软件学报
軟件學報
연건학보
JOURNAL OF SOFTWARE
2008年
9期
2302-2312
,共11页
王西颖%戴国忠%张习文%张凤军
王西穎%戴國忠%張習文%張鳳軍
왕서영%대국충%장습문%장봉군
手势识别%HMM-FNN模型%复杂动态手势%人机交互
手勢識彆%HMM-FNN模型%複雜動態手勢%人機交互
수세식별%HMM-FNN모형%복잡동태수세%인궤교호
复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.
複雜動態手勢識彆是利用視頻手勢進行人機交互的關鍵問題.提齣一種HMM-FNN模型結構.它整閤瞭隱馬爾可伕模型對時序數據的建模能力與模糊神經網絡的模糊規則構建與推理能力,併將其應用到複雜動態手勢的識彆中.複雜動態手勢具備兩大特點:運動特徵的可分解性與定義描述的模糊性.針對這兩種特性,複雜手勢被分解為手形變化、2D平麵運動與Z軸方嚮運動3箇子部分,分彆利用HMM進行建模,HMM模型對觀察子序列的似然概率被作為FNN的模糊隸屬度,通過模糊規則推理,最終得到手勢的分類類彆.HMM-FNN方法將高維手勢特徵分解為低維子特徵序列,降低瞭模型的複雜度.此外,它還可以充分利用人的經驗輔助模型結構的創建與優化.實驗錶明,該方法是一種有效的複雜動態手勢識彆方法,併且優于傳統的HMM模型方法.
복잡동태수세식별시이용시빈수세진행인궤교호적관건문제.제출일충HMM-FNN모형결구.타정합료은마이가부모형대시서수거적건모능력여모호신경망락적모호규칙구건여추리능력,병장기응용도복잡동태수세적식별중.복잡동태수세구비량대특점:운동특정적가분해성여정의묘술적모호성.침대저량충특성,복잡수세피분해위수형변화、2D평면운동여Z축방향운동3개자부분,분별이용HMM진행건모,HMM모형대관찰자서렬적사연개솔피작위FNN적모호대속도,통과모호규칙추리,최종득도수세적분류유별.HMM-FNN방법장고유수세특정분해위저유자특정서렬,강저료모형적복잡도.차외,타환가이충분이용인적경험보조모형결구적창건여우화.실험표명,해방법시일충유효적복잡동태수세식별방법,병차우우전통적HMM모형방법.
