摘要：随着虚拟现实的发展,人机交互也经历着由命令行、图形界面、到自然用户界面(Natural User Interface,NUI)的...随着虚拟现实的发展,人机交互也经历着由命令行、图形界面、到自然用户界面(Natural User Interface,NUI)的推进。自然用户界面指的是用户可以用自己最熟悉最自然的方式来与计算机进行互动,例如手势、语音、触控等。其中手势是人机交互过程中的一种非常重要的交互形式,它可以摆脱传统鼠标键盘的束缚,更加符合人类自身的习惯,因而具有广泛的应用前景。现有的手势识别技术可以分为静态手势识别和动态手势识别,动态手势识别可以看作是一连串静态手势组成的时间序列,对应着模型空间里的一条连续的轨迹。动态手势轨迹识别是动态手势识别的一个子类,它从时间的维度上强调了实时的特点,主要关注的是手势运动的轨迹。对于大部分动态手势的应用来说,实时的人机交互是必要的,因此,实时动态手势轨迹识别的应用范围更广,有着很高的研究价值。而目前在这方面的研究中,尚未形成成熟的理论和模型,现有方法的识别准确率不高、运行效率较低。因此,针对目前动态手势轨迹识别领域存在的一些问题,本文提出了两种适用于不同应用场景的识别算法,并在识别中取得了较为优异的效果。本论文的主要工作归纳如下:首先,本文提出了一种自适应的动态时间规整算法(Adaptive Dynamic Time Warping,ADTW),通过对手势轨迹建立自适应状态空间模型的方式使识别手势的过程中能很好的适应可能出现的误差,并且对于动态时间规整(Dynamic Time Warping,DTW)算法出现的运行效率问题,设计了全局约束条件,梯度矩阵和识别阈值的优化方案。在识别准确率方面,本方法要明显优于DTW方法,略低于HMM方法,在运行效率方面,本方法明显优于HMM方法,与DTW方法持平。同时,对于逐渐扩充的手势模板库,我们发现如果从用户的角度,在识别的过程中给予用户识别进度的反馈和提示会是一个好的优化方向。因此,我们提出了第二种研究方法,主要是利用粒子滤波的框架,对于状态空间模型,设计了进度、瞬时传播速度等特征,对于粒子滤波的过程,设计了状态转移方程和重采样算法,根据实验结果的反馈,本方法无论是识别准确率还是运行效率均明显优于现有算法。最后,根据本文提出的两种方法,我们设计了一套兼容多平台的手势轨迹识别系统。该系统包含了一整套从采集到识别的流程,识别准确率高并且用户体验良好,具有一定的实用价值。更多还原显示全部
