基于三支决策的触摸手势识别算法

发布时间：2019-10-09 11:12

【摘要】：为了提高人与机器人交互过程中对触摸手势的识别能力,提出一种基于三支决策的触摸手势识别算法。通过对触摸手势数据集Co ST(corpus of social touch)的分析以及结合其他领域的研究,提出2种数据预处理方法"截取"和"去背景",并从6个不同角度提取了特征,包括基本特征、基于直方图的特征、序列特征、梯度特征、接触面积特征和基于每个传感器的特征。以随机森林为分类器采用十折交叉方法进行了验证,发现不同的预处理对于不同触摸手势的识别有不同的效果。为了融合不同预处理的优势,引入三支决策的思想,将m分类问题转化为m个2分类问题,使用统计的方法计算每个二分类的三支决策阈值,按照一定的先后顺序和权重指标对经过不同预处理的分类结果进行决策筛选。仿真实验结果表明,基于三支决策的触摸手势识别算法在一定程度上达到了融合的效果,并提高了触摸手势的识别率。
【图文】：

序列,手势,序列,阈值

以5%为步长。为了验证不同阈值的效果，我们在经过不同阈值截取的训练数据集上提取1．3节描述的特征，以随机森林为分类器使用十折交叉验证方法进行验证，结果显示，取均值的99%左右时，具有较好的表现。因此，我们以手势数据每一帧最大值序列的均值100%比例作为最终的阈值选择。图1中，水平方向虚线代表“截缺的阈值，将数据开始和结束部分低于阈值的帧去除掉。图1手势“hit”每帧压力最大值序列Fig．1Sequencesofthemaximumpressurevalueforeachframeofgesture“hit”“去背景”:一些手势由于本身的特性过于轻微或者实施的过快，很难捕捉到有效的特征信息。图2为手势“tap”原始数据的部分帧，8×8的方框代表数据的8×8矩阵，黑色区域代表压力敏感的区域，颜色越深压力越大。为了将这部分手势的有效部分凸显出来，实验中参照灰度图二值化的方法，对手势数据的每一帧的压力矩阵做了“二值化”处理，选取合适的阈值，将小于阈值的压力点作为“背景”，大于阈值的作为“前景”，保留“前景”去掉“背景”即压力置为零。实验中尝试了最大类间方差法，均值以及最大值的50%，同样在训练集上采用十折交叉进行测试，最终选择最大类间方差法作为“去背景”的阈值计算方法。图3为对应帧经过预处理后的数据。1．3特征提取通过对数据的分析以及参考其他研究者的工作，本文从6个角度提取了共331个特征，，其中包括基本特征、基于直方图的特征、序列特征、梯度特征、接触面积特征以及基于每个传感器的特征。1)基本特征。这部分特征选取自文献［11］，从宏观的角度对触摸手势进行特征的提龋包括手势持续时间，手势平均压力值，最大压力值，行列平均压力值，压力变化值以及位移，详细描述可以参照文献［11］，共计24个特征。2)基于直方?

矩阵图,手势,矩阵图,预处理

畲笱沽χ担嚯辛衅骄?压力值，压力变化值以及位移，详细描述可以参照文献［11］，共计24个特征。2)基于直方图的特征。数据集CoST中触摸手势的数据为若干帧的压力矩阵，不同手势实施过程中动作、力度大小不同，则必然会使得压力的分布有所差异。为了获取不同手势压力分布的情况，本文采用图像直方图的方法来提取特征。数据集中压力值变化为0～1023，实验中将这个区间均等划分为若干块，以手势数据中压力落在不同块里的个数为特征。文献［26］中测试了分别将区间划分为2到32块的效果，其中8块的时候具有较好的效果。图2手势“tap”预处理前压力矩阵图Fig．2Framesofgesture“tap”beforepreprocessing3)序列特征。每一个手势都是一个连续的过程，为了准确地对手势进行识别，提取针对手势持续·794·重庆邮电大学学报(自然科学版)第29卷
【作者单位】：重庆邮电大学计算智能重庆市重点实验室;
【基金】：重庆市研究生科研创新项目(CYS16161)~~
【分类号】：TP301.6

【参考文献】