連續(xù)字符軌跡手勢識別及其應用.pdf

1、動態(tài)連續(xù)軌跡手勢識別是人機交互中極其重要的一部分，準確、自然的連續(xù)軌跡手勢識別有助于提高人機交互效率，因此在醫(yī)療、機器人等各個領域被大力推進與發(fā)展。傳統(tǒng)連續(xù)手勢識別的算法存在分割不自然、對不同復雜度軌跡的識別泛化能力差等問題。本文的主要研究工作如下：
　　針對連續(xù)軌跡分割不自然的問題，本文提出一種基于模型信息的連續(xù)軌跡分割算法。算法通過檢測連續(xù)軌跡末尾所存在的減速區(qū)域來進行軌跡的自動分割，并且為了濾除連續(xù)軌跡中由于書寫轉折以及停頓

2、所引入的噪聲，結合了動態(tài)時域規(guī)整算法使用模板的先驗信息來捕獲與模板相似的軌跡段，在此之后結合識別算法在等時間間距序列中進行減速區(qū)域的檢測。本文的方法最終能夠實現(xiàn)自然、實時、準確的非停頓式連續(xù)軌跡分割，相比傳統(tǒng)的分割算法更加高效。
　　針對連續(xù)軌跡識別算法對不同復雜度軌跡的識別魯棒性低的問題，本文提出了一種結合多特征的結構化動態(tài)時域規(guī)整算法。算法結合了軌跡識別中高效的方向特征以及位置特征來擬補單一特征的不足，為了克服位置特征的尺度敏

3、感性，文中使用PCA算法根據(jù)不同軌跡的主方向進行歸一化。除此之外還利用了軌跡的結構化信息并結合權值策略來改進傳統(tǒng)動態(tài)時域規(guī)整算法，相比于傳統(tǒng)方法最終提升了識別算法的效果和魯棒性。
　　針對個性化問題，算法使用多個模板來描述一個類別，使算法能夠有效的克服不同用戶書寫軌跡的差異。為了優(yōu)化模板數(shù)量以及選取較優(yōu)的代表性模板，本文基于 K-means聚類算法和遺傳算法來進行模板的選取以及參數(shù)的調節(jié)。除此之外，本文還提出一種任意自由度的單指尖

4、檢測、跟蹤算法來提取用戶軌跡以消除因交互方式引入的書寫誤差。實驗表明所提出的算法針對不同用戶的識別結果相近，因此證明算法能夠克服不同用戶的書寫差異性。
　　本文所提出的算法主要在復雜的連續(xù)字符軌跡數(shù)據(jù)集上進行了驗證且平均 F值達到86.26％，高于傳統(tǒng)方法。此外算法還在較為簡單的連續(xù)數(shù)字軌跡數(shù)據(jù)集上進行了驗證，識別率達到95.8%。結果表明算法能夠實時、準確且自然的分割并識別出不同復雜度軌跡，最終本文還將算法在醫(yī)用平臺上進行了有效