Работая с Wii, я часто нахожу необходимым распознавать простые жесты, но до сих пор мне удавалось смотреть в основном на величину ускорения, чтобы распознавать жесты, на которые ссылаются наши документы по дизайну игр, но я хотел бы создать более надежная система, которая позволяет «записывать» примеры жестов и распознавать сложные жесты.
Какие стратегии вы использовали в прошлом? Почему они работали? Почему они не работают? Что бы вы сделали по-другому?
Ответы:
Править Аффинная инвариантность, по-видимому, требует этой версии кривизны.
http://en.wikipedia.org/wiki/Affine_curvature#Affine_curvature
Предположим, это то, что я имею в виду. (Хотя нормальная кривизна, я думаю, инвариантна к поворотам, которые могут быть достаточно хорошими).
Редактировать версию кривизны в инвариантном масштабе смотрите здесь
/math/1329/what-is-the-form-of-curvature-that-is-invariant-under-rotations-and-uniform- Скали
Проблемы распознавания жестов являются подклассом проблем распознавания, а проблемы распознавания - это, в основном, проблемы сравнения моделей.
Вы пытаетесь приспособить свой жест к некоторой коллекции жестов, лучший жест побеждает.
Я бы записал ваш жест несколько раз и попытался бы согласовать ваши тренировочные данные с чем-то вроде b-сплайна (кривой). Возможно, вы хотите, чтобы ваши жесты были инвариантны к аффинным преобразованиям (вращение, масштабирование, перемещение), поэтому сохраняйте кривую в виде таблицы значений кривизны (вряд ли она будет иметь хорошую замкнутую форму), в отличие от декартовых координат элемента управления точки.
Это модель жеста. Допустим, у вас есть несколько.
Чтобы сравнить их, начните с подгонки ваших входных данных, а затем оцените кривизну x количество раз, где x дает хороший компромисс между точностью и производительностью.
Теперь выполните итерацию по моделям и вычтите значения кривизны (оцениваемые в одной и той же точке вдоль соответствующих кривых с точки зрения длины дуги) и возведите в квадрат разницу. Полученное значение называется остаточным. Суммируйте все остатки. Модель с наименьшими остатками подходит лучше всего и является вашим наиболее вероятным жестом.
Сравните мой ответ с @ Olie's. Они в основном одинаковы, хотя мы выбираем разные модели для жеста (построение таблицы кривизны со знаком и запись изменения угла касательной практически одинаковы, я предполагаю, что данные генерируются сглаженным кривая с шумом, хотя), главное отличие в том, что @Olie включает скорость.
Выбор параметров для включения в модель зависит от ситуации и требований к производительности. Имейте в виду, что добавление параметров в вашу модель увеличивает размерность.
В очень общих терминах вы, вероятно, хотите определить жест как направление, за которым следует [возможно, очень короткая] задержка, за которой следует другое направление (и относительные углы между направлениями и т. Д. До конца).
Например, сделать букву «Т» с вашей палочкой (и не забывайте, что некоторые люди левши, поэтому ваши определения не должны зависеть от руки!) - это вертикальное свист, короткая задержка, изгибание разворота, короткая задержка, разворот движется в горизонтальном направлении, внезапная остановка.
Когда вы читаете жест, вы хотите увидеть, насколько близко прочитанный шаблон соответствует описанию шаблона.
В общих чертах, вы можете сначала отбросить словарь определений, устранив очевидные несоответствия (те, которые даже не начинаются правильно, или которые слишком длинные или слишком короткие), а затем «забить» жест по оставшимся определениям. Оцените жест, оценивая каждую часть относительно того, насколько хорошо он соответствует определению (0-100%) и среднеквадратическому значению (возьмите ошибки, возведите в квадрат, суммируйте их, затем возьмите квадратный корень из этой суммы.)
Использование RMS подчеркивает большие различия (что приводит к более низкому баллу), но при этом стремится скрыть небольшие различия (что приводит к лучшему соответствию).
На этом материале есть масса материала - распознавание жестов Google. Не волнуйтесь, если это для стилуса или другой вещи не Wii, принципы адаптируются хорошо.
Я сделал это только с помощью мыши, но мое решение сработало очень хорошо. Я создал шаблон точек точек для представления жеста - это форма для рисования. Затем я сохранил путь курсора при его перемещении. Затем я масштабировал этот путь мыши так, чтобы он имел ту же ширину и высоту, что и целевой шаблон. Каждое обновление я проходил по всем точкам моего пути курсора, следя за тем, чтобы они находились на определенном расстоянии от узла пути жеста, просматривая каждую точку пути жеста по порядку.
Меня научил Game AI один из ведущих разработчиков AiLive (он есть в некоторых видео), и короткий ответ заключается в том, что пытаться распознавать жесты слишком больно, чтобы тратить на это свою жизнь. Я бы предложил пойти по пути промежуточного ПО и получить пакет LiveMove от AiLive.