法律状态公告日
法律状态信息
法律状态
2023-06-09
未缴年费专利权终止 IPC(主分类):G06F 3/01 专利号:ZL2017103882197 申请日:20170527 授权公告日:20191018
专利权的终止
2019-10-18
授权
授权
2017-10-27
实质审查的生效 IPC(主分类):G06F3/01 申请日:20170527
实质审查的生效
2017-09-29
公开
公开
技术领域
本发明属于模式识别与人工智能技术领域，特别涉及一种基于惯性传感器的空中手势识别方法。
背景技术
基于惯性传感器(加速度计和陀螺仪)的空中手写识别是近年来计算机领域中新兴起的研究前沿方向之一，利用用户身上可穿戴设备或智能手持设备内置的惯性传感器采集用户空中书写过程中的加速度信号和角速度信号，通过机器学习和深度学习方法来识别用户的书写内容，它属于穿戴式计算(WearableComputing)和普适计算(UbiquitousComputing)的重要研究内容之一。
目前，基于惯性传感器的空中手势识别在智能家居、自动驾驶、教育、医疗、工业生产、辅助交流等方面有广泛的应用。由于惯性传感器信号波形很抽象，单纯通过肉眼观察波形很难区分不同空中手势，而且由于不同用户行为习惯的差异，同一个手势的信号波形也有较大差异，因此手势识别时无法仅根据信号数值变化做出判别，而是需要挖掘信号潜在的变化规律。
基于惯性传感器的空中手势识别相比基于视觉设备的手势识别，前者既不受某个特定的空间条件限制(如到摄像头的距离、角度等)，也不需要其他外挂设备(如摄像头)，对环境变化、光照、肤色等因素不敏感。用户只需要佩戴内置惯性传感器的设备在空中自由做出手势即可。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种识别精度高的基于惯性传感器的空中手势识别方法，该方法提供了一种全新的人机交互方式，具有很好的应用研究价值。
本发明的目的通过下述技术方案实现：一种基于惯性传感器的空中手势识别方法，步骤如下：
S1、针对于惯性传感器采集的传感信号依次检测出空中手势信号起始采样点和结束采样点，并且根据空中手势信号起始采样点和结束采样点提取出空中手势信号序列，然后对空中手势信号序列进行数据预处理后得到空中手势信号样本；
S2、通过佩带在手上的惯性传感器采集多个传感信号，并且对这些惯性传感器采集的传感信号分别标注出所属手势类别，然后将它们分别进行步骤S1处理后得到空中手势信号训练样本集和空中手势信号验证样本集；同时对LSTM-RNN模型进行参数初始化；
S3、将空中手势信号训练样本集中的各训练样本作为参数初始化后的LSTM-RNN模型(RNN(递归神经网络，Recurrent Neural Networks)隐藏层的非线性单元用LSTM(LongShort-Term Memory，长短时间记忆)记忆块代替而得到的模型)的输入对LSTM-RNN模型进行训练，并且在LSTM-RNN模型训练过程中，将空中手势信号验证样本集中的验证样本输入至迭代过程中训练得到的LSTM-RNN模型，根据验证样本集识别的错误率对迭代次数进行控制，得到最终的LSTM-RNN分类器；
S4、通过佩带在手上的惯性传感器实时采集传感信号，然后将惯性传感器实时采集的传感信号经过步骤S1处理后得到空中手势信号测试样本，将测试样本输入至步骤S3中获取到的LSTM-RNN分类器，通过LSTM-RNN分类器识别出测试样本对应手势。
优选的，步骤S1中通过窗口能量阈值法依次检测出空中手势信号起始采样点和结束采样点，具体过程如下：
S11、参数设置以及初始化：设置一个临时记忆窗TS、一个用于计算能量的W窗、一个用于保存W窗能量的能量窗E、手写标志位trigger、信号长度计数器N以及能量下降个数计数器；其中将手写标志位trigger初始值置为假，临时记忆窗TS、W窗、能量窗E、信号长度计数器以及能量下降个数计数器的初始值均设为0；
S12、针对于惯性传感器采集的传感信号，每采集到的一个采样点信号，分别将这个采样点信号添加到临时记忆窗TS和W窗的尾部，并且去除临时记忆窗TS和W窗存储的第一个采样点信号，然后计算W窗当前能量值Ecurrent，并且添加到能量窗E的尾部，同时去除能量窗E的第一个值；针对于能量窗E，每当有W窗当前能量值Ecurrent添加之后，分别检测其是否有下降趋势；
S13、当W窗持续一段时间出现当前能量值大于等于第一阈值时，将这段时间第一次出现当前能量值大于等于第一阈值时进入到临时记忆窗TS和W窗尾部的对应采样点信号作为空中手势信号起始采样点信号，并且在W窗第一次出现当前能量值大于等于第一阈值时，设定手写标志位trigger为真，信号长度计数器的计数值N加1；在W窗之后每次出现当前能量值大于等于第一阈值时，信号长度计数器的计数值N均加1，并且查看能量窗E是否为下降趋势；当能量窗E连续两次出现下降趋势时，则信号长度计数器停止计数，同时将第二次出现下降趋势时，对应进入到临时记忆窗TS和W窗尾部的对应采样点信号作为空中手势信号结束采样点信号；
所述步骤S12中，针对于能量窗E，每当有W窗当前能量值Ecurrent添加之后，分别通过以下方式检测其是否有下降趋势：
针对于能量窗E中存储的每个能量值，从第一个开始依次判别其是否大于等于能量窗E中存储的后一个能量值；若是，则能量下降个数计数器的计数值k加1；当能量下降个数计数器的计数值k大于第二阈值时，则判断能量窗E有下降趋势，否则判断能量窗E没有下降趋势；
步骤S1中根据空中手势信号起始采样点和结束采样点提取出空中手势信号序列的具体方式为：将临时记忆窗T中位置在第L1-N-delta至第L1-delta个的对应采样点信号作为空中手势信号序列，其中L1为临时记忆窗T的长度，N为信号长度计数器的计算值，delta为延迟余量。
更进一步的，所述W窗当前能量值Ecurrent为：
其中L2为W窗的长度，W2为W窗的维度，Wij为W窗中第i个采样点信号第j维的信号能量值。
更进一步的，所述临时记忆窗TS的长度L1为150，维度W1为6；所述W窗的长度L2为25，维度W2为6；所述能量窗E的长度为10；所述延迟余量delta为10；所述第一阈值为2.9，所述第二阈值为6。
优选的，所述惯性传感器采集的传感信号包括三维加速度信号和三维角速度信号；所述空中手势信号序列包括空中手势信号起始采样点和结束采样点之间三维加速度信号和三维角速度信号；
所述空中手势信号样本为6维信号，包括空中手势信号序列对应经过数据预处理后的三维加速度信号和三维角速度信号；
所述空中手势信号序列进行数据预处理的具体过程如下：
首先针对空中手势信号序列中的三维加速度信号的每一维加速度信号以及三维角速度信号的每一维角速度信号进行滑动平均滤波器处理，然后采用Z-score标准化针对上述通过滑动平均滤波器处理的每一维加速度信号和每一维角速度信号分别进行处理，使得每一维加速度信号和每一维角速度信号的均值为0且标准差为1。
优选的，步骤S2中对LSTM-RNN模型进行参数初始化设定包括：
设定LSTM-RNN模型的输入层神经元个数和各样本的信号维数相同；
设定LSTM-RNN模型的输出层神经元的个数和手势类别数相同；
设定输入层连接到隐藏层的权值Win的初值以及平均池化层到输出层的权值Wout的初值服从均匀分布U[-a,a]，其中a为边界值；
设定隐藏层中每个神经元的细胞结构、遗忘门、输入门和输出门各自的输入权值矩阵Whidden_x和状态权值Whidden_h中各个元素的初值服从均值为0，方差为1的高斯分布N(0，1)；
设定隐藏层的初始状态h、隐藏层的初始输出C、输入层连接到隐藏层的偏置bin、平均池化层到输出层的偏置bout的初值均为0；
以及设定隐藏层中每个神经元的细胞结构、遗忘门、输入门和输出门各自的偏置bhidden的初值均为0。
优选的，步骤S3通过梯度下降算法对LSTM-RNN模型进行训练，表现为随着迭代次数对网络参数进行更新，具体过程如下：
S31、分别初始化加权因子ρ、初始化均方梯度E[g2]0以及初始化均方参数增量E[△x2]0；设定第k次迭代时的网络参数为xk；然后进入步骤S32；
S32、计算第k次迭代时的参数梯度gk；
S33、根据第k次迭代时的参数梯度gk更新均方梯度，得到第k次迭代时的均方梯度E[g2]k为：
E[g2]k＝ρE[g2]k-1+(1-ρ)gk2；
其中E[g2]k-1为第k-1次迭代的均方梯度；
S34、分别计算第k次迭代时的学习率η和网络参数增量△xk：
△xk＝-η·gk；
其中E[△x2]k-1为第k-1次迭代的均方参数增量；ε为常数，ε＝1×10-6；
S35、根据第k次迭代时的网络参数增量△xk和第k-1次迭代的均方参数增量E[△x2]k-1更新均方参数增量，得到第k次迭代时的均方参数增量E[△x2]k：
E[△x2]k＝ρE[△x2]k-1+(1-ρ)△xk2；
S36、根据第k次迭代时的网络参数为xk以及第k次迭代时的网络参数增量△xk更新得到第k+1次迭代时的网络参数为xk+1：
xk+1＝xk+△xk。
更进一步的，初始化加权因子ρ＝0.95，初始化均方梯度E[g2]0＝0以及初始化均方参数增量E[△x2]0＝0。
优选的，步骤S3中根据验证样本集识别的错误率对迭代次数进行控制，得到最终的LSTM-RNN分类器的具体过程如下：
S3a、预设耐性值p、一个置零的计数器和一错误率记录库；
S3b、每隔定值Q次迭代次数，用当前迭代过程中得到的LSTM-RNN模型测试验证样本集，计算出当前验证样本集识别的错误率，然后进入步骤S3c；
S3c、判断当前验证样本集识别的错误率是否大于错误率记录库中记录的错误率最小值；
若是，则进入步骤S3d；
若否，则将当前迭代过程中得到的LSTM-RNN模型作为最终的LSTM-RNN分类器；
S3d、判断当前验证样本集识别的错误率是否均大于错误率记录库最迟记录的p个错误率中的最小值；
若否，则将当前迭代过程中得到的LSTM-RNN模型作为最终的LSTM-RNN分类器；
若是，则计数器加一，错误率记录库记录当前验证样本集识别的错误率，并且判断计数器的计算值是否超过p；若否，则返回步骤S3b，若是，则迭代停止，将迭代停止时得到的LSTM-RNN模型作为最终的LSTM-RNN分类器。
更进一步的，所述预设耐性值p取8～15中的其中一个整数值；所述定值Q取200～500中的其中一个整数值。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明基于惯性传感器的空中手势识别方法针对惯性传感器获取到的传感信号提取空中手势信号序列，然后进行数据预处理后分别获取到训练样本集、验证样本集和测试样本，同时对LSTM-RNN模型(RNN隐藏层的非线性单元用LSTM记忆块代替)进行参数初始化，然后通过训练样本集中的各训练样本作为参数初始化后的LSTM-RNN模型的输入对LSTM-RNN模型进行训练，并且在LSTM-RNN模型训练过程中，将验证样本集中的验证样本输入至迭代过程中训练得到的LSTM-RNN模型，根据验证样本集识别的错误率对迭代次数进行控制，得到最终的LSTM-RNN分类器；最后将测试样本输入至最终的LSTM-RNN分类器，通过最终的LSTM-RNN分类器识别出测试样本对应手势。LSTM-RNN模型为RNN隐藏层的非线性单元用LSTM记忆块代替后得到的模型，本发明方法通过LSTM-RNN模型对惯性传感器输出的信号进行分类，由于LSTM-RNN模型对时序序列具有良好的建模能力，并且能够挖掘出输入信号潜在的变化规律，因此具有空中手势识别精度和准确率更高的优点。
(2)本发明基于惯性传感器的空中手势识别方法在针对LSTM-RNN模型进行训练时，根据验证样本集识别的错误率对迭代次数进行控制，能够提前结束训练过程中的迭代，减少迭代次数，有效防止因训练迭代次数过多而造成模型过拟合的问题，从而得到最佳的LSTM-RNN分类器。
(3)本发明基于惯性传感器的空中手势识别方法通过窗口阈值法自动检测出空中手势信号起始采样点和结束采样点，从而获取到惯性传感器输出传感信号中的空中手势信号序列，然后以数据预处理后的空中手势信号序列数作为空中手势信号样本，进一步提高了空中手势识别的准确率。
(4)本发明基于惯性传感器的空中手势识别方法针对于传感信号中提取出的空中手势信号序列进行数据预处理时，采用滑动平均滤波器针对每一维加速度信号和每一维角速度信号进行处理，因此能够有效去除人为无意识抖动和硬件因素带来的高频噪声，同时采用Z-score针对上述通过滑动平均滤波器处理的每一维加速度信号和每一维角速度信号分别进行标准化处理，使得每一维加速度信号和每一维角速度信号的均值为0且标准差为1，以减少采集者书写力度和重力的影响。
附图说明
图1是本发明基于惯性传感器的空中手势识别方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于惯性传感器的空中手势识别方法，步骤如下：
S1、针对于惯性传感器采集的传感信号依次检测出空中手势信号起始采样点和结束采样点，并且根据空中手势信号起始采样点和结束采样点提取出空中手势信号序列，然后对空中手势信号序列进行数据预处理后得到空中手势信号样本；其中：
本步骤中惯性传感器采集的传感信号包括三维加速度信号和三维角速度信号；所述空中手势信号序列包括空中手势信号起始采样点和结束采样点之间三维加速度信号和三维角速度信号；空中手势信号样本为6维信号，包括空中手势信号序列对应经过数据预处理后的三维加速度信号和三维角速度信号；
在本步骤中空中手势信号序列进行数据预处理的具体过程如下：
首先针对空中手势信号序列中的三维加速度信号的每一维加速度信号以及三维角速度信号的每一维角速度信号进行滑动平均滤波器处理，然后采用Z-score标准化针对上述通过滑动平均滤波器处理的每一维加速度信号和每一维角速度信号分别进行处理，使得每一维加速度信号和每一维角速度信号的均值为0且标准差为1。
S2、通过佩带在手上的惯性传感器采集多个传感信号，并且对这些惯性传感器采集的传感信号分别标注出所属手势类别，然后将它们分别进行步骤S1处理后得到空中手势信号训练样本集和空中手势信号验证样本集；同时对LSTM-RNN模型进行参数初始化；其中本步骤S2中对LSTM-RNN模型进行参数初始化设定包括：
设定LSTM-RNN模型的输入层神经元个数和各样本的信号维数相同；
设定LSTM-RNN模型的输出层神经元的个数和手势类别数相同；
设定输入层连接到隐藏层的权值Win的初值以及平均池化层到输出层的权值Wout的初值服从均匀分布U[-a,a]，其中a为边界值：
其中n1与n2分别为需要初始化的参数矩阵的长和宽；
设定隐藏层中每个神经元的细胞结构、遗忘门、输入门和输出门各自的输入权值矩阵Whidden_x和状态权值Whidden_h中各个元素的初值服从均值为0，方差为1的高斯分布N(0,1)；
设定隐藏层的初始状态h、隐藏层的初始输出C、输入层连接到隐藏层的偏置bin、平均池化层到输出层的偏置bout的初值均为0；
以及设定隐藏层中每个神经元的细胞结构、遗忘门、输入门和输出门各自的偏置bhidden的初值均为0。
S3、将空中手势信号训练样本集中的各训练样本作为参数初始化后的LSTM-RNN模型的输入对LSTM-RNN模型进行训练，并且在LSTM-RNN模型训练过程中，将空中手势信号验证样本集中的验证样本输入至迭代过程中训练得到的LSTM-RNN模型，根据验证样本集识别的错误率对迭代次数进行控制，得到最终的LSTM-RNN分类器；其中：
本步骤通过梯度下降算法对LSTM-RNN模型进行训练，表现为随着迭代次数对网络参数进行更新，具体过程如下：
S31、分别初始化加权因子ρ、初始化均方梯度E[g2]0以及初始化均方参数增量E[△x2]0；设定第k次迭代时的网络参数为xk，其目标函数f(xk)为交叉熵代价函数；然后进入步骤S32；其中g表示参数梯度；在本实施例中初始化加权因子ρ＝0.95，初始化均方梯度E[g2]0＝0以及初始化均方参数增量E[△x2]0＝0。
S32、计算第k次迭代时的参数梯度gk；
S33、根据第k次迭代时的参数梯度gk更新均方梯度，得到第k次迭代时的均方梯度E[g2]k为：
E[g2]k＝ρE[g2]k-1+(1-ρ)gk2；
其中E[g2]k-1为第k-1次迭代的均方梯度；
S34、分别计算第k次迭代时的学习率η和网络参数增量△xk：
△xk＝-η·gk；
其中E[△x2]k-1为第k-1次迭代的均方参数增量；ε为常数，ε＝1×10-6；
S35、根据第k次迭代时的网络参数增量△xk和第k-1次迭代的均方参数增量E[△x2]k-1更新均方参数增量，得到第k次迭代时的均方参数增量E[△x2]k：
E[△x2]k＝ρE[△x2]k-1+(1-ρ)△xk2；
S36、根据第k次迭代时的网络参数为xk以及第k次迭代时的网络参数增量△xk更新得到第k+1次迭代时的网络参数为xk+1：
xk+1＝xk+△xk。
另外本步骤中根据验证样本集识别的错误率对迭代次数进行控制，得到最终的LSTM-RNN分类器的具体过程如下：
S3a、预设耐性值p、一个置零的计数器和一错误率记录库；其中耐性值p可取8～15中的其中一个整数值，在本实施例中耐性值p取15。
S3b、每隔定值Q次迭代次数，用当前迭代过程中得到的LSTM-RNN模型测试验证样本集，计算出当前验证样本集识别的错误率，然后进入步骤S3c；其中定值Q取200～500中的其中一个整数值，在本实施例中Q取350；即本步骤中每隔350次的迭代次数，用当前迭代过程中得到的LSTM-RNN模型测试验证样本集，计算出当前验证样本集识别的错误率；
S3c、判断当前验证样本集识别的错误率是否大于错误率记录库中记录的错误率最小值；
若是，则进入步骤S3d；
若否，则将当前迭代过程中得到的LSTM-RNN模型作为最终的LSTM-RNN分类器，并且计数器清零；
S3d、判断当前验证样本集识别的错误率是否均大于错误率记录库最迟记录的p个错误率中的最小值；
若否，则将当前迭代过程中得到的LSTM-RNN模型作为最终的LSTM-RNN分类器，并且计数器清零；
若是，则计数器加一，错误率记录库记录当前验证样本集识别的错误率，并且判断计数器的计算值是否超过p；若否，则返回步骤S3b，若是，则迭代停止，将迭代停止时得到的LSTM-RNN模型作为最终的LSTM-RNN分类器。
S4、通过佩带在手上的惯性传感器实时采集传感信号，然后将惯性传感器实时采集的传感信号经过步骤S1处理后得到空中手势信号测试样本，将测试样本输入至步骤S3中获取到的LSTM-RNN分类器，LSTM-RNN分类器执行网络前向运算，输出该测试样本属于每一类手势的概率大小，选取概率最大的一类作为该测试样本的手势识别结果。其中本实施例中手势类别包括顺时针画圈、逆时针画圈、摇一摇、向外翻转、向内翻转、举手和拍肩总共7种。
本实施例上述步骤S1中通过窗口能量阈值法依次检测出空中手势信号起始采样点和结束采样点，具体过程如下：
S11、参数设置以及初始化：设置一个临时记忆窗TS、一个用于计算能量的W窗、一个用于保存W窗能量的能量窗E、手写标志位trigger、信号长度计数器N以及能量下降个数计数器；其中将手写标志位trigger初始值置为假，临时记忆窗TS、W窗、能量窗E、信号长度计数器以及能量下降个数计数器的初始值均设为0；本实施例中临时记忆窗TS的长度L1为150，维度W1为6；W窗的长度L2为25，维度W2为6；能量窗E的长度Z为10。
S12、针对于惯性传感器采集的传感信号，每采集到的一个采样点信号，分别将这个采样点信号添加到临时记忆窗TS和W窗的尾部，并且去除临时记忆窗TS和W窗存储的第一个采样点信号，然后计算W窗当前能量值Ecurrent，并且添加到能量窗E的尾部，同时去除能量窗E的第一个值；针对于能量窗E，每当有W窗当前能量值Ecurrent添加之后，分别检测其是否有下降趋势；
其中W窗当前能量值Ecurrent为：
其中L2为W窗的长度，W2为W窗的维度，Wij为W窗中第i个采样点信号第j维的信号能量值。
S13、当W窗持续一段时间出现当前能量值大于等于第一阈值时，将这段时间第一次出现当前能量值大于等于第一阈值时进入到临时记忆窗TS和W窗尾部的对应采样点信号作为空中手势信号起始采样点信号，并且在W窗第一次出现当前能量值大于等于第一阈值时，设定手写标志位trigger为真，信号长度计数器的计数值N加1；在W窗之后每次出现当前能量值大于等于第一阈值时，信号长度计数器的计数值N均加1，并且查看能量窗E是否为下降趋势；当能量窗E连续两次出现下降趋势时，则信号长度计数器停止计数，同时将第二次出现下降趋势时，对应进入到临时记忆窗TS和W窗尾部的对应采样点信号作为空中手势信号结束采样点信号；在本实施例中第一阈值为2.9。
本实施例上述步骤S1中，针对于能量窗E，每当有W窗当前能量值Ecurrent添加之后，分别通过以下方式检测其是否有下降趋势：
针对于能量窗E中存储的每个能量值Et，t＝1,2,...Z-1，从第一个开始依次判别其是否大于等于能量窗E中存储的后一个能量值Et+1；若是，即Et≥Et+1，l＝1,2,...Z-1，则能量下降个数计数器的计数值k加1；当能量下降个数计数器的计数值k大于第二阈值时，则判断能量窗E有下降趋势，否则判断能量窗E没有下降趋势；其中Z为能量场E的长度，在本实施例中Z为10；在本实施例中第二阈值为6。
本实施例上述步骤S1中根据空中手势信号起始采样点和结束采样点提取出空中手势信号序列的具体方式为：将临时记忆窗T中位置在第L1-N-delta至第L1-delta个的对应采样点信号作为空中手势信号序列，其中L1为临时记忆窗T的长度，N为信号长度计数器的计算值，delta为延迟余量。本实施例中延迟余量delta为10。
本实施例中惯性传感器可以至于智能手表或手机内，此时佩带智能手表或手机在手上即可。
在本实施例中，构造手势数据库对本实施例方法进行测试。首先通过20名采集者参与数据采集，包括10名男性和10名女性，每人佩带具有惯性传感器的设备(该设备可以为内置加速度计和陀螺仪的智能手表)在空中执行每个手势140次，从而采集到包括2800个样本序列的手势数据库，这2800个样本序列中，包括顺时针画圈、逆时针画圈、摇一摇、向外翻转、向内翻转、举手和拍肩共7种手势，其中每种手势包含400个样本，每个样本的维度为6，包含三维加速度与三维角速度。
通过上述手势数据库对本实施例方法进行测试的过程具体如下：利用上述手势数据库的样本数据实现用户混合(Mixed-User)系统，其中在训练与测试样本选取上，用户混合系统对手势数据库整体按一定比例分为两部分，一部分的样本用于训练，另一部分的样本用于测试，在本实施例中采用5折交叉验证，即将手势数据库分为5个样本数相同的子集，各个子集轮流充当测试样本集，当一个子集作为测试样本集时，其他几个子集作为训练样本集和验证样本集；针对上述获取到的测试样本集、训练样本集和验证样本集，然后通过本实施例方法进行识别后，求得上述7种手势中每种手势的5次识别率，其中5次识别率取平均值后得到的平均识别率如表1所示，另外每个样本的平均识别时间如表2所示；
表1
表2
从表1和表2中可以看出，本实施例基于惯性传感器的空中手势识别方法具有较高的识别准确率，并且对每一类手势的识别，所消耗的平均识别时间都比较短，因此一旦完成LSTM-RNN分类器的训练，本实施例方法就能够高效准确的进行空中手势识别，具有较好的实时性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
机译： 基于光电感应的空中手势识别方法及控制装置
机译： 一种用于检测至少一个运动物体在检测区域内的运动路径的方法，一种使用这种识别方法的手势识别系统的过程以及一种用于执行这种识别方法的设备
机译： 基于手势定向的手势识别设备手势识别方法
