手势识别方法及装置、智能穿戴终端及服务器与流程

本发明涉及信号处理技术领域，尤其涉及一种手势识别方法及装置、智能穿戴终端及服务器。

背景技术：

目前，越来越多的智能穿戴设备受到用户的青睐，为了满足用户的需求，智能穿戴设备的功能日益多样化。例如，用户可以在手臂或者手腕上佩戴智能手环，然后通过智能手环进行记步。

现有技术通过智能穿戴反应用户运动状态的识别，一般采用特征提取的方式来做行为模式的识别，采集穿戴设备上传感器的数据，然后通过特征提取算法对传感器数据的特征进行提取，比如记步功能提出的特征就是上报的数据具有规律性的波峰和波谷。在提取出行走状态的特征后，在用户佩戴智能手环的过程中，如果传感器再次上报具有同类特征的传感器数据时，则认为是用户处于行走状态，此时智能手环就可以进行记步。

目前的特征提取方法的精确度较低，无法与用户的个体差异进行适配。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种手势识别方法，该方法可以提高手势识别的准确率，并且根据与用户的个体差异进行适配。

本发明的另一个目的在于提出一种手势识别装置。

本发明的另一个目的在于提出一种智能穿戴终端。

本发明的另一个目的在于提出一种服务器。

为达到上述目的，本发明第一方面实施例提出的手势识别方法，包括：

从传感器中获取当前手势对应的传感器数据；其中，所述传感器数据用于表征手势的变化；

将所述传感器数据进行图像转化，得到图像数据；

将所述图像数据输入到基于神经网络形成的目标识别模型中，通过所述目标识别模型确定当前手势的目标手势类型。

本发明第一方面实施例提出的手势识别方法，通过将传感器数据转换成图像数据，然后通过识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

为达到上述目的，本发明第二方面实施例提出的手势识别装置，包括：

获取模块，用于从传感器中获取当前手势对应的传感器数据；其中，所述传感器数据用于表征手势的变化；

转换模块，用于将所述传感器数据进行图像转换，得到图像数据；

识别模块，用于将所述图像数据输入到目标识别模型中，通过所述目标识别模型确定当前手势的目标手势类型。

本发明第二方面实施例提出的手势识别装置，通过将传感器数据转换成图像数据，然后通过识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

为达到上述目的，本发明第三方面实施例提出的智能穿戴终端，包括：

如上所述的手势识别装置。

为达到上述目的，本发明第四方面实施例提出的服务器，包括：

如上所述的手势识别装置。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的一种手势识别方法的流程示意图；

图2为本发明实施例提供的另一种手势识别方法的流程示意图；

图3为本发明实施例提供的另一种手势识别方法的流程示意图；

图4为本实施例中提供的一种智能穿戴终端的硬件组成示意图；

图5为本实施例提供的一种服务器的软件模块的组成示意图；

图6为本实施例中提供的一种智能穿戴终端的软件模块的组成示意图；

图7为本发明实施例提供的一种手势识别装置的结构示意图；

图8为本发明实施例提供的另一种手势识别装置的结构示意图；

图9为本发明实施例提供的一种训练模块15的结构示意图；

图10为本发明实施例提供的一种服务器的结构示意图；

图11为本发明实施例提供的一种智能穿戴终端的结构示意图；

图12为本发明实施例提供的一种手势识别系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

图1为本发明实施例提供的一种手势识别方法的流程示意图，如图2所示，该手势识别方法包括以下步骤：

s101、从传感器中获取当前手势对应的传感器数据。

其中，所述传感器数据用于表征手势的变化。

在智能穿戴上设置有传感器，通过传感器可以采集使用该智能穿戴的用户的一些数据。本实施例中，智能穿戴上可以设置有重力传感器和陀螺仪传感器，其中，重力传感器用于获取用户的三轴加速度，该三轴加速度为立体空间x轴、y轴以及z轴上的加速度。陀螺仪传感器用于获取用户的三轴角速度，该三轴角速度为立体空间的三轴角速度。

当用户手势发生变化时，智能穿戴上的传感器就可以记录到当前手势对应的传感器数据。当需要对用户的手势进行识别时，可以从传感器中获取到的当前手势的传感器数据。即从重力传感器和陀螺仪传感器中获取传感器数据，该传感器数据包括六轴数据，分别为三轴加速度和三轴角速度。

s102、将传感器数据进行图像转化，得到图像数据。

由于图像识别技术较为成熟，为了提高手势识别的准确率，可以基于传感器数据将当前手势通过图像表征出来，然后基于图像识别技术对手势的类型进行识别。具体地，将传感器数据进行图像转换，以得到该传感器数据对应的图像数据。优选地，可以将传感器数据按照曲线图形式进行图像转换。具体地，在设定的时间段内，以时间为横轴即x轴，将传感器数据作为纵轴即y轴，形成二维曲线图。本实施例中，传感器数据为6轴数据，则在形成的二维曲线图中包括6条可能轨迹不同的曲线，来表示传感器数据的变化情况。

可选地，可以将传感器数据按照直方图形式进行图像转换。具体地，在设定的时间段内，以时间为横轴即x轴，以传感器数据作为纵轴即y轴，形成直方图。本实施例中，传感器数据为6轴数据，则在形成的直方图中在同样的时间间隔内包括6条高度可能不等的纵向条纹或线段表示传感器数据的变化情况。

按照曲线图形式或者直方图形式，将传感器数据转换成二维曲线图或者直方图后，即获取到与该传感器数据对应的图像数据。

s103、将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。

在生成了传感器数据对应的图像数据后，就可以将图像数据输入到目标识别模型中进行识别，该目标识别模型可以采用图像识别技术对图像数据进行分析，可以确定当前手势对应的目标手势类型。优选地，目标识别模型可以基于神经网络构建而成，再利用大量的样本数据对模型进行训练后形成的。基本的手势类别包括：上下抖动、左右平移、右上画圈、左上画圈等。

本实施例提出的手势识别方法，通过从传感器中获取当前手势对应的传感器数据；其中，传感器数据用于表征手势的变化，将传感器数据进行图像转换，得到图像数据，将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。本实施例中，将传感器数据转换成图像数据，然后通过目标识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

图2为本发明实施例提供的另一种手势识别方法的流程示意图。如图2所示，该手势识别方法包括以下步骤：

s201、从传感器中采集用于训练的样本传感器数据。

本实施例中，预先构建一个识别模型，该识别模型优选地基于神经网络进行构建。为了实现对识别模型的训练，以使该识别模型就有识别能力，需要采集用于对识别模型进行训练的大量的样本。具体地，可以对单项动作定向采集传感器数据作为样本传感器数据，例如每组动作可以连续做1000次，中间以短暂停顿作为动作的间隔，在服务器收到样本传感器数据后，可以根据该停顿间隔作为标识拆分动作。

s202、将样本传感器数据进行图像转换，得到样本图像数据。

在获取到样本传感器数据后，就可以对样本传感器数据进行图像转换，得到样本图像数据。优选地，可以将样本传感器数据按照曲线图形式进行图像转换。具体地，在设定的时间段内，以时间为横轴即x轴，将样本传感器数据作为纵轴即y轴，形成二维曲线图。

可选地，可以将样本传感器数据按照直方图形式进行图像转换。具体地，在设定的时间段内，以时间为横轴即x轴，以样本传感器数据作为纵轴即y轴，形成直方图。

按照曲线图形式或者直方图形式，将样本传感器数据转换成二维曲线图或者直方图后，即获取到与该样本传感器数据对应的样本图像数据。

s203、将样本图像数据输入到预设的识别模型中进行训练，以得到目标识别模型。

在获取到样本图像数据后，将样本图像数据输入到预设的识别模型中进行手势类型识别，进一步地获取识别模型的误识率。具体地，在将样本图像数据输入到预设的识别模型中进行训练之前，用户可以对样本图像数据的类型进行打标签，形成该样本图像数据对应的第一类型标签。通过第一类型标签可以标识出该样本图像数据所对应的真实的手势类型。样本图像数据通过识别模型识别完成后，识别模型可以为样本图像数据生成一个类型标签，形成该样本图像数据的第二类型标签，该第二类型标签标识出识别模型判定出的样本图像数据所对应的手势类型。进一步地，根据样本图像数据的第一类型标签和第二类型标签统计获取该识别模型的误差率。具体地，可以获取到第二类型标签与第一类型标签所对应的手势类型不一致的数量，然后将该数量与样本数量作比值，该比值就是识别模型的误识率。

在获取到误识率之后，将误识率与预设的阈值作比较，如果误识率高于或者等于预设的阈值，则说明识别模型的识别效果较差，出现的误判数据较多，需要对识别模型进行调整，以获取到识别效果好的识别模型。当误识率高于或者等于预设的阈值时，则调整识别模型的参数。具体地，当识别模型基于神经网络构建时，可以对该识别模型中的调整所述识别模型中神经网络的网络层数、学习率以及卷积核等，以使识别模型的训练结果收敛，也就是使识别模型的误识率降到预设的阈值之下。优选地，可以采用是卷积神经网络来构建识别模型，该识别模型主要包含3个卷积层、1个池化层和2个全连接层。

在对识别模型的参数进行调整，为了得到最后训练好的目标识别模型，需要继续基于样本图像数据对调整后的识别模型进行训练，直到识别模型的误识率低于预设的阈值。进一步地，将误识率低于阈值时的识别模型确定为目标识别模型。

本实施例中，由于对用户进行多次采样，得到用户的图像数据，使得该图像数据能够真实地反映出用户的动作形态，从而体现了用户的差异性。

s204、从传感器中获取当前手势对应的传感器数据。

其中，所述传感器数据用于表征手势的变化。

s205、将传感器数据进行图像转换，得到图像数据。

s206、将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。

关于s204～s206中相关内容的介绍，可参见上述实施例中相关内容的记载，此次不再赘述。

本实施例提出的手势识别方法，通过从传感器中获取当前手势对应的传感器数据；其中，传感器数据用于表征手势的变化，将传感器数据进行图像转换，得到图像数据，将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。本实施例中，将传感器数据转换成图像数据，然后通过目标识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

进一步地，通过机器学习的方式对识别模型进行训练，得到误识率低于阈值的目标识别模型，通过该目标识别模型对传感器数据对应的图像数据进行识别，更进一步地提高了手势识别的准确率。

图3为本发明实施例提供的另一种手势识别方法的流程示意图。如图3所示，该手势识别方法的执行主体包括：智能穿戴终端和服务器。该手势识别方法包括以下步骤：

s300、服务器对预设的识别模型进行训练，得到目标识别模型。

具体地，服务器接收终端发送过来的从传感器中采集用于训练的样本传感器数据，然后将样本传感器数据进行图像转换，得到样本图像数据，将样本图像数据输入到预设的识别模型中进行训练，以得到目标识别模型。具体过程可参见上述实施例中相关内容的记载，此次不再赘述。

可选地，在服务器获取到该目标识别模型后，可以将该目标识别模型反馈给智能穿戴终端，将该目标识别模型设置在智能穿戴终端上。

s301、智能穿戴终端获取当前手势的传感器数据。

图4为本实施例中提供的一种智能穿戴终端的硬件组成示意图。如图4所示，该智能穿戴终端包括：微控制单元(microcontrollerunit，简称mcu)、重力传感器(g-sensor)、陀螺仪传感器(a-sensor)、电池(battery)、蓝牙(bluetooth)以及存储器(flash)。其中，g-sensor和a-sensor对当前手势进行数据记录，即形成该当前手势的传感器数据。

s302、智能穿戴终端将传感器数据转换成图像数据。

mcu可以对传感器即重力传感器和陀螺仪传感器上的传感器数据进行采集，然后将传感器数据转换成图像，得到图像数据。

具体过程可参见上述实施例中相关内容的记载，此次不再赘述。

s303、智能穿戴终端将图像数据上报到服务器。

智能穿戴设备可以通过蓝牙将图像数据上报给服务器。可选地在智能穿戴终端上设置有wifi，也通过该wifi将图像数据上报给服务器。

进一步地，图4中的智能穿戴终端还可以包括：心率传感器(hr-sensor)，通过该心率传感器监测用户的心率等数据。

s304、服务器将图像数据输入到目标识别模块中进行识别，确定当前手势的目标手势类型。

本实施例中，将训练后的目标识别模型设置在服务器侧，当需要对当前手势进行识别时，智能穿戴终端上报图像数据，具体地，可以通过智能穿戴终端上的蓝牙或者wifi将图像数据上报给服务器。服务器对图像数据进行在线识别，识别完成后将识别结果反馈给智能穿戴终端。智能穿戴终端还可以包括显示屏(screen)，可以在显示屏上显示服务器反馈的结果。一般情况下，智能穿戴终端的体积较小，将目标识别模块设置在服务器上可以不再占用智能穿戴终端的空间。

此处需要说明，目标识别模块可以设置在智能穿戴终端上，也可以设置在服务器上。当服务器将识别模型训练完成得到目标识别模块后，可以将该目标识别模型反馈给智能穿戴终端，当目标识别模块在智能穿戴终端侧时，智能穿戴终端就可以在本地对当前手势的传感器数据进行识别，不再需要发送给服务器进行识别，可以减低服务器的压力。

图5为本实施例中提供的一种智能穿戴终端的软件模块的组成示意图。如图5所示，该智能穿戴终端包括传感器驱动、蓝牙驱动、主控程序、wifi模块、识别模块、lcd驱动以及数据传输，传感器驱动、蓝牙驱动、主控程序、wifi模块、识别模块以及lcd驱动模块通过数据传输与mcu之间相互通信。其中，主控程序可以用于控制mcu。传感器驱动可以驱动g-sensor、a-sensor和hr-sensor。蓝牙驱动可以驱动蓝牙，使得获取到的传感器数据可以通过蓝牙传输到服务器上，或者智能穿戴终端上还可以包括一个wifi模块，通过该wifi模块实现wifi传输，将传感器数据上报给服务器。进一步地，当识别模块中设置有目标识别模型，该智能穿戴终端通过目标识别模块对手势的类型进行识别。

图6为本实施例提供的一种服务器的软件模块的组成示意图。如图5所示，该服务器包括：乌班图(ubuntu)操作系统、卷积神经网络框架(convolutionarchitectureforfeatureextraction，简称caffe)、样本训练、模型输出和数据传输。其中，卷积神经网络框架用于实现识别模型的构建。通过样本训练来完成识别模型的训练，以得到目标识别模型，该目标识别模型可以通过模型输出反馈给智能穿戴终端。进一步地，服务器还可以包括：通用并行计算架构(computeunifieddevicearchitecture，简称cuda)，通过该cuda使图形处理器(graphicsprocessingunit，简称gpu)能解决复杂的技术问题。

本实施例提出的手势识别方法，通过从传感器中获取当前手势对应的传感器数据；其中，传感器数据用于表征手势的变化，将传感器数据进行图像转换，得到图像数据，将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。本实施例中，将传感器数据转换成图像数据，然后通过目标识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

进一步地，通过机器学习的方式对识别模型进行训练，得到误识率低于阈值的目标识别模型，通过该目标识别模型对传感器数据对应的图像数据进行识别，更进一步地提高了手势识别的准确率。

图7为本发明实施例提供的一种手势识别装置的结构示意图。如图7所示，该手势识别装置1包括：获取模块11、转换模块12和识别模块13。

其中，获取模块11，用于从传感器中获取当前手势对应的传感器数据；其中，所述传感器数据用于表征手势的变化。

在智能穿戴上设置有传感器，获取模块11通过传感器可以采集使用该智能穿戴的用户的一些数据。本实施例中，智能穿戴上可以设置有重力传感器和陀螺仪传感器。当用户手势发生变化时，智能穿戴上的传感器就可以记录到当前手势对应的传感器数据。当需要对用户的手势进行识别时，获取模块11可以从传感器中获取到的当前手势的传感器数据。即从重力传感器和陀螺仪传感器中获取传感器数据，该传感器数据包括六轴数据，分别为三轴加速度和三轴角速度。

转换模块12，用于将所述传感器数据进行图像转换，得到图像数据。

转换模块12，具体用于：将所述传感器数据和/或者所述样本传感器数据按照曲线图形式进行图像转换。

进一步地，转换模块12，具体用于：在设定的时间段内，以时间为横轴，以所述传感器数据和/或者所述样本传感器数据作为纵轴，形成二维曲线图。

转换模块12，具体用于：将所述传感器数据和/或者所述样本传感器数据按照直方图形式进行图像转换。

进一步地，转换模块12，具体用于：在设定的时间段内，以时间为横轴，以所述传感器数据和/或者所述样本传感器数据作为纵轴形成直方图。

识别模块13，用于将所述图像数据输入到目标识别模型中，通过所述目标识别模型确定当前手势的目标手势类型。

在生成了传感器数据对应的图像数据后，识别模块13就可以将图像数据输入到目标识别模型中进行识别，该目标识别模型可以采用图像识别技术对图像数据进行分析，可以确定当前手势对应的目标手势类型。优选地，目标识别模型可以基于神经网络构建而成，再利用大量的样本数据对模型进行训练后形成的。基本的手势类别包括：上下抖动、左右平移、右上画圈、左上画圈等。

本实施例提出的手势识别装置，通过从传感器中获取当前手势对应的传感器数据；其中，传感器数据用于表征手势的变化，将传感器数据进行图像转换，得到图像数据，将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。本实施例中，将传感器数据转换成图像数据，然后通过目标识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

图8为本发明实施例提供的另一种手势识别装置的结构示意图。如图8所示，该手势识别装置2除了包括上述实施例中的获取模块11、转换模块12和识别模块13之外，还包括：采集模块14和训练模块15。

采集模块14，用于从所述传感器中采集用于训练的样本传感器数据。

所述转换模块12，还用于将所述样本传感器数据进行图像转换，得到样本图像数据。

训练模块15，用于将所述样本图像数据输入到预设的识别模型中进行手势类型的识别训练，以得到所述目标识别模型。

图9为本实施例中一种训练模块15的可选的结构示意图。该训练模块15包括：训练单元151、获取单元152、调整单元153和确定单元154。

其中，训练单元151，用于将所述样本图像数据输入到所述识别模型中进行手势类型的识别训练，以及基于所述样本图像数据对调整后的所述识别模型继续手势类型的识别训练直到所述误识率低于所述阈值。

获取单元152，用于获取所述识别模型的误识率。

调整单元153，用于如果所述误识率高于或者等于预设的阈值，则调整所述识别模型的参数。

确定单元154，用于将所述误识率低于所述阈值时的所述识别模型确定为所述目标识别模型。

进一步地，当所述识别模型基于神经网络构建时，调整单元153，具体用于：

调整所述识别模型中神经网络的网络层数、学习率以及卷积核。

进一步地，获取单元152，具体用于：

获取所述样本图像数据对应的第一类型标签。

获取所述识别模型识别出的所述样本图像数据对应的第二类型标签。

根据所述第一类型标签和所述第二类型标签统计所述误差率。

本实施例提出的手势识别装置，通过从传感器中获取当前手势对应的传感器数据；其中，传感器数据用于表征手势的变化，将传感器数据进行图像转换，得到图像数据，将图像数据输入到目标识别模型中，通过目标识别模型确定当前手势的目标手势类型。本实施例中，将传感器数据转换成图像数据，然后通过目标识别模型利用较为成熟的图像识别技术，对手势的类型进行识别，从而可以提高识别的准确率。

进一步地，通过机器学习的方式对识别模型进行训练，得到误识率低于阈值的目标识别模型，通过该目标识别模型对传感器数据对应的图像数据进行识别，更进一步地提高了手势识别的准确率。

图10为本发明实施例提供的一种服务器的结构示意图。如图10所示，该服务器3包括：上述实施例中的手势识别装置2。

本实施例中，手势识别装置2中的获取模块11、转换模块12和识别模块13设置在服务器3上，服务器3可以在线通过获取模块11获取当前手势的传感器数据，然后通过转换模块12对传感器数据进行图像转换，得到图像数据，识别模块13再基于目标识别模型对当前手势的传感器数据进行识别，以确定当前手势的目标手势类型。

进一步地，手势识别装置2中的采集模块14和训练模块15也设置在服务器3上，通过采集模块14和训练模块15对样本传感器数据进行训练，最终得到目标识别模型。

可选地，服务器3可以只包括手势识别装置2中的采集模块14和训练模块15，即在服务器3中进行识别模型的训练，得到目标识别模型，然后将目标识别模型反馈给智能穿戴终端，通过智能穿戴终端在对当前手势的类型进行识别。

本实施例中，将训练后的目标识别模型设置在服务器侧，当需要对当前手势进行识别时，智能穿戴终端上报图像数据，具体地，可以通过智能穿戴终端上的蓝牙或者wifi将图像数据上报给服务器。服务器对图像数据进行在线识别，识别完成后将识别结果反馈给智能穿戴终端。智能穿戴终端还可以包括显示屏(screen)，可以在显示屏上显示服务器反馈的结果。一般情况下，智能穿戴终端的体积较小，将目标识别模块设置在服务器上可以不再占用智能穿戴终端的空间。

进一步地，由于训练的过程需要大量的数据，由于服务器的性能要优于智能穿戴终端，从而可以提高训练的效率。

图11为本发明实施例提供的一种智能穿戴终端的结构示意图。如图11所示，该智能穿戴终端4包括：手势识别装置1，即将手势识别装置1中的获取模块11、转换模块12和识别模块13设置在智能穿戴终端4上，智能穿戴终端4可以线下通过获取模块11获取当前手势的传感器数据，然后通过转换模块12对传感器数据进行图像转换，得到图像数据，识别模块13再基于目标识别模型对当前手势的传感器数据进行识别，以确定当前手势的目标手势类型。

其中，识别模块13中的目标识别模型是由服务器基于样本传感器数据对预设的识别模型进行训练好后，由服务器反馈给智能穿戴终端4的。

本实施例中，当目标识别模块在智能穿戴终端侧时，智能穿戴终端就可以在本地对当前手势的传感器数据进行识别，不再需要发送给服务器进行识别，可以减低服务器的压力。

图12为本发明实施例提供的一种手势识别系统的结构示意图。如图12所示，该手势识别系统包括：智能穿戴终端5和服务器6。

其中，该智能穿戴终端5包括获取模块11、转换模块12和识别模块13。进一步地，服务器6包括：采集模块14和训练模块15。由获取模块11、转换模块12、识别模块13、采集模块14和训练模块15组成一个手势识别装置2。

本实施例中，当目标识别模块在智能穿戴终端侧时，智能穿戴终端就可以在本地对当前手势的传感器数据进行识别，不再需要发送给服务器进行识别，可以减低服务器的压力。进一步地，由于训练的过程需要大量的数据，由于服务器的性能要优于智能穿戴终端，从而可以提高训练的效率。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分模块或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。