使用手势元素的手势识别的制作方法

相关申请的交叉引用

本申请要求享受2014年10月29日向美国专利商标局提交的、标题为“gesturerecognitionusinggestureelements”的临时专利申请第62/069,923号和2014年11月20日向美国专利商标局提交的、标题为“gesturerecognitionusinggestureelements”的非临时专利申请第14/548,775号的优先权和利益，故以引用方式将这两份申请的全部内容并入本文。

概括地说，下文讨论的技术涉及向电子设备输入信息，具体地说，下文讨论的技术涉及使用手势识别来输入信息。

背景技术：

运动捕捉可穿戴设备以增长的数量出现。一些示例是智能手表、活动追踪器、智能眼镜等等。用户可以通过包括物理按键、触摸(虚拟)按键、软键、触摸屏、触摸板、图像传感器或运动捕获传感器的各种方法，与这样的设备进行交互。此外，一些设备可以被配备为执行手势识别，作为与这些设备进行交互的方式。如本公开内容中所使用的手势，通常指代可以由设备使用各种传感器来捕捉的在时间上的一系列动作。例如，可以使用诸如手写笔、手指、手、识别棒之类的物体或者任何合适的物体，来执行手势。识别的手势可以使得设备执行某些动作或者不执行动作，或者表示到设备的输入信息。通常，手势识别系统基于从设备的传感器(例如，运动传感器)获得的原始数据，来执行手势识别。原始数据指代从设备的任何传感器获得的、没有经过实质性处理或者与手势识别有关的其它操作的数据，以及其还可以称为主数据或者传感器数据。基于原始数据的手势识别算法，通常需要高度准确地识别手势，以便从用户的角度来看实现更自然的输入。现有的手势识别技术通过对手势的整个输入序列(原始数据)使用公知的技术(比如，隐马尔科夫模型(hmm))，来对原始数据使用简单的机器学习。

技术实现要素：

下文给出了对本公开内容的一个或多个方面的简单概括，以便提供对这样的方面的基本的理解。该概括部分不是对本公开内容的所有预期特征的详尽概述，也不是旨在标识本公开内容的所有方面的关键或重要元素，或者描述本公开内容的任意或全部方面的范围。其唯一目的是用简单的形式呈现本公开内容的一个或多个方面的一些概念，以此作为后文给出的更详细说明的序言。

本公开内容的方面提供了一种用于捕捉手势的手势识别方法和装置。将手势的原始数据分类成手势元素，通过一个或多个手势元素的序列，来形成手势。使用这些手势元素之间的前后关系依赖性，以高准确度来执行手势识别。

在一个方面，本公开内容提供了一种能在装置处操作的识别手势的方法。该装置从一个或多个手势捕捉传感器生成手势的原始数据，将原始数据分类成一个或多个手势元素，确定所述一个或多个手势元素之间的前后关系依赖性，并基于所确定的手势元素，识别该手势。

本公开内容的另一个方面提供了一种用于识别手势的装置。该装置包括：一个或多个手势捕捉传感器；原始数据捕捉块，其被配置为从所述手势捕捉传感器中，生成手势的原始数据；手势元素分类块，其被配置为将该原始数据分类成一个或多个手势元素；前后关系依赖性确定块，其被配置为确定所述一个或多个手势元素之间的前后关系依赖性；手势识别块，其被配置为基于所确定的手势元素，识别该手势。

本公开内容的另一个方面提供了一种用于识别手势的装置。该装置包括：用于从一个或多个手势捕捉传感器生成手势的原始数据的单元；用于将该原始数据分类成一个或多个手势元素的单元；用于确定所述一个或多个手势元素之间的前后关系依赖性的单元；以及用于基于所确定的手势元素，识别该手势的单元。

本公开内容的另一个方面提供了一种包括有用于使装置识别手势的代码的计算机可读介质。当所述代码被执行时，使得所述装置执行以下操作：从一个或多个手势捕捉传感器生成手势的原始数据；将该原始数据分类成一个或多个手势元素；确定所述一个或多个手势元素之间的前后关系依赖性；以及基于所确定的手势元素，识别该手势。

在阅读了下文的具体实施方式之后，将变得更加全面理解本发明的这些和其它方面。在结合附图阅读了下文的本发明的特定、示例性实施例的描述之后，本发明的其它方面、特征和实施例对于本领域技术人员来说将变得显而易见。虽然相对于下文的某些实施例和附图讨论了本发明的特征，但本发明的所有实施例可以包括本文所讨论的优势特征中的一个或多个优势特征。换言之，虽然将一个或多个实施例讨论成具有某些优势特征，但根据本文所讨论的本发明的各个实施例，也可以使用这样的特征中的一个或多个特征。用类似的方式，虽然下文将示例性实施例讨论成设备、系统或者方法实施例，但应当理解的是，这样的示例性实施例可以用各种各样的设备、系统和方法来实现。

附图说明

图1是根据本公开内容的方面，示出用于使用处理系统的装置的硬件实现方式的例子的框图。

图2是根据本公开内容的方面，示出使用手势元素的手势捕捉方法的流程图。

图3是根据本公开内容的方面，示出用于使用手势元素之间的前后关系依赖性，来识别手势的手势识别方法的流程图。

图4是根据本公开内容的方面，示出手势和相应的手势元素的例子的绘图。

图5是根据本公开内容的方面，示出控制手势捕捉的方法的流程图。

图6是根据本公开内容的方面，示出手势元素分类方法600的流程图。

图7是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定过程的例子的绘图。

图8是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定过程的另一个例子的绘图。

图9是根据本公开内容的方面，示出手势元素重新分类方法的流程图。

具体实施方式

下文结合附图陈述的具体实施方式旨在作为对各种配置的描述，而不旨在表示仅在这些配置中才可以实现本文所描述的概念。为了对各种概念有透彻理解，具体实施方式包括特定的细节。但是，对于本领域技术人员来说显而易见的是，在没有这些特定细节的情况下也可以实现这些概念。在一些实例中，为了避免对这些概念造成模糊，公知的结构和组件以框图形式示出。

本公开内容的方面提供了用于将手势的原始数据分类成手势元素来执行手势识别的手势识别方法和装置。该方法使用手势元素之间的前后关系依赖性，以高准确度和高效率来执行手势识别。手势可以包括一个或多个手势元素的序列。每个手势元素可以是能根据原始数据进行识别的预定的运动或可区分的运动。在本公开内容的各个方面，可以通过利用手势的手势元素的前后关系依赖性来识别手势。对手势元素的使用可以促进增加数量的可识别手势，其中这些可识别手势被规定成手势元素的各种组合。

图1是示出用于使用处理系统114的装置100的硬件实现方式的例子的图。装置100可以是移动电话、计算设备、游戏设备、手持型计算机、智能电话、可穿戴计算设备、平板计算机、便携式媒体播放器、媒体录制设备、物联网(iot)设备等等。装置100的各种组件、框和/或电路，可以利用软件、硬件、固件和/或其组合来实现。根据本公开内容的各个方面，元素或者元素的任何部分或者元素的任意组合，可以利用包括一个或多个处理器104的处理电路114来实现。处理器104的例子包括微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、状态机、门控逻辑、分立硬件电路和被配置为执行贯穿本公开内容描述的各种功能的其它适当硬件。也就是说，如装置100中所利用的处理器104，可以用于实现下文所描述的和图2-9中所示出的过程或者功能中的任何一者或多者。

在该例子中，处理系统114可以利用总线架构来实现，其中该总线架构通常用总线102来表示。根据处理系统114的具体应用和整体设计约束，总线102可以包括任意数量的相互连接总线和桥接。总线102将包括一个或多个运动传感器103、一个或多个处理器(其通常用处理器104来表示)、存储器105、以及计算机可读介质(其通常用计算机可读介质106来表示)的各种电路链接在一起。运动传感器103被配置为检测或者感测装置100的运动或者位置。在本公开内容的各个方面，运动传感器103的非限制性示例可以包括陀螺仪、加速度计、照相机、卫星跟踪器、或者能够感测或检测运动和/或位置的任何设备。

总线102还可以链接诸如定时源、外围设备、电压调节器和功率管理电路之类的各种其它电路，其中这些电路是本领域所公知的，因此没有做任何进一步的描述。总线接口108提供在总线102和可选的收发机110之间的接口。收发机110提供通信接口，或者用于通过传输介质与各种其它装置进行通信的单元。根据该装置的本质，还可以提供用户接口112(例如，小键盘、显示器、扬声器、麦克风、操纵杆、鼠标、手写笔、触摸板、触摸屏)。

处理器104包括手势捕捉块140，所述手势捕捉块140可以配置为使用手势元素来捕捉和识别手势。手势捕捉块140包括原始数据捕捉块142、手势元素分类块144、前后关系依赖性确定块146和手势识别块148。原始数据捕捉块142可以接收由运动传感器103、照相机130和/或用于捕捉手势的任何适当传感器捕捉的手势的原始数据。手势元素分类块144可以将原始数据分类成一个或多个手势元素，下文将详细地描述这些手势元素。前后关系依赖性确定块146可以确定手势元素之间的前后关系依赖性。手势元素的前后关系依赖性提供在用于特定的手势的手势元素之间的时序或顺序信息或者关系。手势识别块148可以基于手势的手势元素和它们的前后关系依赖性，来识别该手势。

处理器104还负责管理总线102和通用处理，其包括执行计算机可读介质106上存储的软件。当该软件由处理器104执行时，使得处理系统114执行下文在图2-9中针对任何特定装置所描述的各种功能。在本公开内容的一个方面，软件可以包括手势识别代码或指令120，当其被处理器104执行时，使得处理系统114执行在图2-9中所描述的各种手势捕捉和识别功能。举一个例子，当手势识别代码120被执行时，其可以配置装置100(例如，手势捕捉块140)执行图2-9中所描述的各种手势捕捉功能。装置100可以通过利用用户接口112、运动传感器103中的一个或多个运动传感器、一个或多个照相机130和任何适当的传感器或者输入设备的任意组合，来捕捉手势。

计算机可读介质106还可以用于存储当处理器104执行软件时所使用或者操作的数据。在本公开内容的一个方面，可以在计算机可读介质106中存储手势词汇122(或者手势库)。手势词汇122包含该装置100可以识别的多种手势(或者手势数据)。举一个例子，词汇122可以包含字母表、字母、符号、数字、标志或者任何适当的手势。在本公开内容的一些方面，用户可以通过适当的训练过程，对词汇122进行修改、减少或者扩展。

处理系统中的一个或多个处理器104可以执行软件。软件应当被广泛地解释为意味着指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、可执行文件、执行的线程、过程、函数等等，无论其被称为软件、固件、中间件、微代码、硬件描述语言还是其它术语。软件可以位于计算机可读介质106中。计算机可读介质106可以是非暂时性计算机可读介质。举例而言，非暂时性计算机可读介质包括磁存储器件(例如，硬盘、软盘、磁带)、光盘(例如，压缩光盘(cd)或者数字通用光盘(dvd))、智能卡、闪存器件(例如，卡、棒或钥匙驱动器)、随机存取存储器(ram)、只读存储器(rom)、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、寄存器、可移动盘以及用于存储能够由计算机进行存取和读取的软件和/或指令的任何其它适当介质。计算机可读介质106可以位于处理系统114中、位于处理系统114之外、或者跨越包括处理电路114的多个实体来分布。计算机可读介质106可以体现在计算机程序产品中。举例而言，计算机程序产品可以包括在包装材料中的计算机可读介质。本领域技术人员将认识到，如何最佳地实现贯穿本公开内容所给出的描述的功能，取决于特定的应用和对整个系统所施加的设计约束。

图2是根据本公开内容的方面，示出使用手势元素的手势捕捉方法200的流程图。举一个例子，方法200可以由装置100或者任何适当的设备来执行。在方框202处，装置100使用其用户接口112(例如，触摸屏、鼠标、触摸板)、运动传感器103、照相机130或者任何适当的输入设备，来捕捉手势。如本公开内容中所使用的手势可以指代装置100接收或者检测到的任何非语言输入或者运动。举一个例子，可以通过将该装置从第一位置移动到第二位置来输入手势。例如，该装置可以使用运动传感器103(其可以是加速度计、惯性传感器或者陀螺仪)来检测这样的运动。在另一个例子中，可以利用指向设备(例如，鼠标或者跟踪球)或者通过在触摸屏或触摸板上进行绘画来输入手势。在另一个例子中，可以通过在该装置的照相机130前方做手势来输入手势。捕捉通过任何适当的方法来执行的手势，使其相应的原始数据可用于进一步的处理。

在方框204处，一旦捕捉到一个或多个手势的数据，装置100通过处理与所捕捉的手势相关联的数据，来执行用于识别所捕捉的手势的操作。例如，该数据可以包括从该装置的输入或者传感器(其包括用户接口112、运动传感器103和/或照相机103)中的一者或多者接收的原始数据。在图3-9中所示出的例子中，将更详细地描述模块204的手势识别的操作。在判断框206处，如果识别出所捕捉的手势(即，所捕捉的手势与词汇中包含的手势相匹配)，则方法200继续进行到方框208；否则，其可以结束或者返回到方框202，在所述方框202处可以捕捉另一个手势。装置100可以执行手势识别代码120，以执行手势捕捉方法200和各种手势识别功能或过程，这将下文将进一步详细地描述。

在手势识别期间，装置100判断所捕捉的手势是否是词汇122中的手势中的一个手势，其中词汇122包括关于装置100可以识别或者认为有效的手势的信息。在本公开内容的一个方面，方法200可以使用词汇210，其中词汇210包括用于针对每个可识别的手势来描述一组手势元素和它们的前后关系依赖性的手势定义。下文将详细地描述手势元素和它们的前后关系依赖性。在一些例子中，词汇210可以与图1的词汇122相同。在方框208处，装置100可以响应于所识别的手势，执行一个或多个任务或者操作。例如，当识别出该手势时，该装置可以激活特定的功能或者操作，或者停用特定的功能或者操作。在另一个例子中，所识别的手势可以是对某种用户操作或者程序的输入数据或者控制。

图3是根据本公开内容的方面，示出用于使用手势元素之间的前后关系依赖性来识别手势的手势识别方法300的流程图。方法300可以由装置100或者用于识别手势的任何适当的设备来执行。举一个例子，可以在图2的方框204处执行方法300，以识别手势。手势识别方法300使用手势元素之间的前后关系依赖性来执行手势识别。可以对一系列手势元素来执行手势识别，而不是一次对手势的所有原始数据进行处理。因此，可以减少数据大小，以及可以提高整体识别准确性。手势元素的一些非限制示例是向上、向下、向左、向右、左上、右上、左下、右下、画圆或者任何其它的运动。基于使用的传感器的类型，手势元素可以包括任何其它适当的可区分的运动。

参见图4，当用户通过操作装置来绘制字符“a”时，相应的手势元素可以包括“画圆”元素402，接着是“向下”元素404。类似地，当绘制字符“b”时，手势元素可以包括“向下”元素406，接着是“画圆”元素408。虽然两个例子(“a”和“b”手势)均产生“画圆”和“向下”手势元素，但对于“a”和“b”而言，手势元素具有不同的前后关系依赖性。对于“a”手势而言，“画圆”手势元素402之后是“向下”手势元素404。但是，对于“b”手势而言，“画圆”手势元素408在“向下”手势元素406之后。也就是说，手势元素的前后关系依赖性可以提供关于针对特定手势的手势元素的时序(时间)或者顺序信息。

返回参见图3，在方框302处，装置从一个或多个手势捕捉传感器生成与捕捉的手势相对应的原始数据。举一个例子，装置使用原始数据捕捉块142来接收一个或多个手势捕捉传感器生成的原始数据。传感器的非限制性示例可以包括图1的用户接口112、运动传感器103和/或照相机130中的一者或多者。在一个特定的示例中，当用户沿着与所期望的手势(例如，字母“a”)相对应的某种图案来移动装置时，运动传感器103可以捕捉该手势。

图5是根据本公开内容的方面，示出控制手势捕捉的方法500的流程图。举一个例子，方法500可以由装置100来执行。该装置可以在图3的方框302处，执行方法500来控制该装置何时启动和/或停止手势捕捉功能。在判断框502处，如果确定该装置开始手势捕捉，则方法继续进行到方框504处；否则，其可以保持在方框502处。在本公开内容的一些方面，用户可以操作用户接口112来以信号形式发送何时开始和/或停止手势捕捉。在本公开内容的一些方面，该装置可以基于任何适当的控制机制或者预定的条件，来开始和/或停止手势捕捉。

在方框504处，装置激活一个或多个手势捕捉传感器来生成与所捕捉的手势相对应的原始数据510。在一些例子中，该装置可以使用用户接口112、运动传感器103和/或照相机130来捕捉手势和生成相应的原始数据。原始数据510可以以任何适当的格式，存储在诸如计算机可读介质106、存储器105和/或任何非暂时性存储介质之类的适当的存储设备中。在一些例子中，可以将原始数据存储在一个或多个远程数据存储处(例如，云存储)。在判断框506处，如果确定该装置停止捕捉，则该方法继续进行到方框508处；否则，其继续进行到方框504处。在方框508处，该装置停用手势捕捉传感器，或者停止从传感器接收原始数据。可以使用方法300、600和/或900，对方法500所捕捉的原始数据510进行处理和/或操作，以基于手势的手势元素之间的前后关系依赖性来识别该手势。

返回到图3，在方框304处，装置可以利用手势元素分类块144，对所捕捉的手势的原始数据进行处理以及分类成一个或多个手势元素。举一个例子，该装置可以具有手势词汇122，所述手势词汇122可以包括标准字符集(例如，拉丁字符)或者任何预先规定的手势模式或者符号。手势词汇还存储针对每个可识别的手势的预定的手势元素。在本公开内容的一个方面，该装置可以使用基于hmm的方法来对原始数据进行处理，以确定针对某种手势的手势元素。例如，可以将手势“a”的原始数据分类成“画圆”手势元素之后接着“向下”手势元素。在另一个例子中，可以将手势“b”的原始数据分类成“向下”手势元素之后接着“画圆”手势元素。在另一个例子中，可以将手势“w”的原始数据分类成依次的“右下”手势元素、“右上”手势元素、另一个“右下”手势元素和另一个“右上”手势元素。

在方框306处，装置可以使用前后关系依赖性确定块146，来确定和分析方框304的手势元素之间的前后关系依赖性。前后关系依赖性指代这些手势元素以特定的时间顺序或次序彼此相邻出现的概率。在本公开内容的一个方面，可以使用高斯混合模型(gmm)或者任何适当的概率模型，来训练这些概率。在本公开内容的另一个方面，可以使用深度神经网络(dnn)来训练这些概率。举一个例子，如果该装置被配置为识别出拉丁字符，则其根据上下文更可能(即，更高概率)是“画圆”手势元素之后接着“向下”手势元素，而不是针对某种手势的“左下”手势元素。这是由于其可以被假定：与“画圆”之后接着“左下”依赖性(例如，针对另一个手势或未识别出的手势)的概率相比，“画圆”之后接着“向下”依赖性(例如，针对字母“a”)的概率更高。在本公开内容的一些方面，该装置可以基于所确定的前后关系依赖性，对手势元素进行重新分类。

在方框308处，装置可以使用手势识别块148，以基于方框306的手势元素来识别所捕捉的手势。在本公开内容的一个方面，前后关系依赖性确定在本质上可以是连续的。在一些例子中，手势元素可以是预定的。可以通过使用诸如dnn之类的机器学习方法的适当训练过程，来增加和/或删除手势元素。在一些例子中，可以向词汇中增加新的可识别手势，以及更新用于对新手势进行分类的相应的上下文概率。

图6是根据本公开内容的方面，示出手势元素分类方法600的流程图。方法600可以由装置100或者任何适当的设备来执行，以将手势的原始数据分类成一个或多个手势元素。举一个例子，装置可以使用手势元素分类块144(参见图1)，将原始数据分类成手势元素。在手势元素分类方法600的以下描述中，可以假定该装置正在使用某些传感器，捕捉针对一个或多个手势的原始数据。在方框602处，在第一时间间隔(t1)中，该装置使用适当的上下文模型(例如，基于gmm的模型)，将手势的第一部分的原始数据分类成第一手势元素。在方框604处，在第二时间间隔(t2)中，该装置将手势的第二部分的原始数据分类成第二手势元素。在方框606处，在第三时间间隔(t3)中，该装置可以基于手势元素的前后关系依赖性，对手势的第一部分和/或第二部分的原始数据进行重新分类。当后来分类的手势元素的前后关系依赖性指示针对重新分类的手势元素的更高概率时，该装置可以将先前分类的原始数据重新分类成不同的手势元素。将利用参照图7所描述的例子，来描绘方法600。

图7是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定过程700的例子的绘图。举一个例子，过程700可以由装置100或者使用手势元素分类方法600的任何适当设备来执行，以使用适当的上下文模型(例如，基于gmm的模型)，将手势的原始数据分类或者重新分类成一个或多个手势元素。在该特定的例子中，假定用户正在操作装置100来用动作示意字母“w”。在第一时间间隔(t1)中，可以将“w”手势的第一部分702的原始数据分类成“向下”手势元素。在第二时间间隔(t2)中，可以将“w”手势的第二部分704的原始数据分类成“向右”手势元素，即使实际的输入数据还可以被确定成“右上”手势元素。在该例子中，该装置可以考虑：根据上下文模型，与“向下”手势元素之后接着“右上”手势元素的概率相比，“向下”手势元素之后接着“向右”手势元素的概率更高。到这一点，如果没有更多的原始数据需要进行处理，则可以将从第一和第二时间间隔所确定的手势元素识别成字母“l”手势，其是词汇中的有效手势。在该例子中，将要处理更多的原始数据。

在第三时间间隔(t3)中，可以将“w”手势的第三部分706的原始数据分类成“右下”手势元素。在该情况下，对“右下”手势元素的确定可能使得该装置对在第一和第二时间间隔中确定的手势元素进行重新分类。基于到目前为止所确定的手势元素(例如，对于第一、第二和第三部分而言)之间的前后关系依赖性，该装置可以确定：与先前的分类相比，时间间隔t1、t2的手势元素是“右下”和“右上”的概率更高。因此，该装置可以将在第一至第三时间间隔内的手势元素重新分类成“右下”、“右上”和“右下”。随后，在第四时间间隔(t4)中，可以将“w”手势的第四部分708的原始数据分类成“右上”手势元素。在该时间点，如果手势捕捉停止，则可以使用时间间隔t1-t4的这些手势元素来识别“w”手势(例如，在图3的方框308中)。这种基于前后关系依赖性的手势元素分类在本质上可以是连续的(时间连续的)。也就是说，可以基于未来数据的分类，对先前分类的原始数据进行重新分类，直到识别出有效手势或者停止手势识别为止。

图8是根据本公开内容的方面，示出基于手势元素之间的前后关系依赖性的手势元素确定处理800的另一个例子的绘图。举一个例子，过程800可以由装置100或者任何适当的设备来执行，以使用适当的上下文模型(例如，基于gmm的模型)，将手势的原始数据分类或者重新分类成一个或多个手势元素。在该特定的例子中，假定用户正在操作装置100来用动作示意字母“h”。在第一时间间隔(t1)中，可以将“h”手势的第一部分802的原始数据分类成“左下”手势元素。在第二时间间隔(t2)中，可以将“h”手势的第二部分804的原始数据分类成“右上”手势元素。在该例子中，该装置可以考虑：根据某种上下文模型，与其它可能组合的概率相比，“左下”手势元素之后接着“右上”手势元素的概率更高。

在第三时间间隔(t3)中，可以将“h”手势的第三部分806的原始数据分类成“右下”手势元素。随后，在第四时间间隔(t4)中，将“h”手势的第四部分808的原始数据和第三部分806的原始数据进行组合，并一起重新分类成单一的“右下”手势元素。在该时间点，如果手势捕捉停止，则可以使用时间间隔t1-t4的这些手势元素来识别“h”手势(例如，在图3的方框308中)。这种基于前后关系依赖性的手势元素分类/重新分类在本质上可以是连续的(时间连续的)，直到识别出有效手势或者停止手势识别为止。

图9是根据本公开内容的方面，示出手势元素重新分类方法900的流程图。方法900可以由装置100或者任何适当的设备来执行，以对手势的原始数据进行重新分类。举一个例子，装置可以使用手势元素分类块144(参见图1)，对手势元素进行重新分类。在方框902处，装置将手势的第一部分和第二部分分类成第一手势元素和第二手势元素。例如，该手势可以是图7的“w”字母。第一部分可以是部分702，第二部分可以是图7的部分704。在方框904处，该装置确定第一手势元素和第二手势元素以时间顺序彼此相邻出现的第一概率(p1)。在方框906处，该装置还将该手势的第三部分分类成第三手势元素，第一、第二和第三手势元素形成时间序列。在方框908处，该装置将第一概率(p1)与当将第一、第二和/或第三部分被分类成其它可能的手势元素时的其它概率(p2、p3、p4、…、pn)进行比较。如果第一概率比其它概率要高(即，p1>p2、p3、p4、…或pn)，则在方框912处，该装置保持当前分类；否则，在方框914处，该装置可以对第一、第二和/或第三部分进行重新分类。在其它例子中，可以将手势元素重新分类方法900扩展到涉及三个以上的手势元素的例子。

在本公开内容之中，“示例性的”一词被用于意指着“用作例子、例证或说明”。本文中描述为“示例性”的任何实现方式或者方面不应被解释为比本公开内容的其它方面更优选或更具优势。同样，术语“方面”并不需要本公开内容的所有方面都包括所讨论的特征、优点或者操作模式。本文使用“耦合”一词来指代两个对象之间的直接耦合或者间接耦合。例如，如果对象a物理地接触对象b，并且对象b接触对象c，则对象a和c可以仍然被认为是彼此之间耦合的，即使它们彼此之间并没有直接地物理接触。例如，第一管芯可以耦合到包装中的第二管芯，即使第一管芯从未直接地与第二管芯物理地接触。广义地使用术语“电路”和“电子电路”，它们旨在包括电子设备和半导体的硬件实现方式(其中当连接和配置这些电子设备和半导体时，实现对本公开内容中所描述的功能的执行，而不作为对电子电路的类型的限制)以及信息和指令的软件实现方式(其中当这些信息和指令由处理器执行时，实现对本公开内容中所描述的功能的执行)。

可以对图1-9中所示出的组件、步骤、特征和/或功能中的一者或多者进行重新排列和/或组合成单一组件、步骤、特征或者功能，或者体现在几个组件、步骤或者功能中。还可以增加另外的元素、组件、步骤和/或功能，而不偏离本文所公开的新颖特征。图1中所示出的装置、设备和/或组件可以被配置为执行本文所描述的方法、特征或步骤中的一者或多者。本文所描述的新颖算法也可以利用软件来高效地实现，和/或嵌入在硬件之中。

应当理解的是，所公开方法中的特定顺序或步骤层次是对示例性过程的说明。应当理解的是，根据设计偏好，可以重新排列方法中的特定顺序或步骤层次。所附的方法权利要求以示例顺序给出了各种步骤的元素，但并不意味着其受到给出的特定顺序或层次的限制，除非本文明确地进行了记载。

为使本领域任何技术人员能够实现本文描述的各个方面，提供了前述描述。对于本领域技术人员来说，对这些方面的各种修改都是显而易见的，并且本文所定义的总体原理也可以适用于其它方面。因此，本发明并不旨在限于本文示出的方面，而是符合与权利要求的语言表达相一致的全部范围，其中除非特别说明，否则用单数形式对元素的引用并不旨在意味着“一个和仅仅一个”，而可以是“一个或多个”。除非另外特别说明，否则术语“一些”指代一个或多个。指代一个列表项“中的至少一个”的短语是指这些项的任意组合，其包括单一成员。举例而言，“a、b或c中的至少一个”旨在覆盖：a；b；c；a和b；a和c；b和c；a、b和c。贯穿本公开内容描述的各个方面的部件的所有结构和功能等价物以引用方式明确地并入本文中，并且旨在由权利要求所涵盖，这些结构和功能等价物对于本领域普通技术人员来说是公知的或将要是公知的。此外，本文中没有任何公开内容是想要奉献给公众的，不管这样的公开内容是否明确记载在权利要求书中。此外，不应依据35u.s.c.§112第六段来解释任何权利要求要素，除非该要素是明确使用“用于……的单元”的短语进行记载，或者在方法权利要求的情况下，该构成要素是使用“用于……的步骤”的短语来记载的。