過Kinect獲取用戶骨骼框架的信息，從中提取實(shí)驗(yàn)所需的這六個(gè)節(jié)點(diǎn)的數(shù)據(jù)并進(jìn)行歸一化處理。手勢關(guān)鍵節(jié)點(diǎn)的數(shù)據(jù)集合為P={PLH,PLE,PLS,PRH,PRE,PRS}。

1.2 手勢識別算法

1.2.1 傳統(tǒng)動態(tài)時(shí)間規(guī)整算法

動態(tài)時(shí)間規(guī)整[10](Dynamic Time Warping，DTW)最初主要用于語音識別，解決同一句話不同人說出的時(shí)間長短不一的問題。在手勢識別中，針對同一種手勢，不同的人其完成時(shí)間不一樣[11]。然而隱馬爾可夫方法需要經(jīng)過大量的訓(xùn)練樣本進(jìn)行訓(xùn)練和數(shù)據(jù)統(tǒng)計(jì)，相對于簡單的手勢識別過于復(fù)雜；基于神經(jīng)網(wǎng)絡(luò)[12]的方法，雖然具有很強(qiáng)的抗干擾性和較強(qiáng)的分類能力，但對手勢序列長度不一的情況處理能力明顯降低。因此，文中采用DTW算法進(jìn)行手勢識別。

假設(shè)參考模板為R{R(1),R(2),…,R(M)}，測試模板為T{T(1),T(2),…,T(N)}。其中R(m)和T(n)分別表示參考模板和測試樣本的第m幀和第n幀的動作特征矢量，兩者間的維數(shù)是相同的，M不一定等于N。通過R,T之間的距離D[R,T]來衡量測試樣本和模板之間的相似度，d(R(m),T(n))表示任意兩幀之間的距離。DTW算法中訓(xùn)練樣本和測試樣本在時(shí)間上是非線性映射的，這種映射關(guān)系表示為：(m1,n1),(m2,n2),…,(mf,nf)，則：

(1)

其中，D越小其相似度就越高，D越大則相似度就越低。

整個(gè)計(jì)算過程可以看成M*N的矩陣，T表示橫坐標(biāo)，R表示縱坐標(biāo)，計(jì)算量較大。根據(jù)Bellman最優(yōu)原理：求D的最小值就是計(jì)算開始的節(jié)點(diǎn)(n0,m0)到終點(diǎn)(nf,mf)的最小路徑。其中(n,m)表示參考模板與測試樣本之間的交匯點(diǎn)。若起始點(diǎn)(n0,m0)表示為(0,0)，(n0,m0)的下一個(gè)節(jié)點(diǎn)(n1,m1)只有三種選擇，交匯點(diǎn)為(0,1),(1,0),(1,1)。求得這三個(gè)交匯點(diǎn)的代價(jià)d，代價(jià)最小的交匯點(diǎn)就是下一個(gè)節(jié)點(diǎn)。依次類推，直到找到最終的節(jié)點(diǎn)(nf,mf)為止。即

Dmin(nk,mk)=minDmin(nk-1,mk-1)+d(nk,mk)

(2)

其中，(nk-1,mk-1)是(nk,mk)的前一個(gè)節(jié)點(diǎn)。

最終通過比較測試樣本與各參考模板之間的D值來劃分屬于哪一類。

1.2.2 新動態(tài)時(shí)間規(guī)整算法

在手勢識別的過程中，不同的關(guān)節(jié)點(diǎn)在不同的手勢中所起到的作用不同。例如畫直線，手肘關(guān)節(jié)點(diǎn)基本是不動的，在使用右手做動作時(shí)左手基本保持靜止?fàn)顟B(tài)。因此可以在計(jì)算時(shí)，針對不同的節(jié)點(diǎn)狀態(tài)分配不同的權(quán)值[13]，以提高手勢識別效率。

按照關(guān)節(jié)點(diǎn)的運(yùn)動劇烈程度(關(guān)節(jié)點(diǎn)的運(yùn)動方差[14]Si)進(jìn)行權(quán)值分配。其中相鄰兩幀間第i個(gè)節(jié)點(diǎn)的歐氏距離為Disti(pn,pn-1)?？紤]到提取的手勢分別為左、右手相關(guān)的三個(gè)節(jié)點(diǎn)，在用左手做動作時(shí)，右手相關(guān)的三個(gè)節(jié)點(diǎn)基本不動，故在分配權(quán)值時(shí)重點(diǎn)考慮前三個(gè)大小的方差。因此，規(guī)定后三個(gè)方差Si其閾值為Sa。權(quán)值分配公式如下所示：

(3)

其中，ωi表示節(jié)點(diǎn)i的權(quán)重；β的最佳值計(jì)算方法如下：

(4)

其中，SA(β)是所有訓(xùn)練樣本的類間方差，SB(β)是所有訓(xùn)練樣本的類內(nèi)方差，則最優(yōu)參數(shù)β的取值為：

β=argmax(R(β))

(5)

因此，訓(xùn)練樣本和測試樣本的相鄰幀之間的距離d(R(m),T(n))為：

(6)

傳統(tǒng)DTW算法的計(jì)算量和存儲空間較大[15]，需要計(jì)算一個(gè)M*N矩陣。為了提高DTW算法的速度，可以減少所需要遍歷的點(diǎn)。通過上文對DTW算法的分析，測試樣本與參考模板在識別中尋找下一個(gè)節(jié)點(diǎn)時(shí)，其位置只有可能在三點(diǎn)上，如圖2所示。當(dāng)前點(diǎn)若為(0,0)，則下一個(gè)點(diǎn)只可能是(0,1),(1,0),(1,1)中的一個(gè)。因此很多節(jié)點(diǎn)不需要參與計(jì)算，能減少很大的計(jì)算量。

然而，DTW算法對于測試樣本與兩個(gè)不同類別的訓(xùn)練樣本的歐氏距離相同時(shí)，無法判斷測試樣本的類別[16]。例如，模板為R1{1,1,1,1,1,1,1,1,4,4}和R2{1,1,2,2,3,2,4,4}，測試樣本為T{1,2,3,4}，通過DTW算法計(jì)算得DTW(R1,T)=2，DTW(R2,T)=2。此時(shí)測試樣本與兩個(gè)模板的距離相同，不能識別手勢。根據(jù)R1與T的DTW匹配路徑，測試樣本T被“拉成”{1,1,1,1,1,1,2,3,4,4}來進(jìn)行一一匹配。這樣的“拉伸”是不合理的，因此導(dǎo)致上述識別的失敗。

對此，文中提出用兩條斜線進(jìn)行路徑搜索的約束，如圖2所示。在兩條斜線的約束范圍內(nèi)搜索可能的節(jié)點(diǎn)，防止測試樣本被不合理的“拉伸”。在計(jì)算時(shí)結(jié)合這兩點(diǎn)特性進(jìn)行DTW算法的路徑搜索，大大降低了計(jì)算量，在提高速率的同時(shí)也提高了效率。

圖2 DTW算法路徑約束示意圖

通過對DTW的改進(jìn)，若出現(xiàn)同一類別的動作選擇的訓(xùn)練樣本與測試樣本之間的時(shí)間相差較大，則計(jì)算出的歐氏距離較大，導(dǎo)致識別誤差增大。因此文中提出結(jié)合簡單的KNN算法進(jìn)行綜合識別，提高了識別效率。

1.2.3 KNN分類器

KNN算法在分類算法中很常用，也比較簡單。它的核心思想是，若確定了近鄰樣本(靠近測試樣本的訓(xùn)練樣本)數(shù)K的值，即在最小的范圍內(nèi)找到K個(gè)訓(xùn)練樣本，則訓(xùn)練樣本數(shù)最多的這一類就是測試樣本的類別。

KNN算法基本步驟如下：

(1)算距離：給定測試樣本，計(jì)算測試樣本與每個(gè)參考樣本的距離；

(2)找近鄰：將步驟1中計(jì)算的距離從小到大進(jìn)行有序排列，確定K的值；

(3)做分類：統(tǒng)計(jì)K個(gè)近鄰樣本的類別，找出樣本數(shù)最多的類別，即為測試樣本的類別。

圖3為KNN的工作原理示意圖。圓形標(biāo)記為測試樣本，三角標(biāo)記和方形標(biāo)記分別表示兩種已知類別的樣本。當(dāng)K=3時(shí)，測試樣本類別與三角標(biāo)記樣本類別一致；當(dāng)K=5時(shí)，測試樣本類別與方形標(biāo)記樣本類別一致。

1.2.4 改進(jìn)后的手勢識別算法

根據(jù)上文描述，文中提出一種新的算法即IDTW-K算法。該算法將改進(jìn)的DTW算法與KNN算法相結(jié)合，通過計(jì)算測試樣本與各訓(xùn)練樣本之間的可信度值確定測試樣本的類別。

圖3 KNN分類算法

設(shè)Ci代表類別，T代表測試樣本，Ri為近鄰中屬于Ci類的訓(xùn)練樣本，K為近鄰的樣本總數(shù)，Ki為近鄰樣本屬于Ci類的樣本個(gè)數(shù)。L(Ci,T)為T對Ci的類別可信度，計(jì)算公式為：

(7)

手勢識別算法的步驟可歸納如下：

(1)分別計(jì)算測試樣本和參考模板中所有節(jié)點(diǎn)移動的方差；

(2)對求得的方差進(jìn)行排序，后三個(gè)節(jié)點(diǎn)的方差設(shè)為固定值Sa，根據(jù)式(3)進(jìn)行動態(tài)的權(quán)值分配；

(3)使用改進(jìn)的DTW算法計(jì)算測試樣本與所有訓(xùn)練樣本的歐氏距離；

(4)將步驟(1)中求得的歐氏距離從小到大進(jìn)行有序排列，給定K值的大小，選擇前K個(gè)近鄰的訓(xùn)練樣本，并標(biāo)記這K個(gè)樣本的類別Ci，計(jì)算其所屬類別的個(gè)數(shù)Ki；

(6)比較Ci類的可信度大小?？尚哦茸畲蟮慕彉颖镜念悇e為測試樣本的類別，若所有類別的訓(xùn)練樣本與測試樣本的可信度值都低于La,則判斷此動作為無效動作，從而達(dá)到識別不同手勢的效果。

2 實(shí) 驗(yàn)

通過識別手勢的概率來衡量一個(gè)算法的好壞。文中通過識別左手和右手分別對向右畫箭頭、向左畫箭頭和畫圓這三個(gè)動作，對比傳統(tǒng)的DTW算法、改進(jìn)后的DTW算法以及文中提出算法的識別效率和識別速度。

2.1 實(shí)驗(yàn)過程

在VS2010環(huán)境下進(jìn)行實(shí)驗(yàn)，通過Kinect獲取人的骨架節(jié)點(diǎn)信息。實(shí)驗(yàn)中選取20個(gè)同學(xué)，每個(gè)同學(xué)分別用左手和右手做了向左畫箭頭、向右畫箭頭和畫圓的六個(gè)動作進(jìn)行5次重復(fù)操作，設(shè)置Kinect以1 s獲取20幀的速度對人的骨架節(jié)點(diǎn)進(jìn)行捕獲。提取捕獲到的7個(gè)有用的骨架節(jié)點(diǎn)：左手、左手腕、左手肘、右手、右手腕、右手肘和人體的軀干節(jié)，然后根據(jù)提出的球面坐標(biāo)原理進(jìn)行標(biāo)準(zhǔn)化處理。計(jì)算測試樣本序列T{T(1),T(2),…,T(N)}中相鄰幀(以連續(xù)的3幀為相鄰幀)節(jié)點(diǎn)的方差Si，根據(jù)式(3)進(jìn)行節(jié)點(diǎn)權(quán)值的分配。其中Sa的取值為方差有序序列的后三位的均值。

圖4所示為實(shí)驗(yàn)過程中由彩色圖像獲得人的深度圖像，最后得到人體的骨架節(jié)點(diǎn)信息。

深度圖 骨骼圖 圖像

2.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，給出對DTW算法在路徑約束的兩條直線斜率均為1，且到直線y=x的水平距離不大于4。對比三個(gè)有關(guān)DTW算法手勢識別的實(shí)驗(yàn)結(jié)果，如表1所示。

表1 算法的正確率

普通的DTW算法的計(jì)算量較大，分類識別的效果不是特別理想，一般在分類識別時(shí)不會直接使用。文中對DTW算法的尋優(yōu)路徑進(jìn)行約束的同時(shí)考慮到分類識別中不同特征參數(shù)的重要性，對不同的特征參數(shù)進(jìn)行權(quán)值分配來提高手勢識別的效率。表1證明了文中對DTW算法的改進(jìn)是有效的。由于KNN算法比較簡單，易學(xué)易掌握，識別時(shí)間復(fù)雜度較小，但其自身識別效果不是很好。因此文中提出了結(jié)合KNN算法與改進(jìn)DTW算法來提高手勢識別的效率，并證明了該想法是可行的。

在提高實(shí)驗(yàn)效率的同時(shí)，對比三種算法的實(shí)驗(yàn)速度。選擇右手向右畫箭頭、向左畫箭頭和畫圓這三個(gè)動作并進(jìn)行識別時(shí)間的統(tǒng)計(jì)，計(jì)算其平均處理時(shí)間(單位：ms),如圖5所示。

圖5 耗時(shí)對比

從圖中可以看出，改進(jìn)后的DTW算法比傳統(tǒng)的DTW算法在耗時(shí)上提高了30%～35%，而文中提出的算法比改進(jìn)DTW算法的耗時(shí)有所增加，但幅度較小。

3 結(jié)束語

文中提出結(jié)合DTW算法和KNN算法進(jìn)行綜合計(jì)算，從而識別測試樣本。同時(shí)，針對DTW算法自身計(jì)算量大這一缺點(diǎn)，提出對特征參數(shù)進(jìn)行權(quán)值分配和搜索路徑進(jìn)行約束的方法。實(shí)驗(yàn)結(jié)果證明了該算法的有效性。

[1] 薛俊杰,陳健美.基于加權(quán)DTW手勢識別方法的研究與實(shí)現(xiàn)[J].信息技術(shù),2015,39(11):125-129.

[2] 吳曉雨,楊 成,馮 琦.基于Kinect的手勢識別算法研究及應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(7):173-176.

[3] 常亞南.基于HMM的動態(tài)手勢識別[D]．廣州：華南理工大學(xué)，2012．

[4] Carmona J M，Climent J．A performance evaluation of HMM and DTW for gesture recognition[M]//Progress in pattern recognition，image analysis，computer vision，and applications．Berlin:Springer，2012:236-243．

[5] 馮志全,蔣 彥.手勢識別研究綜述[J].濟(jì)南大學(xué)學(xué)報(bào):自然科學(xué)版,2013,27(4):336-341.

[6] Zhang Zhengyou.Microsoft Kinect sensor and its effect[J].IEEE Multimedia,2012,19(2):4-10.

[7] 郭 雷.動態(tài)手勢識別技術(shù)綜述[J].軟件導(dǎo)刊,2015,14(7):8-10.

[8] 趙飛飛,劉喆頡,呂玉祥.基于Kinect骨骼信息的手勢識別[J].中國科技論文,2015,10(20):2412-2415.

[9] 吳彩芳,謝 鈞,俞 璐.基于骨骼和深度信息的手勢識別的研究與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(8):200-204.

[10] 劉 陽,尚趙偉.基于Kinect骨架信息的交通警察手勢識別[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(3):157-161.

[11] 黃菲菲,曹江濤,姬曉飛.基于多通道信息融合的雙人交互動作識別算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(3):58-62.

[12] Chen Lingchen,Wang Feng,Deng Hui,et al.A survey on hand gesture recognition[C]//International conference on computer sciences & applications.Wuhan:IEEE,2013:313-316.

[13] Reyes M,Dominguez G,Escalera S.Feature weighting in dynamic time warping for gesture recognition in depth data[C]//IEEE international conference on computer vision workshops.[s.l.]:IEEE,2011:1182-1188.

[14] 汪成峰,陳 洪,張瑞萱,等.帶有關(guān)節(jié)權(quán)重的DTW動作識別算法研究[J].圖學(xué)學(xué)報(bào),2016,37(4):537-544.

[15] Hussain S M A,Rashid H U.User independent hand gesture recognition by accelerated DTW[C]//International conference on informatics electronics&vision.[s.l.]:[s.n.],2012:1033-1037．

[16] 李 凱,王永雄,孫一品.一種改進(jìn)的DTW動態(tài)手勢識別方法[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(7):1600-1603.

ResearchandRealizationofDynamicalGestureRecognitionAlgorithmBasedonKinect

ZHANG Ying-ying1，GUO Xing2

(1.Key Laboratory of Intelligent Computing & Signal Processing of MoE,Anhui University,Hefei 230039,China;2.School of Computer Science and Technology,Anhui University,Hefei 230601,China)

With the development of computer technology and informatization,human-machine interaction is becoming more and more important in office and life.Due to the advantages of flexibility,intuition and simplicity for gesture, gesture recognition becomes a significant field in the study of human-machine interaction.According to the problem that gesture recognition has high requirements on time and accuracy in natural human-machine interaction,a new algorithm named IDTW-K is proposed with which the Dynamic Time Warping (DTW) is improved.It makes use of the variance of each node in the action sequence to distribute the weights and analyzes search path of DTW in detail,and then uses the range of constraints in combination of line and point to prevent its unreasonable search and optimize calculation speed of DTW,increasing efficiency of gesture recognition combining K-Nearest Neighbor (KNN).The experiments make a comparison of the IDTW-K,the improved DTW and the traditional DTW,which show that the proposed algorithm improves the accuracy and recognition efficiency.

human-machine interaction;feature extraction;gesture recognition;weighted dynamic time warping;K-nearest neighbors

TP301.6

A

1673-629X(2017)12-0011-05

10.3969/j.issn.1673-629X.2017.12.003

2016-11-11

2017-03-16 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-08-01

國家科技支撐計(jì)劃(2015BAK24B01)

張瑩瑩(1991-)，女，碩士研究生，研究方向?yàn)槟Ｊ阶R別；郭 星，博士研究生，講師，研究方向?yàn)槟Ｊ阶R別、計(jì)算機(jī)視覺。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170801.1551.036.html