- 1、本文档共20页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
6D动态手势识别
基于6D动态手势识别的特征处理和建模
作者: Mingyu Chen, Ghassan AlRegib, Biing-Hwang Juang题目:Feature Processing and Modeling for 6D Motion Gesture Recognition期刊: IEEE TRANSACTIONS ON MULTIMEDIA
XXX
2017年12月10日星期日
主要内容:
文章中提到的6D的动态手势即是由3D的空间轨迹和扩展的三维方向表示出来。动作可以由直接的位置和方向表示,也可以由间接的加速度和角速度表示。本文主要做的内容是在依赖用户和不依赖用户两种情况下,研究了各种特征集(包含加速度和角速度)对动态手势识别相关的影响。
实验的过程中共用到两种方法,方法一:统计学基于特征的线性识别分类器。方法二:基于隐马尔科夫模型的非线性分类器。方法一作为基准,方法二是与方法一进行比较,实验结果表明,方法二有着更高的识别率和更好的性能。
实验流程图:
数据的采集:
用设备Worldviz PPT-X4作为光学传感器追踪手的位置,用设备Wiimote作为惯性传感器测加速度和角速度,频率是60HZ。本文一共定义了20个手势,招募了28个人(21个右手,7个左手),每个动作做10次,共有5600个手势样本。
手势采集示例:
特征点的表示:
加速度:
角速度: ,其中y代表yaw,即偏航角,围绕Y轴旋转;p代表pitch,即仰俯角,围绕X轴旋转;r代表roll,即翻滚角,围绕Z轴旋转。
位置偏移量:
位置偏移率:
方向: ,表示方法为四元数。
特征提取和识别:
这一部分本文用了两种方法:方法一,基于特征的统计线性分类。方法二,基于HMM的分类方法。
1.线性分类
特征提取:其中, 代表空间轨迹,令 , ,
特征点提取:
代表手势的平均持续时间, 代表x,y,z的最大值、最小值、平均值和中间值; 代表边界体积的对角线; 代表XY平面开始角的正弦和余弦值。
代表XZ平面的正弦值; 代表XY平面第一个点到最后一个点的正弦和余弦值; 代表XZ平面第一个点到最后一个点的正弦值。 代表所有角的总和、绝对值的和、和平方的总和。 代表路线的总长度、最大的平方步距、第一个点和最后一个点之间的欧氏距离。 代表 的最大、最小、平均、和中间值。 代表 的最大、最小、中间值、和平均值。
以上特征点几乎没有涉及到时间信息,经过测试之后,发现有几个人手势是相互混淆的。明显时间序列是重要的。因此增加另外一些特殊的特征。
1、增加 的上半段、下半段、中间三分之一的平均值。
2、增加 的上半段的平均值。
3、增加 的上半段和下半段的平均值。
最终生成的分类器为:
基于隐马尔科夫分类
为了使分类器更加稳定,合适的特征标准化使非常重要的。其中对特征
直接进行线性缩放。 ,而缩放系数为:
而对于 来讲,加速度是有重力加速度和手动加速度组成的。对其进行标准化之前要将重力加速度分量去掉,过程如下:
然后线性缩放 , ,其中
对于 的标准化使最麻烦的,因为四元数不能直接进行缩放。先将最初的方向设为单位四元数,然后将四元数转化为轴角表示:
其中 是对轴 做右手定则的旋转角。而标准化的过程如下:
其中 表示标准化后最大的旋转角,按照经验设置为0.5π。
实验过程及结果
对于基于隐马尔科夫分类来说,本文采用的是隐马尔科夫的HTK工具箱,对数据进行建模,训练和测试。
对于依赖用户的手势识别实验,本文随机从每一个用户的每一个手势用五个数据进行训练,用另外五个进行测试,重复试验50次。对于不依赖用户的实验,本文随机挑选五个右手用户的手势数据进行训练,然后对剩下的16个右手用户和7个左手用户进行测试。实验重复200次,求识别率的平均值。
特征的选取实验1:
标准化前和标准化后的对比测试,选取了P,V,O,A和W以及标准化以后的特征集作为测试特征。并选取了状态序列为4和8的两种测试。测试结果如下:
特征集的结合实验2:
下图是特征集相结合进行测试所得到的结果:
2D投影实验3:
本实验测试了从3D投影到2D的特征集对识别率的影响:
多高斯混合模型实验4
本实验是针对不同
文档评论(0)