摘要
本文提出了一种利用近似字符串匹配的轻量级Kinect手势识别方法。该方法将关节的运动编码为字符序列,将手势识别简化为一个被广泛研究的字符串匹配问题。我们通过在研究领域应用其他广泛使用的技术来评估我们的方法。实验结果表明,与现有的机器学习技术相比,该方法具有较高的性能。
3. Our approximate string matching approach to recognize gestures
首先,专业人士制作手势数据集;进行轨迹重叠,之后将它们全部编码为字符序列。该方法首先采用k-means算法对轨迹进行编码,将属于同一三维区域的轨迹的所有三维点进行分组,生成k个编号的质心列表。然后,用距离轨迹最接近的质心的数目对轨迹的每个点进行编码,从而将轨迹转化为字符序列。然后计算表示同一手势的所有字符序列之间的匹配距离,使用近似字符串匹配算法。
在每个序列对之间应用近似字符串匹配后,我们选择与其余序列最相似的序列作为模板字符串。此外,选择距离最长的手势接受阈值。这个阈值允许确定与手势和模板字符串相对应的新字符序列是否足够相似,以使手势能够被识别。(也就是采集了许多不同的人做的同一个手势,根据近似字符串匹配挑最好的作为模板,设立一个最低的阈值表示为识别的阈值)。获得每个手势的模板以及阈值。
识别阶段:待测序列与模板比较,小于阈值则进行识别评价,大于阈值则推荐最近似的动作,请用户确认是否为该动作,以下图画圆手势为例讲解:
黑色和白色的点代表身体关节包含在每
论文阅读:Approximate string matching: A lightweight approach to recognize gestures with Kinect
最新推荐文章于 2024-09-23 11:27:55 发布
本文介绍了一种轻量级方法,通过近似字符串匹配来识别Kinect手势。关节运动被编码为字符序列,将手势识别转换为字符串匹配问题。实验表明,这种方法在性能上优于传统机器学习技术。
摘要由CSDN通过智能技术生成