沈 娟, 王 硕, 郭 丹
(1.安徽新华学院 信息工程学院,安徽 合肥 230088; 2.合肥工业大学 计算机与信息学院,安徽 合肥 230009)
基于Kinect 3D节点的连续HMM手语识别
沈 娟1,2, 王 硕2, 郭 丹2
(1.安徽新华学院 信息工程学院,安徽 合肥 230088; 2.合肥工业大学 计算机与信息学院,安徽 合肥 230009)
文章提出了一种基于Kinect 3D节点的连续隐马尔科夫模型(hidden Markov model,HMM)手语识别方法。首先对Kinect 3D节点三维坐标采用距离换算的方法获取其骨架特征表达,转换后的特征维度减少为原来节点特征的2/3,降低了计算过程中的存储开销;再针对人体体型大小所带来的差异,设置最小-最大归一法及最大值归一化方法;在此基础上,为强化骨架特征变化的特征表达,文章进而提出了用来捕获对骨架动态变化度量的相对归一化法;最后,在最终所获得的骨架特征表达上,构建基于高斯混合的隐马尔科夫模型(hidden Markov model with Gaussian mixture models,GMM-HMM)进行手势识别。实验证明采用相对归一法能够消除原3D节点中坐标漂移、体型各异、动态手势变化导致难以表达的弊端,实现了有效的骨架特征表达,并在识别精度上有了较好的提升。
Kinect传感器;3D节点;归一化;手语识别;隐马尔科夫模型(HMM)
利用手语识别缓解与聋哑人沟通的阻力已成为近年来模式识别领域里学者们研究的热点。手语识别的本质是一个对连续动作信息的捕捉与识别的过程。目前对连续手语信息的获取主要有以下几种方式:① 用特质的手套传感[1]器获取手势位置及手指变化信息,该设备能够准确捕捉手型及手……