基于张量的MPCA动态手势识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107463905A(43)申请公布日2017.12.12(21)申请号201710671858.4(22)申请日2017.08.08(71)申请人武汉理工大学地址430070湖北省武汉市珞狮路122号(72)发明人郭志强吴紫薇黄晶(74)专利代理机构武汉开元知识产权代理有限公司42104代理人潘杰刘琳(51)Int.Cl.G06K9/00(2006.01)权利要求书2页说明书9页附图4页(54)发明名称基于张量的MPCA动态手势识别方法(57)摘要本发明公开了一种基于张量的MPCA动态手势识别方法，所述方法包括步骤：1)采集人体手势姿态数据集，并进行张量化处理，形成张量数据集；2)将张量数据集中的样本数据分为手势训练集和手势测试集；3)通过MPCA算法对手势训练集中的样本数据进行降维，得到投影矩阵和判别矩阵，并通过判别矩阵计算手势训练集中样本数据的张量特征；4)通过投影矩阵计算手势测试集中样本数据的张量特征；5)采用最近邻算法作为分类器，将手势训练集中样本数据的张量特征与手势测试集中样本数据的张量特征逐一匹配，统计匹配结果与张量特征的异同，得到手势识别结果。本发明在特征变量提取的过程中保留原始数据的大部分特征信息，有效分析处理高维数据。CN107463905ACN107463905A权利要求书1/2页1.一种基于张量的MPCA动态手势识别方法，其特征在于：所述方法包括如下步骤：1)采集人体手势姿态数据集，并进行张量化处理，形成张量数据集；2)将所述张量数据集中的样本数据分为手势训练集和手势测试集；3)通过MPCA算法对所述手势训练集中的样本数据进行降维，得到投影矩阵和判别矩阵，并通过所述判别矩阵计算手势训练集中样本数据的张量特征；4)通过所述投影矩阵计算手势测试集中样本数据的张量特征；5)采用最近邻算法作为分类器，将所述手势训练集中样本数据的张量特征与手势测试集中样本数据的张量特征逐一匹配，统计匹配结果与张量特征的异同，得到手势识别结果。2.根据权利要求1所述的基于张量的MPCA动态手势识别方法，其特征在于：所述步骤3)的具体步骤包括：预处理、初始化投影、局部优化、生成特征子空间、输出投影矩阵和判别矩阵。3.根据权利要求2所述的基于张量的MPCA动态手势识别方法，其特征在于：所述预处理的过程为对样本数据进行中心化的过程，所述手势训练集为{χ1,χ2,…,χM}，样本数据为其中为线性空间，In为张量n-模的维度，1≤n≤N，N为张量的阶数，M为样本数，1≤m≤M，预处理后的手势训练集为其中为样本均值。4.根据权利要求2所述的基于张量的MPCA动态手势识别方法，其特征在于：所述初始化投影的步骤为：对初始协方差矩阵进行特征分解，其中为中心化后的样本的n-模展开，表示的转置矩阵，将初始协方差矩阵的特征值从大到小进行排列，取其前Pn个特征值对应的正交特征向量构建n-模向量空间中的投影矩阵Pn为n-模向量空间最终降维的数目。5.根据权利要求4所述的基于张量的MPCA动态手势识别方法，其特征在于：所述局部优化的步骤包括：a)将循环计数k设为0，并设置匹配阈值η和循环次数K；b)依次计算n-模的协方差矩阵Φ(n)和投影矩阵1≤n≤N；c)计算投影后的样本数据d)计算投影后的样本张量的总离散度e)判断是否满足或者k＝K，是则前往步骤f)。否则，令k＝k+1，返回步骤b)；f)输出投影矩阵和判别矩阵ym6.根据权利要求4所述的基于张量的MPCA动态手势识别方法，其特征在于：所述n-模向量空间最终降维的数目Pn通过计算特征向量的贡献率Oval确定，Oval≥95％。2CN107463905A权利要求书2/2页7.根据权利要求5所述的基于张量的MPCA动态手势识别方法，其特征在于：所述步骤4)中计算张量特征的公式为；8.根据权利要求5所述的基于张量的MPCA动态手势识别方法，其特征在于：所述循环次数K的值为4。9.根据权利要求6所述的基于张量的MPCA动态手势识别方法，其特征在于：所述贡献率Oval的取值为98％。3CN107463905A说明书1/9页基于张量的MPCA动态手势识别方法技术领域[0001]本发明涉及计算机视觉、图像处理、模式识别技术领域，特别涉及一种基于张量的MPCA动态手势识别方法。背景技术[0002]目前，动态手势的数据降维一般采用PCA算法，例如，李志强等人在基于Kinect数据主成分分析的人体动作识别中运用PCA算法对时间帧序列数据降维，而舍弃了对动作分类再结合K近邻算法对人体动作进行识别。经典的PCA算法属于线性方法，一般将数据表示为一维向量，通过计算降维后数据总离散度的最大值来寻找最佳降维子空间，常用于简单结构数据的特征提取。[0003]然而