一种手势特征识别方法及装置

1.本发明涉及智能控制技术领域，尤其涉及一种手势特征识别方法及装置。


背景技术：

2.目前，基于手势原始数据统计分析的特征提取方法，不同的分类器适合于不同的特征量，这类特征提取方法的识别率比较低，且手势动作分类的类别不能太复杂。因此，提供一种手势特征识别方法及装置，以提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。


技术实现要素：

3.本发明所要解决的技术问题在于，提供一种手势特征识别方法及装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
4.为了解决上述技术问题，本发明实施例第一方面公开了一种手势特征识别方法，所述方法包括：
5.获取手部动作信息；
6.对所述手部动作信息进行计算处理，得到手部姿态信息；所述手部姿态信息包括若干个目标姿态信息；所述目标姿态信息表征手指和手掌的动作特征情况；
7.基于所述手部姿态信息，确定出目标手势特征信息。
8.作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述手部动作信息进行计算处理，得到手部姿态信息，包括：
9.利用归一化模型对所述手部动作信息进行归一化计算处理，得到归一动作数据信息；所述归一动作数据信息包括若干个归一动作信息；
10.其中，所述归一化模型为：
[0011][0012]
式中，nq为所述归一动作信息对应的归一动作向量；qd为所述手部动作信息中的手部原始数据信息对应的手部原始数据向量；q
00
、q
01
、q
02
和q
03
分别为所述手部原始数据向量中依次分布的第一手部原始值、第二手部原始值、第三手部原始值和第四手部原始值；
[0013]
对所述归一动作数据信息进行计算处理，得到手部姿态信息。
[0014]
作为一种可选的实施方式，在本发明实施例第一方面中，所述目标姿态信息包括指掌姿态信息和手腕姿态信息；所述归一动作信息包括归一手指动作信息、归一手掌动作信息和归一手腕动作信息；
[0015]
所述对所述归一动作数据信息进行计算处理，得到手部姿态信息，包括：
[0016]
对于任一所述归一动作信息，对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到该归一动作信息对应的所述指掌姿态信息；
[0017]
对该归一动作信息对应的所述归一手掌动作信息和所述归一手腕动作信息进行计算处理，得到该归一动作信息对应的所述手腕姿态信息。
[0018]
作为一种可选的实施方式，在本发明实施例第一方面中，所述对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到该归一动作信息对应的所述指掌姿态信息，包括：
[0019]
利用第一位姿计算模型对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到空间位姿信息；
[0020]
其中，所述第一位姿计算模型为：
[0021]q11
＝(nq1)-1
*nq2；
[0022]
式中，q
11
为所述空间位姿信息对应的空间位姿向量；nq1为所述归一手掌动作信息对应的归一手掌动作向量；nq2为所述归一手指动作信息对应的所述归一手指动作向量；
[0023]
利用第一坐标转换模型对所述空间位姿信息进行坐标转换处理，得到该归一动作信息对应的所述指掌姿态信息；
[0024]
其中，所述第一坐标转换模型为：
[0025][0026]
作为一种可选的实施方式，在本发明实施例第一方面中，所述对该归一动作信息对应的所述归一手掌动作信息和所述归一拇指动作信息进行计算处理，得到该归一动作信息对应的所述手腕姿态信息，包括：
[0027]
获取旋转参数；
[0028]
对所述选旋转参数进行转化计算处理，得到归一坐标转化四元信息；
[0029]
对所述归一坐标转化四元信息和该归一动作信息对应的所述归一手掌动作信息进行乘积计算，得到手掌坐标转化信息；
[0030]
利用第二位姿计算模型对所述归一拇指动作信息和所述手掌坐标转化信息进行计算处理，得到手腕姿态信息；
[0031]
其中，所述第二位姿计算模型为：
[0032]q12
＝inv(nq3)*nq4；
[0033]
式中，q
12
为所述手腕姿态信息对应的拇指姿态向量；nq3为所述归一拇指动作信息对应的归一拇指动作向量；nq4为所述手掌坐标转化信息对应的手掌坐标转化向量；inv(
·
)为求逆矩阵函数；
[0034]
对所述手腕姿态信息进行坐标转化处理，得到该归一动作信息对应的所述手腕姿态信息。
[0035]
作为一种可选的实施方式，在本发明实施例第一方面中，所述旋转参数包括第一旋转角和第二旋转角；所述第一旋转角和所述第二旋转角是相对于互相垂直的两个方向的旋转角度；
[0036]
所述对所述选旋转参数进行转化计算处理，得到归一坐标转化四元信息，包括：
[0037]
对所述第一旋转角和所述第二旋转角分别进行正余弦计算，得到第一角度值信息和第二角度值信息；
[0038]
将所述第一角度值信息和所述第二角度值信息分别填充至预设的第一角度向量和第二角度向量，得到第一目标角度向量信息和第二目标角度向量信息；
[0039]
对所述第一目标角度向量信息和所述第二目标角度向量信息进行叉乘计算处理，得到坐标转化向量信息；
[0040]
对所述坐标转化向量进行归一化处理，得到归一坐标转化四元信息。
[0041]
作为一种可选的实施方式，在本发明实施例第一方面中，所述基于所述手部姿态信息，得到目标手势特征信息，包括：
[0042]
对于任一所述目标姿态信息，将该目标姿态信息中的数据值填充至预设的姿态向量，得到该目标姿态信息对应的目标姿态向量；所述目标姿态向量包括9个向量元素；
[0043]
按所述手部动作信息中手部采集信息的数据采集顺序，将所有所述目标姿态向量进行顺序排列，得到目标姿态矩阵；
[0044]
基于所述目标姿态矩阵，确定出目标手势特征信息。
[0045]
本发明实施例第二方面公开了一种手势特征识别装置，装置包括：
[0046]
获取模块，用于获取手部动作信息；
[0047]
处理模块，用于对所述手部动作信息进行计算处理，得到手部姿态信息；所述手部姿态信息包括若干个目标姿态信息；所述目标姿态信息表征手指和手掌的动作特征情况；
[0048]
确定模块，用于基于所述手部姿态信息，确定出目标手势特征信息。
[0049]
本发明第三方面公开了另一种手势特征识别装置，所述装置包括：
[0050]
存储有可执行程序代码的存储器；
[0051]
与所述存储器耦合的处理器；
[0052]
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的手势特征识别方法中的部分或全部步骤。
[0053]
本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的手势特征识别方法中的部分或全部步骤。
[0054]
与现有技术相比，本发明实施例具有以下有益效果：
[0055]
本发明实施例中，获取手部动作信息；对手部动作信息进行计算处理，得到手部姿态信息；手部姿态信息包括若干个目标姿态信息；目标姿态信息表征手指和手掌的动作特征情况；基于手部姿态信息，确定出目标手势特征信息。可见，本发明有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
附图说明
[0056]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1是本发明实施例公开的一种手势特征识别方法的流程示意图；
[0058]
图2是本发明实施例公开的一种手势特征识别装置的结构示意图；
[0059]
图3是本发明实施例公开的另一种手势特征识别装置的结构示意图。
具体实施方式
[0060]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0062]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0063]
本发明公开了一种手势特征识别方法及装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。以下分别进行详细说明。
[0064]
实施例一
[0065]
请参阅图1，图1是本发明实施例公开的一种手势特征识别方法的流程示意图。其中，图1所描述的手势特征识别方法应用于仓储管理系统中，如用于仓储物流手势特征识别管理的本地服务器或云端服务器等，本发明实施例不做限定。如图1所示，该手势特征识别方法可以包括以下操作：
[0066]
101、获取手部动作信息。
[0067]
102、对手部动作信息进行计算处理，得到手部姿态信息。
[0068]
本发明实施例中，该手部姿态信息包括若干个目标姿态信息。
[0069]
本发明实施例中，该目标姿态信息表征手指和手掌的动作特征情况。
[0070]
103、基于手部姿态信息，确定出目标手势特征信息。
[0071]
需要说明的是，采用本技术的手势特征识别方法将手部自由度数据直接作为特征量进行手势动作识别，能很好地反映出不同手势动作之间的差异性，这样不仅可以提高识别率，也可降低分类器的复杂度，提高在线实时运算的能力。
[0072]
需要说明的是，上述手部动作信息中的手部采集信息是基于惯性传感器采集到的。
[0073]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0074]
在一个可选的实施例中，上述对手部动作信息进行计算处理，得到手部姿态信息，包括：
[0075]
利用归一化模型对手部动作信息进行归一化计算处理，得到归一动作数据信息；归一动作数据信息包括若干个归一动作信息；
[0076]
其中，归一化模型为：
[0077][0078]
式中，nq为归一动作信息对应的归一动作向量；qd为手部动作信息中的手部原始数据信息对应的手部原始数据向量；q
00
、q
01
、q
02
和q
03
分别为手部原始数据向量中依次分布的第一手部原始值、第二手部原始值、第三手部原始值和第四手部原始值；
[0079]
对归一动作数据信息进行计算处理，得到手部姿态信息。
[0080]
需要说明的是，上述手部原始数据向量qd对应的元素值为q
00
、q
01
、q
02
和q
03
。
[0081]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0082]
在另一个可选的实施例中，目标姿态信息包括指掌姿态信息和手腕姿态信息；归一动作信息包括归一手指动作信息、归一手掌动作信息和归一手腕动作信息；
[0083]
对归一动作数据信息进行计算处理，得到手部姿态信息，包括：
[0084]
对于任一归一动作信息，对该归一动作信息对应的归一手指动作信息和归一手掌动作信息进行计算处理，得到该归一动作信息对应的指掌姿态信息；
[0085]
对该归一动作信息对应的归一手掌动作信息和归一手腕动作信息进行计算处理，得到该归一动作信息对应的手腕姿态信息。
[0086]
需要说明的是，由于采集到的手部采集信息是若干个，因此，对手部动作信息中的手部采集信息进行归一化处理得到的归一动作信息也是若干个。对每个归一动作信息的处理方法是一致的。
[0087]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0088]
在又一个可选的实施例中，对该归一动作信息对应的归一手指动作信息和归一手掌动作信息进行计算处理，得到该归一动作信息对应的指掌姿态信息，包括：
[0089]
利用第一位姿计算模型对该归一动作信息对应的归一手指动作信息和归一手掌动作信息进行计算处理，得到空间位姿信息；
[0090]
其中，第一位姿计算模型为：
[0091]q11
＝(nq1)-1
*nq2；
[0092]
式中，q
11
为空间位姿信息对应的空间位姿向量；nq1为归一手掌动作信息对应的归一手掌动作向量；nq2为归一手指动作信息对应的归一手指动作向量；
[0093]
利用第一坐标转换模型对空间位姿信息进行坐标转换处理，得到该归一动作信息对应的指掌姿态信息；
[0094]
其中，第一坐标转换模型为：
[0095]
[0096]
式中，为指掌姿态信息对应的指掌姿态向量；q
11
＝[q0,q1,q2,q3]为空间位姿向量。
[0097]
需要说明的是，上述指掌姿态信息包括手指姿态信息和手掌姿态信息。
[0098]
在该可选的实施例中，作为一种可选的实施方式，判断空间位姿信息对应的手部特征是否为手指特征，得到特征判断结果；
[0099]
当特征判断结果为是时，确定指掌姿态向量中的第二向量元素为手指姿态信息；
[0100]
当特征判断结果为否时，确定指掌姿态向量为手掌姿态信息。
[0101]
需要说明的，上述手掌姿态信息包括3个手掌姿态值，即俯仰值、偏航值和横滚值。进一步的，上述俯仰值、偏航值和横滚值分别对应于r1、p1和y1。
[0102]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0103]
在又一个可选的实施例中，对该归一动作信息对应的归一手掌动作信息和归一拇指动作信息进行计算处理，得到该归一动作信息对应的手腕姿态信息，包括：
[0104]
获取旋转参数；
[0105]
对选旋转参数进行转化计算处理，得到归一坐标转化四元信息；
[0106]
对归一坐标转化四元信息和该归一动作信息对应的归一手掌动作信息进行乘积计算，得到手掌坐标转化信息；
[0107]
利用第二位姿计算模型对归一拇指动作信息和手掌坐标转化信息进行计算处理，得到手腕姿态信息；
[0108]
其中，第二位姿计算模型为：
[0109]q12
＝inv(nq3)*nq4；
[0110]
式中，q
12
为手腕姿态信息对应的拇指姿态向量；nq3为归一拇指动作信息对应的归一拇指动作向量；nq4为手掌坐标转化信息对应的手掌坐标转化向量；inv(
·
)为求逆矩阵函数；
[0111]
对手腕姿态信息进行坐标转化处理，得到该归一动作信息对应的手腕姿态信息。
[0112]
需要说明的是，上述旋转参数包括第一旋转角α和第二旋转角β。进一步的，上述第一旋转角是绕x轴的旋转角，第二旋转角是绕z轴的旋转角。
[0113]
在该可选的实施例中，作为一种可选的实施方式，上述获取旋转参数，包括：
[0114]
判断手部采集信息对应的手部类型是否为目标类型，得到类型判断结果；
[0115]
当类型判断结果为是时，确定第一旋转角为90
°
，第二旋转角为0
°
；
[0116]
当类型判断结果为否时，确定第一旋转角为-90
°
，第二旋转角为0
°
。
[0117]
需要说明的是，上述手部类型表征采集的手势对应的手的位置。进一步的，上述目标类型包括左手，或，右手。目标类型的确定是可以动态设定的，也可以是预设的，本发明实施例不做限定。
[0118]
需要说明的是，对手腕姿态信息进行坐标转化处理是基于第一坐标转换模型进行的。
[0119]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效
率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0120]
在一个可选的实施例中，上述旋转参数包括第一旋转角和第二旋转角；第一旋转角和第二旋转角是相对于互相垂直的两个方向的旋转角度；
[0121]
对选旋转参数进行转化计算处理，得到归一坐标转化四元信息，包括：
[0122]
对第一旋转角和第二旋转角分别进行正余弦计算，得到第一角度值信息和第二角度值信息；
[0123]
将第一角度值信息和第二角度值信息分别填充至预设的第一角度向量和第二角度向量，得到第一目标角度向量信息和第二目标角度向量信息；
[0124]
对第一目标角度向量信息和第二目标角度向量信息进行叉乘计算处理，得到坐标转化向量信息；
[0125]
对坐标转化向量进行归一化处理，得到归一坐标转化四元信息。
[0126]
在该可选的实施例中，作为一种可选的实施方式，上述对第一旋转角和第二旋转角分别进行正余弦计算，得到第一角度值信息和第二角度值信息，包括：
[0127]
利用第一角度计算模型对第一旋转角进行计算，得到第一角度值信息；
[0128]
其中，第一角度计算模型为：
[0129]q101
＝cos(α/2)；
[0130]q102
＝-sin(α/2)；
[0131]
式中，q
101
为第一角度值信息中的第一角度值；q
102
为第一角度值信息中的第二角度值；
[0132]
利用第二角度计算模型对第二旋转角进行计算，得到第二角度值信息；
[0133]
其中，第二角度计算模型为：
[0134]q201
＝cos(β/2)；
[0135]q202
＝-sin(β/2)；
[0136]
式中，q
201
为第二角度值信息中的第三角度值；q
202
为第二角度值信息中的第四角度值。
[0137]
需要说明的，上述第一角度向量和第二角度向量为[cos(α/2)，-sin(α/2)，0，0]和[cos(β/2)，0，0，-sin(β/2)]。
[0138]
需要说明的是，上述叉乘是将两个向量进行有向乘法计算，如将第一角度向量中的任一向量元素依次乘以第二角度向量中的所有向量元素，以得到新的坐标转化向量。
[0139]
需要说明的，上述对坐标转化向量进行归一化处理是基于归一化模型进行的。
[0140]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0141]
在另一个可选的实施例中，基于手部姿态信息，得到目标手势特征信息，包括：
[0142]
对于任一目标姿态信息，将该目标姿态信息中的数据值填充至预设的姿态向量，得到该目标姿态信息对应的目标姿态向量；目标姿态向量包括9个向量元素；
[0143]
按手部动作信息中手部采集信息的数据采集顺序，将所有目标姿态向量进行顺序排列，得到目标姿态矩阵；
[0144]
基于目标姿态矩阵，确定出目标手势特征信息。
[0145]
需要说明的是，上述姿态向量可为[小指的屈伸度，无名指的屈伸度，中指的屈伸
度，无名指的屈伸度，拇指的外展内收度，拇指的内外旋度，手掌的俯仰值，偏航值，横滚值]。进一步的，上述小指的屈伸度，无名指的屈伸度，中指的屈伸度，无名指的屈伸度为手指姿态信息对应的数值。拇指的外展内收度，拇指的内外旋度为手腕姿态信息对应的数值。
[0146]
需要说明的是，上述基于目标姿态矩阵，确定出目标手势特征信息是将目标姿态矩阵跟手部身份信息进行关联，以得到最终输入基于神经网络的识别模型的目标手势特征信息。
[0147]
需要说明的是，上述目标姿态矩阵可以是n*m的矩阵，矩阵中的每行都是一个姿态向量。进一步，上述m为9。上述n是基于神经网络的识别模型确定的。
[0148]
需要说明的是，上述手部动作信息中手部采集信息的数据采集顺序是基于采集的时间顺序得到的。
[0149]
可见，实施本发明实施例所描述的手势特征识别方法有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0150]
实施例二
[0151]
请参阅图2，图2是本发明实施例公开的一种手势特征识别装置的结构示意图。其中，图2所描述的装置能够应用于仓储管理系统中，如用于仓储物流手势特征识别管理的本地服务器或云端服务器等，本发明实施例不做限定。如图2所示，该装置可以包括：
[0152]
获取模块201，用于获取手部动作信息；
[0153]
处理模块202，用于对手部动作信息进行计算处理，得到手部姿态信息；手部姿态信息包括若干个目标姿态信息；目标姿态信息表征手指和手掌的动作特征情况；
[0154]
确定模块203，用于基于手部姿态信息，确定出目标手势特征信息。
[0155]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0156]
在另一个可选的实施例中，如图2所示，处理模块202对手部动作信息进行计算处理，得到手部姿态信息，包括：
[0157]
利用归一化模型对手部动作信息进行归一化计算处理，得到归一动作数据信息；归一动作数据信息包括若干个归一动作信息；
[0158]
其中，归一化模型为：
[0159][0160]
式中，nq为归一动作信息对应的归一动作向量；qd为手部动作信息中的手部原始数据信息对应的手部原始数据向量；q
00
、q
01
、q
02
和q
03
分别为手部原始数据向量中依次分布的第一手部原始值、第二手部原始值、第三手部原始值和第四手部原始值；
[0161]
对归一动作数据信息进行计算处理，得到手部姿态信息。
[0162]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0163]
在又一个可选的实施例中，如图2所示，目标姿态信息包括指掌姿态信息和手腕姿态信息；归一动作信息包括归一手指动作信息、归一手掌动作信息和归一手腕动作信息；
[0164]
处理模块202对归一动作数据信息进行计算处理，得到手部姿态信息，包括：
[0165]
对于任一归一动作信息，对该归一动作信息对应的归一手指动作信息和归一手掌
动作信息进行计算处理，得到该归一动作信息对应的指掌姿态信息；
[0166]
对该归一动作信息对应的归一手掌动作信息和归一手腕动作信息进行计算处理，得到该归一动作信息对应的手腕姿态信息。
[0167]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0168]
在又一个可选的实施例中，如图2所示，处理模块202对该归一动作信息对应的归一手指动作信息和归一手掌动作信息进行计算处理，得到该归一动作信息对应的指掌姿态信息，包括：
[0169]
利用第一位姿计算模型对该归一动作信息对应的归一手指动作信息和归一手掌动作信息进行计算处理，得到空间位姿信息；
[0170]
其中，第一位姿计算模型为：
[0171]q11
＝(nq1)-1
*nq2；
[0172]
式中，q
11
为空间位姿信息对应的空间位姿向量；nq1为归一手掌动作信息对应的归一手掌动作向量；nq2为归一手指动作信息对应的归一手指动作向量；
[0173]
利用第一坐标转换模型对空间位姿信息进行坐标转换处理，得到该归一动作信息对应的指掌姿态信息；
[0174]
其中，第一坐标转换模型为：
[0175][0176]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0177]
在又一个可选的实施例中，如图2所示，处理模块202对该归一动作信息对应的归一手掌动作信息和归一拇指动作信息进行计算处理，得到该归一动作信息对应的手腕姿态信息，包括：
[0178]
获取旋转参数；
[0179]
对选旋转参数进行转化计算处理，得到归一坐标转化四元信息；
[0180]
对归一坐标转化四元信息和该归一动作信息对应的归一手掌动作信息进行乘积计算，得到手掌坐标转化信息；
[0181]
利用第二位姿计算模型对归一拇指动作信息和手掌坐标转化信息进行计算处理，得到手腕姿态信息；
[0182]
其中，第二位姿计算模型为：
[0183]q12
＝inv(nq3)*nq4；
[0184]
式中，q
12
为手腕姿态信息对应的拇指姿态向量；nq3为归一拇指动作信息对应的归一拇指动作向量；nq4为手掌坐标转化信息对应的手掌坐标转化向量；inv(
·
)为求逆矩阵函数；
[0185]
对手腕姿态信息进行坐标转化处理，得到该归一动作信息对应的手腕姿态信息。
[0186]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0187]
在又一个可选的实施例中，如图2所示，旋转参数包括第一旋转角和第二旋转角；第一旋转角和第二旋转角是相对于互相垂直的两个方向的旋转角度；
[0188]
处理模块202对选旋转参数进行转化计算处理，得到归一坐标转化四元信息，包括：
[0189]
对第一旋转角和第二旋转角分别进行正余弦计算，得到第一角度值信息和第二角度值信息；
[0190]
将第一角度值信息和第二角度值信息分别填充至预设的第一角度向量和第二角度向量，得到第一目标角度向量信息和第二目标角度向量信息；
[0191]
对第一目标角度向量信息和第二目标角度向量信息进行叉乘计算处理，得到坐标转化向量信息；
[0192]
对坐标转化向量进行归一化处理，得到归一坐标转化四元信息。
[0193]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0194]
在又一个可选的实施例中，如图2所示，确定模块203基于手部姿态信息，得到目标手势特征信息，包括：
[0195]
对于任一目标姿态信息，将该目标姿态信息中的数据值填充至预设的姿态向量，得到该目标姿态信息对应的目标姿态向量；目标姿态向量包括9个向量元素；
[0196]
按手部动作信息中手部采集信息的数据采集顺序，将所有目标姿态向量进行顺序排列，得到目标姿态矩阵；
[0197]
基于目标姿态矩阵，确定出目标手势特征信息。
[0198]
可见，实施图2所描述的手势特征识别装置有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。
[0199]
实施例三
[0200]
请参阅图3，图3是本发明实施例公开的又一种手势特征识别装置的结构示意图。其中，图3所描述的装置能够应用于仓储管理系统中，如用于仓储物流手势特征识别管理的本地服务器或云端服务器等，本发明实施例不做限定。如图3所示，该装置可以包括：
[0201]
存储有可执行程序代码的存储器301；
[0202]
与存储器301耦合的处理器302；
[0203]
处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的手势特征识别方法中的步骤。
[0204]
实施例四
[0205]
本发明实施例公开了一种计算机可读读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的手势特征识别方法中的步骤。
[0206]
实施例五
[0207]
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所
描述的手势特征识别方法中的步骤。
[0208]
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0209]
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0210]
最后应说明的是：本发明实施例公开的一种手势特征识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

技术特征：
1.一种手势特征识别方法，其特征在于，所述方法包括：获取手部动作信息；对所述手部动作信息进行计算处理，得到手部姿态信息；所述手部姿态信息包括若干个目标姿态信息；所述目标姿态信息表征手指和手掌的动作特征情况；基于所述手部姿态信息，确定出目标手势特征信息。2.根据权利要求1所述的手势特征识别方法，其特征在于，所述对所述手部动作信息进行计算处理，得到手部姿态信息，包括：利用归一化模型对所述手部动作信息进行归一化计算处理，得到归一动作数据信息；所述归一动作数据信息包括若干个归一动作信息；其中，所述归一化模型为：式中，nq为所述归一动作信息对应的归一动作向量；q
d
为所述手部动作信息中的手部原始数据信息对应的手部原始数据向量；q
00
、q
01
、q
02
和q
03
分别为所述手部原始数据向量中依次分布的第一手部原始值、第二手部原始值、第三手部原始值和第四手部原始值；对所述归一动作数据信息进行计算处理，得到手部姿态信息。3.根据权利要求2所述的手势特征识别方法，其特征在于，所述目标姿态信息包括指掌姿态信息和手腕姿态信息；所述归一动作信息包括归一手指动作信息、归一手掌动作信息和归一手腕动作信息；所述对所述归一动作数据信息进行计算处理，得到手部姿态信息，包括：对于任一所述归一动作信息，对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到该归一动作信息对应的所述指掌姿态信息；对该归一动作信息对应的所述归一手掌动作信息和所述归一手腕动作信息进行计算处理，得到该归一动作信息对应的所述手腕姿态信息。4.根据权利要求3所述的手势特征识别方法，其特征在于，所述对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到该归一动作信息对应的所述指掌姿态信息，包括：利用第一位姿计算模型对该归一动作信息对应的所述归一手指动作信息和所述归一手掌动作信息进行计算处理，得到空间位姿信息；其中，所述第一位姿计算模型为：q
11
＝(nq1)-1
*nq2；式中，q
11
为所述空间位姿信息对应的空间位姿向量；nq1为所述归一手掌动作信息对应的归一手掌动作向量；nq2为所述归一手指动作信息对应的所述归一手指动作向量；利用第一坐标转换模型对所述空间位姿信息进行坐标转换处理，得到该归一动作信息对应的所述指掌姿态信息；其中，所述第一坐标转换模型为：
式中，为所述指掌姿态信息对应的指掌姿态向量；q
11
＝[q0,q1,q2,q3]为所述空间位姿向量。5.根据权利要求4所述的手势特征识别方法，其特征在于，所述对该归一动作信息对应的所述归一手掌动作信息和所述归一拇指动作信息进行计算处理，得到该归一动作信息对应的所述手腕姿态信息，包括：获取旋转参数；对所述选旋转参数进行转化计算处理，得到归一坐标转化四元信息；对所述归一坐标转化四元信息和该归一动作信息对应的所述归一手掌动作信息进行乘积计算，得到手掌坐标转化信息；利用第二位姿计算模型对所述归一拇指动作信息和所述手掌坐标转化信息进行计算处理，得到手腕姿态信息；其中，所述第二位姿计算模型为：q
12
＝inv(nq3)*nq4；式中，q
12
为所述手腕姿态信息对应的拇指姿态向量；nq3为所述归一拇指动作信息对应的归一拇指动作向量；nq4为所述手掌坐标转化信息对应的手掌坐标转化向量；inv(
·
)为求逆矩阵函数；对所述手腕姿态信息进行坐标转化处理，得到该归一动作信息对应的所述手腕姿态信息。6.根据权利要求5所述的手势特征识别方法，其特征在于，所述旋转参数包括第一旋转角和第二旋转角；所述第一旋转角和所述第二旋转角是相对于互相垂直的两个方向的旋转角度；所述对所述选旋转参数进行转化计算处理，得到归一坐标转化四元信息，包括：对所述第一旋转角和所述第二旋转角分别进行正余弦计算，得到第一角度值信息和第二角度值信息；将所述第一角度值信息和所述第二角度值信息分别填充至预设的第一角度向量和第二角度向量，得到第一目标角度向量信息和第二目标角度向量信息；对所述第一目标角度向量信息和所述第二目标角度向量信息进行叉乘计算处理，得到坐标转化向量信息；对所述坐标转化向量进行归一化处理，得到归一坐标转化四元信息。7.根据权利要求1所述的手势特征识别方法，其特征在于，所述基于所述手部姿态信息，得到目标手势特征信息，包括：对于任一所述目标姿态信息，将该目标姿态信息中的数据值填充至预设的姿态向量，得到该目标姿态信息对应的目标姿态向量；所述目标姿态向量包括9个向量元素；
按所述手部动作信息中手部采集信息的数据采集顺序，将所有所述目标姿态向量进行顺序排列，得到目标姿态矩阵；基于所述目标姿态矩阵，确定出目标手势特征信息。8.一种手势特征识别装置，其特征在于，所述装置包括：获取模块，用于获取手部动作信息；处理模块，用于对所述手部动作信息进行计算处理，得到手部姿态信息；所述手部姿态信息包括若干个目标姿态信息；所述目标姿态信息表征手指和手掌的动作特征情况；确定模块，用于基于所述手部姿态信息，确定出目标手势特征信息。9.一种手势特征识别装置，其特征在于，所述装置包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的手势特征识别方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的手势特征识别方法。

技术总结
本发明公开了一种手势特征识别方法及装置，该方法包括：获取手部动作信息；对手部动作信息进行计算处理，得到手部姿态信息；手部姿态信息包括若干个目标姿态信息；目标姿态信息表征手指和手掌的动作特征情况；基于手部姿态信息，确定出目标手势特征信息。可见，本发明有利于提高手势特征识别效率和精度，进而提高手势特征识别在线实时性能，扩大手势动作识别分类类别。类类别。类类别。


技术研发人员：印二威 张皓洋 王心怡 张星昱 谢良 张敬 陈伟 白晓伟 闫野
受保护的技术使用者：中国人民解放军军事科学院国防科技创新研究院
技术研发日：2023.07.04
技术公布日：2023/9/20