基于混合高斯模型的非固定握持姿势手势识别

王 原 汤勇明 王保平

(东南大学电子科学与工程学院，南京210096)

手势是通过肢体，特别是手部的运动来完成明确的可识别动作.手势识别是指将这些动作分类和理解这些动作的过程［1］.作为一种本能自然的表达方式，手势可以简化交互过程，使人机交互愈发自然.Popa［2］甚至预言更加贴近自然的交互方式正在被发掘，并且逐步取代着传统的交互方式.键盘、鼠标和操纵杆会消亡，至少被语音识别、触摸屏、手势识别及一些其他系统所补充完善.

早期手势识别算法中，隐性马尔科夫模型(hidden Markov model，HMM)受到最广泛的认可.在处理时间框架下的连续数据时，该模型是一种有效的手势识别工具，这已经被很多研究证明［3］.然而HMM 计算的复杂程度随着状态数目和特征向量维度的增大而成比例增加［4］，庞大的计算量制约着HMM 的广泛应用.较新的识别算法中，动态时间规整(dynamic time warping，DTW)可以在识别正确率和计算量之间做出很好的平衡，吸引了众多研究人员的关注［5－7］.然而DTW 是一种用户依赖的识别算法，即目标用户必须亲自训练系统，否则系统识别率会下降很多.最新的研究中，研究人员开始深入挖掘手势数据自身的特点，而不完全依赖于复杂的模型，这种基于特征提取的算法可使计算量和识别时间大幅减少，同时保证较高的识别率［8－9］，特别适合于以人机交互为目的的手势识别.

手势识别研究普遍以提高识别率和识别速度为焦点，在采集手势命令数据时，要求用户必须严格……