謝仁強，曹俊誠

（1.中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所中國科學(xué)院太赫茲固態(tài)技術(shù)重點實驗室，上海200050；2.上?？萍即髮W(xué)信息科學(xué)與技術(shù)學(xué)院，上海201210）

基于加速度傳感器的可擴展手勢識別*

謝仁強1，2，曹俊誠1*

（1.中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所中國科學(xué)院太赫茲固態(tài)技術(shù)重點實驗室，上海200050；2.上?？萍即髮W(xué)信息科學(xué)與技術(shù)學(xué)院，上海201210）

為了提高基于加速度傳感器的動態(tài)手勢識別算法的性能，并且增強系統(tǒng)的可擴展性，提出了一種有效結(jié)合機器學(xué)習模型與模板匹配的方法。將手勢分為基本手勢和復(fù)雜手勢兩大類，其中復(fù)雜手勢可分割為基本手勢組成的序列；根據(jù)手勢運動的特點提取有效的特征量，并利用基本手勢樣本訓(xùn)練隨機森林模型，然后用其對基本手勢序列進行分類預(yù)測；將預(yù)測結(jié)果進行約翰遜編碼，再與標準模板序列進行相似度匹配。實驗結(jié)果表明，該方法獲得了99.75%的基本手勢識別率以及100%的復(fù)雜手勢識別率。算法既保證了手勢識別的精度，也提高了系統(tǒng)的可擴展性。

手勢識別；加速度傳感器；手勢分割；隨機森林；相似度匹配

EEACC：7230；7320Edoi：10.3969/j.issn.1004-1699.2016.05.006

隨著傳感技術(shù)的快速發(fā)展，人機交互已經(jīng)成為人們?nèi)粘Ｉ畈豢苫蛉钡闹匾M成部分。手勢作為一種自然的人機接口，大大簡化了交互的過程，使得人們能夠較為直觀地向機器以及計算機發(fā)送命令。過去幾年中，已經(jīng)提出的一些關(guān)于手勢識別的應(yīng)用包括智能輪椅［1］，電視控制系統(tǒng)［2］，智能戒指［3］，以及機器人輔助生活［4］等。

手勢識別目前主要有兩種實現(xiàn)方式，一種是基于計算機視覺的識別技術(shù)［5-6］，另一種是基于慣性傳感器的識別［7-10］。由于三軸加速度傳感器在可移動性、低延時、低成本方面的優(yōu)勢，已被越來越多地嵌入到各類消費電子產(chǎn)品中。在文獻［11-12］中，作者開發(fā)了一支基于加速度傳感器的數(shù)字筆以及一個軌跡識別算法，用以識別手寫數(shù)字和手勢。近來，多傳感器融合技術(shù)已被應(yīng)用在各類系統(tǒng)中以提高手勢識別的性能［13］。然而，融合多個傳感器將增加系統(tǒng)的成本開銷以及計算負擔。

就手勢識別算法而言，隱馬爾科夫模型［4］作為一種重要的統(tǒng)計模型目前應(yīng)用較為廣泛；其他一些已提出的手勢識別方法包括動態(tài)時間規(guī)整［14-15］，符號序列與模板匹配［16］，最大概率的最長公共子序列［17］，以及相似性傳播［18］等。然而，這些方法要么基于機器學(xué)習模型，算法具有較高的識別精度，但可擴展性較差，如需往手勢庫中添加新手勢，則要預(yù)先收集大量的新手勢樣本。相反，模板匹配的方法可擴展性較強，但識別準確率一般要稍差一些。本文基于加速度傳感器提出一種有效結(jié)合機器學(xué)習模型與相似度匹配的方法。將手勢分為基本手勢和復(fù)雜手勢兩大類，其中復(fù)雜手勢可分割為基本手勢組成的序列；利用基本手勢訓(xùn)練隨機森林模型［19］，然后用其對基本手勢序列進行分類預(yù)測；將預(yù)測結(jié)果進行約翰遜編碼，再與標準模板序列進行相似度匹配。算法既保證了手勢識別的精度，也提高了系統(tǒng)的可擴展性。

1　硬件設(shè)計與系統(tǒng)流程

1.1硬件設(shè)計

本文設(shè)計實現(xiàn)了一個加速度傳感數(shù)據(jù)采集模塊和一個可擴展的手勢識別算法。其中，傳感系統(tǒng)主要包含一個3軸MEMS（Microelectromechanical Systems）加速度傳感器（MMA9551L）和一個微控制器（IAP15W4K58S4）。MMA9551L的可選量程為±2 gn/±4 gn/±8 gn，電源電壓范圍1.71 V～1.89 V，而IAP15W4K58S4的電源電壓范圍為2.5 V～5.5 V，由于兩者IO電平不匹配，因此需在兩者之間加電平轉(zhuǎn)換芯片（PCA9306）。整個電路板的尺寸約為14 cm×2.4 cm，其實物如圖1所示。MMA9551L測量手勢模擬加速度信號，經(jīng)內(nèi)部自帶的16 bit A/D轉(zhuǎn)換器將其轉(zhuǎn)換為數(shù)字信號。微控制器通過IIC接口讀取加速度傳感器采集的加速度數(shù)據(jù)，然后將讀取的數(shù)據(jù)通過USB傳輸至PC，在PC上完成手勢的識別。本文系統(tǒng)采樣頻率為100 Hz，加速度測量范圍設(shè)為±8 gn。

圖1　加速度傳感數(shù)據(jù)采集模塊電路板

1.2系統(tǒng)流程

本文系統(tǒng)流程如圖2所示。首先，用戶手持加速度傳感數(shù)據(jù)采集模塊為手勢集合中的每個基本手勢采集樣本數(shù)據(jù)；經(jīng)信號預(yù)處理，手勢分割，特征提取之后作為訓(xùn)練樣本用于訓(xùn)練隨機森林模型；訓(xùn)練之后的模型即可用于對基本手勢進行分類預(yù)測。然后，用戶輸入手勢集合中的復(fù)雜手勢；經(jīng)信號預(yù)處理，手勢分割之后，被切分成一個由基本手勢組成的序列；再經(jīng)特征提取之后用已訓(xùn)練的模型對序列中的每個基本手勢進行分類識別。將識別出的基本手勢進行約翰遜編碼，再與標準模板序列進行相似度匹配，輸出最相似的手勢。

圖2　系統(tǒng)流程圖

圖38　個基本手勢的運動示意圖

2　手勢識別算法

本節(jié)首先對手勢進行簡單介紹，然后著重闡述手勢識別算法的原理。整個識別過程包括以下幾個步驟：數(shù)據(jù)采集與預(yù)處理、手勢分割、特征提取、分類器的構(gòu)建、基本手勢編碼、相似度匹配。

2.1手勢定義

在大多數(shù)現(xiàn)有的手勢識別系統(tǒng)中，手勢是作為一個整體被識別的，并且每個手勢均需收集大量的訓(xùn)練樣本；因此，這些系統(tǒng)不便于用戶添加新的手勢。本文提出一種可擴展的手勢識別算法，將手勢分為兩大類：基本手勢和復(fù)雜手勢；其中，復(fù)雜手勢可拆分為基本手勢組成的序列。8個基本手勢的運動示意圖如圖3所示，包括：上（U），下（D），左（L），右（R），右上（UR），左下（LL），左上（UL），右下（LR）。6個復(fù)雜手勢的運動示意圖及其編號（1～6）如圖4。通過將復(fù)雜手勢拆分為基本手勢序列，例如，手勢“Z”（編號為4）可拆分為“右-左下-右”，系統(tǒng)只需采集基本手勢樣本來訓(xùn)練模型，然后利用已訓(xùn)練的模型對基本手勢序列中的每一個進行分類識別；再將識別出的基本手勢序列與標準模板序列進行相似度匹配，從而實現(xiàn)復(fù)雜手勢的識別。系統(tǒng)有效結(jié)合了機器學(xué)習模型的高準確率以及模板匹配的可擴展性，實現(xiàn)了基本手勢識別算法的復(fù)用，因而系統(tǒng)易于添加新手勢。

圖46　個復(fù)雜手勢的運動示意圖

2.2數(shù)據(jù)采集與預(yù)處理

用戶手持加速度傳感數(shù)據(jù)采集模塊，在豎直平面（x-y平面）內(nèi)完成圖3和圖4所示的手勢動作。為了消除無意識的手勢，在執(zhí)行手勢動作前需按下按鍵，這時微控制器開始采集加速度，完成手勢動作后再松開按鍵。采集的原始加速度數(shù)據(jù)中含有重力加速度分量，為了準確獲取手勢加速度，需要預(yù)先去除重力加速度在各軸的偏移

其中，ar為采集的原始加速度，as為去除重力加速度分量后的手勢加速度，N為采集的加速度樣本點數(shù)。由于手的抖動，手勢加速度往往伴隨著高頻噪聲，為了不影響識別效果，本文采用滑動均值濾波器來濾除高頻分量

這里，a為濾波后的手勢加速度，本文取k=5，即滑動均值濾波器的點數(shù)設(shè)為11。手勢“左”的加速度預(yù)處理前后效果如圖5所示。

圖5　手勢“左”的加速度曲線

圖5中，上圖為預(yù)處理前的原始加速度曲線，下圖為預(yù)處理后的加速度曲線。可以看出，經(jīng)預(yù)處理重力加速度偏移已被移除，并且曲線更加平滑；注意到其波形類似于正弦曲線。“右”、“上”、“下”的波形與此類似，但加速度方向和所在坐標軸稍有變化；“右上”、“左下”、“左上”、“右下”則稍復(fù)雜，其同時在兩個坐標軸上含有加速度分量

2.3手勢分割

為了準確檢測手勢的起點和終點，從而截取有效的手勢信號段，本文采用基于加速度一階后向差分的檢測方法。在沒有手勢動作時，加速度相對平穩(wěn)；而當有手勢動作發(fā)生時，加速度變化劇烈。對加速度信號進行差分可反映加速度變化的劇烈程度。具體地，

注意到，此處取加速度后向差分的模值，并進行了滑動平均，J［n］為滑動平均后的加速度差分信號，M=5。

手勢“三角形”（編號為6，基本手勢序列為D-R-UL）的加速度及加速度差分信號分別示于圖6（上）和圖6（下），可見每一個基本手勢都對應(yīng)一個加速度差分的主峰（圓圈標識）；由于復(fù)雜手勢需分割為基本手勢序列，因此，可選擇相鄰兩個加速度差分峰值間的最小值（倒三角標識）作為基本手勢的分割點；手勢的起點和終點則可通過一個閾值來確定（本文閾值設(shè)為0.025 g）。當?shù)谝粋€波峰左邊下降至閾值時則為手勢的起點，最后一個波峰右邊下降至閾值時則為手勢的終點（正方形標識）。手勢分割點及主峰值點已在加速度曲線中用豎直線標出，可見利用加速度差分的方法可較好地將一個復(fù)雜手勢分割為三個基本手勢信號段，即得到一個長度為三的基本手勢序列。對單獨的基本手勢而言，情況則稍簡單一些，只需確定加速度差分主峰值左右兩邊的起點跟終點即可。

圖6　手勢分割

2.4特征提取

手勢分類的關(guān)鍵是提取能夠準確描述手勢運動學(xué)特性的特征量，特征提取直接關(guān)系到手勢識別的準確率，提取的特征必須能夠反映各類手勢的特點以及明顯區(qū)別于其他手勢的地方。由于復(fù)雜手勢已分割為基本手勢序列，因此只需提取基本手勢相關(guān)的特征即可。本文共定義了17個特征，分別為MAx，MAy，MAR，MAS，lmx，rmx，lmy，rmy，slmtx，srmtx，slmty，srmty，Jx，Jy，JR，SJR，r；其中下標x和y表示分別在x和y軸提取的特征。以下為各個特征的具體定義：

①平均絕對加速度

其中L為手勢分割截取的有效手勢信號段的長度。

②x和y軸平均絕對加速度的比值

③x和y軸平均絕對加速度之和

④加速度差分主峰值點左邊加速度絕對值最大時的加速度值

同理可得主峰值點右邊加速度絕對值最大時的加速度值rm。

⑤加速度差分主峰值點左邊大于閾值的加速度絕對值的最大值點的加速度符號

⑥加速度差分主峰值點左右兩邊加速度絕對值最大值點間的平均加速度導(dǎo)數(shù)

其中Δt為兩點間的時間差。

⑦x和y軸平均加速度導(dǎo)數(shù)的比值

⑧JR的符號SJR=sign（JR）

⑨x和y軸加速度間的相關(guān)系數(shù)

其中cov（x，y）為協(xié)方差，σx和σy為x和y軸加速度的標準差。

2.5分類器的構(gòu)建

在機器學(xué)習中，隨機森林是一個包含多棵決策樹的組合分類器，其輸出的類別是由各決策樹輸出的多數(shù)類而定。在建立每一棵決策樹的過程中，從N個訓(xùn)練樣本中有放回取樣N個樣本（即bootstrap取樣）對每個結(jié)點分裂時，從M個特征中隨機選擇log（M+1）個特征采用完全分裂的方式建立決策樹，不需要進行剪枝。Weka是基于Java環(huán)境下開源的機器學(xué)習以及數(shù)據(jù)挖掘軟件，其源代碼可在它的官方網(wǎng)站下載。本文使用Weka中提供的隨機森林算法，利用已提取的17個基本手勢特征，共構(gòu)建了11棵決策樹。

2.6基本手勢編碼

基本手勢識別之后，需將其進行4-bit約翰遜編碼以便能夠計算手勢間的相似度。8個基本手勢相應(yīng)的約翰遜編碼如表1所示，從R（C0）到LR（C7）依次進行編碼。編碼規(guī)則可迭代地表示為

其中，B3，B2，B1，B0是二進制bit，Cn和Cn+1是兩個相鄰的編碼，n=0～6，C0=0000。注意到：①任意兩個相鄰的編碼之間有且僅有1 bit不同；②第一個編碼（C0）與最后一個編碼（C7）之間有且僅有1 bit不同。兩個手勢編碼間的漢明距離可表示為不相同的二進制比特的個數(shù)。給定任意兩個基本手勢Cx=X3X2X1X0和Cy=Y3Y2Y1Y0，則Cx和Cy之間的漢明距離可表示為

s的取值范圍為0～1，當Cx與Cy相同時取1，相反時取0。注意到兩個手勢編碼不同的bit數(shù)越少（即漢明距離越?。?，手勢越相似。

即d（Cx，Cy）等于Cx⊕Cy中1的個數(shù)，且其取值范圍為0～4。由表1可以看出，任意兩個方向相鄰的手勢有1 bit不同，遞增地，任意兩個方向相反的手勢有4 bit不同。本文中利用兩個基本手勢編碼間的漢明距離來度量手勢間的相異性；將其轉(zhuǎn)化為歸一化的相似度

s的取值范圍為0～1，當Cx與Cy相同時取1，相反時取0。注意到兩個手勢編碼不同的bit 數(shù)越少（即漢明距離越?。?，手勢越相似。

表1　8個基本手勢的約翰遜編碼

2.7相似度匹配

復(fù)雜手勢通過手勢分割變?yōu)榛臼謩菪蛄?，?jīng)特征提取及模式分類之后得到一個已識別的基本手勢序列（可能存在誤識別）；將每個識別出的基本手勢進行約翰遜編碼，再與標準模板序列進行相似度匹配，即可識別出復(fù)雜手勢。假設(shè)輸入的復(fù)雜手勢已識別為序列A1′-A2′-A3′，將其與表2中的模板序列進行相似度匹配；具體地，計算

其中，i=1～6，Si為已識別序列與第i個模板序列的總相似度。預(yù)測結(jié)果即為，即將最相似的手勢作為輸出結(jié)果。

3　實驗結(jié)果

3.1基本手勢識別

為了測試手勢識別算法的效果，本文收集了5名實驗者總共1 100個手勢樣例，其中800個基本手勢，300個復(fù)雜手勢。要求每位實驗者按圖3和圖4所示，以正常的速度在豎直平面內(nèi)重復(fù)20次基本手勢動作以及10次復(fù)雜手勢動作。首先，利用800個基本手勢樣本，采用十折交叉驗證的方法來評估隨機森林分類器的效果，得到如表3所示的混淆矩陣，可見800個樣本中僅有2個分類錯誤，平均識別率達99.75%。然后，用所有800個樣本來訓(xùn)練模型，已訓(xùn)練的模型即可用于對復(fù)雜手勢分割成的基本手勢序列進行分類識別。

表3　基本手勢識別的混淆矩陣

表4　由復(fù)雜手勢分割成的基本手勢的識別結(jié)果

3.2復(fù)雜手勢識別

300個復(fù)雜手勢經(jīng)手勢分割后得到900個基本手勢。利用3.1節(jié)已訓(xùn)練好的隨機森林分類模型對其進行分類識別，得到表4所示的識別結(jié)果。平均識別率為97.3%，其中識別率最低的為“左上”，其識別率為88%。注意到，在分類錯誤的樣例中，大多被誤分為與其相鄰的手勢，這為本文提出的基于約翰遜編碼的相似度匹配提供了數(shù)據(jù)支撐，因為相鄰兩個手勢較為相似，可通過相似度匹配來進行糾錯。由隨機森林模型已識別的基本手勢序列經(jīng)約翰遜編碼之后，再與標準模板序列進行相似度匹配，得到最終的復(fù)雜手勢輸出。其識別結(jié)果的混淆矩陣如表5所示，注意到每個復(fù)雜手勢均被正確識別。

表5　復(fù)雜手勢識別的混淆矩陣

算法在隨機森林分類器較高的基本手勢識別率的基礎(chǔ)上，采用基于約翰遜編碼的相似度匹配的方法成功地實現(xiàn)了序列糾錯的效果；在提升識別精度的同時，也增強了系統(tǒng)的可擴展性。表6對本文以及其他一些文獻中提出的不同手勢識別算法的性能做了比較，可以看出，本文提出的隨機森林與相似度匹配的方法性能略高于其他的算法。

表6　不同手勢識別算法的性能比較

4　結(jié)論

本文提出了基于加速度傳感器的可擴展手勢識別算法。根據(jù)手勢運動的特點提取了有效的特征量，并利用基本手勢樣本構(gòu)建了隨機森林模型。通過將復(fù)雜手勢分割成基本手勢序列，并利用已訓(xùn)練的模型對其進行分類識別；將識別出的序列經(jīng)約翰遜編碼之后，與標準模板序列進行相似度匹配，得到最終的分類結(jié)果。算法有效地將隨機森林和相似度匹配結(jié)合起來，既保證了手勢識別的精度，也提高了系統(tǒng)的可擴展性。然而，系統(tǒng)沒有考慮加速度傳感器的零點漂移問題，且系統(tǒng)只能識別由基本手勢組成的序列，不能識別一些不規(guī)則的手勢。在今后的研究工作中，可考慮如何對傳感器進行校準，以及如何引進非規(guī)則手勢。

［1］Lu Tao.A Motion Control Method of Intelligent Wheelchair Based on Hand Gesture Recognition［C］//2013 IEEE 8th Conference on Industrial Electronics and Applications，2013：957-962.

［2］Lian Shiguo，Hu Wei，Wang Kai.Automatic User State Recogni?tion for Hand Gesture Based Low-Cost Television Control System［J］.IEEE Transactions on Consumer Electronics，2014，60（1）：107-115.

［3］Xie Renqiang，Sun Xia，Xia Xiang，et al.Similarity Matching-Based Extensible Hand Gesture Recognition［J］.IEEE Sensors Journal，2015，15（6）：3475-3483.

［4］Zhu Chun，Sheng Weihua.Wearable Sensor-Based Hand Gesture and Daily Activity Recognition for Robot-Assisted Living［J］. IEEE Transactions on Systems，Man and Cybernetics，Part A：Sys?tems and Humans，2011，41（3）：569-573.

［5］Alon Jonathan，Athitsos Vassilis，Yuan Quan，et al.A Unified Framework for Gesture Recognition and Spatiotemporal Gesture Segmentation［J］.IEEE Transactions on Pattern Analysis and Ma?chine Intelligence，2009，31（9）：1685-1699.

［6］Zhou Shengli，F(xiàn)ei Fei，Zhang Guanglie，et al.2D Human Gesture Tracking and Recognition by the Fusion of MEMS Inertial and Vi?sion Sensors［J］.IEEE Sensors Journal，2014，14（4）：1160-1170.

［7］肖茜，楊平，徐立波.一種基于MEMS慣性傳感器的手勢識別方法［J］.傳感技術(shù)學(xué)報，2013，26（5）：611-615.

［8］陳意，楊平，陳旭光.一種基于加速度特征提取的手勢識別方法［J］.傳感技術(shù)學(xué)報，2012，25（8）：1073-1078.

［9］王萬良，楊經(jīng)緯，蔣一波.基于運動傳感器的手勢識別［J］.傳感技術(shù)學(xué)報，2011，24（12）：1723-1727.

［10］劉蓉，劉明.基于三軸加速度傳感器的手勢識別［J］.計算機工程，2011，37（24）：141-143.

［11］Wang Jeen-Shing，Chuang Fang-Chen.An Accelerometer-Based Digital Pen With a Trajectory Recognition Algorithm for Handwrit?ten Digit and Gesture Recognition［J］.IEEE Transactions on In?dustrial Electronics，2012，59（7）：2998-3007.

［12］Hsu Yu-Liang，Chu Cheng-Ling，Tsai Yi-Ju，et al.An Inertial Pen with Dynamic Time Warping Recognizer for Handwriting and Ges?ture Recognition［J］.IEEE Sensors Journal，2015，15（1）：154-163.

［13］Zhang Xu，Chen Xiang，Li Yun，et al.A Framework for Hand Ges?ture Recognition Based on Accelerometer and EMG Sensors［J］. IEEE Transactions on Systems，Man and Cybernetics，Part A：Sys?tems and Humans，2011，41（6）：1064-1076.

［14］荊雷，馬文君，常丹華.基于動態(tài)時間規(guī)整的手勢加速度信號識別［J］.傳感技術(shù)學(xué)報，2012，25（1）：72-76.

［15］周治平，苗敏敏.基于改進DTW及互信息去噪的手勢認證研究［J］.傳感技術(shù)學(xué)報，2014，27（8）：1070-1076.

［16］Xu Ruize，Zhou Shengli，Li Wen J.MEMS Accelerometer Based Nonspecific-User Hand Gesture Recognition［J］.IEEE Sensors Journal，2012，12（5）：1166-1173.

［17］Frolova Darya，Stern Helman，Berman Sigal.Most Probable Lon?gest Common Subsequence for Recognition of Gesture Character Input［J］.IEEE Transactions on Cybernetics，2013，43（3）：871-880.

［18］Akl Ahmad，F(xiàn)eng Chen，Valaee Shahrokh.A Novel Accelerome?ter-Based Gesture Recognition System［J］.IEEE Transactions on Signal Processing，2011，59（12）：6197-6205.

［19］Breiman Leo.Random Forests［J］.Machine Learning，2001，45（1）：5-32.

謝仁強（1991-），男，四川人，中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所碩士研究生，與上?？萍即髮W(xué)聯(lián)合培養(yǎng)，主要為研究方向為基于慣性傳感器的手勢識別技術(shù)，xierq@shanghaitech.edu.cn；

曹俊誠（1967-），男，江西人，中科院上海微系統(tǒng)與信息技術(shù)研究所研究員（二級）、博士生導(dǎo)師、中科院太赫茲固態(tài)技術(shù)重點實驗室主任、國家杰出青年基金獲得者、中科院“百人計劃”、新世紀百千萬人才工程國家級人選、上海市優(yōu)秀學(xué)科帶頭人計劃入選者、國務(wù)院政府特殊津貼和上海市自然科學(xué)牡丹獎獲得者。主要為從事THz物理、器件及通信與成像應(yīng)用等方面的研究，jccao@mail.sim.ac.cn。

Accelerometer-Based Extensible Hand Gesture Recognition*

XIE Renqiang1，2，CAO Juncheng1*
（1.Key Laboratory of Terahertz Solid-State Technology，Shanghai Institute of Microsystem and Information Technology，Chinese Academy of Sciences，Shanghai 200050，China；2.School of Information Science and Technology，ShanghaiTech University，Shanghai 201210，China）

This paper presents an algorithm combining machine learning model and template matching to improve the performance of accelerometer-based dynamic hand gesture recognition and enhance the extensibility of the system. Gestures are divided into two types，i.e.，the basic gesture and the complex gesture which can be decomposed into a basic gesture sequence.According to the characteristics of hand movements，effective features are extracted.A ran?dom forest model is constructed with the basic gesture samples，and then used to classify the basic gesture sequences. The predicted results are subsequently encoded with Johnson codes，and then matched with the standard template sequences by comparing the similarity.Experiment achieves 99.75%basic gesture recognition rate and 100% complex gesture recognition rate.The algorithm improves the performance as well as enhances the extensibility.

gesture recognition；accelerometer；gesture segmentation；random forest；similarity matching

TP212.9

A

1004-1699（2016）05-0659-06

項目來源：國家重點基礎(chǔ)研究發(fā)展計劃項目（2014CB339803）；國家高技術(shù)研究發(fā)展計劃（863）主題項目（2011AA010205）；國家自然科學(xué)基金項目（61131006）；國家重大科學(xué)儀器設(shè)備開發(fā)專項項目（2011YQ150021）

2015-12-21修改日期：2016-01-11