一种数据匹配方法及系统与流程

本申请涉及电子技术领域，尤其涉及一种数据匹配方法及系统。

背景技术：

目前，leapmotion通过绑定视野范围能的手，手指或者工具来提供实时数据，这些数据多数是通过集合或者数据提供，每一帧都包含了一系列的基本绑定数据，比如手，手指或者工具的数据，当然，他也能实时的识别场景中的手势和自定义数据。

当设备检测到手、手指、工具或者是手势的话，设备会赋予它一个唯一的id号码作为标记，只要这个实体不出设备的可视区域，这个id号就会一直不变，如果设备丢失这个实体之后又出现了，leap就会赋予它一个新的id号码，但是软件不会知道这个和以前的那个实体有什么关系。对指运动检测普遍采用单leapmotion进行手指骨架空间信息判断。但是，单leapmotion检测会存在观察盲点和视觉死角等问题，从而无法精确构建手指骨架空间信息。

技术实现要素：

本发明实施例提供了一种数据匹配方法及系统，用以解决现有技术中单leapmotion检测会存在观察盲点和视觉死角等问题，从而无法精确构建手指骨架空间信息的问题。

其具体的技术方案如下：

一种数据匹配方法，所述方法包括：

通过自组织神经网络算法，对手指空间信息进行数据分类，并得到输入参数与神经网络中的神经节点之间的对应关系；

在获取到第一输入参数时，根据所述对应关系，确定所述第一输入参数对应的神经节点；

根据所述神经节点，匹配出所述第一输入参数对应的手势类别。

可选的，通过自组织神经网络算法，对手指空间信息的进行数据分类，并得到输入参数与神经网络中的神经节点之间的对应关系，包括：

将预设神经网络中的每个神经节点按照预设权重链接；

根据输入参数，确定输入参数中输入点在所述神经网络中对应的神经节点，并将所述神经节点作为制胜点；

根据所述制胜点，调整与所述制胜点相邻的神经节点的权值；

根据调整的权值，获取各个神经节点的权值变化量；

在所述权值变化量小于阈值时，得到输入参数与神经网络中的神经节点之间的对应关系。

可选的，根据输入参数，确定输入参数中输入点在所述神经网络中对应的神经节点，并将所述神经节点作为制胜点，包括：

将输入参数中的输入点带入到如下公式：

将所述公式的输入点作为所述制胜点，其中，dj(x)表示新输入的点x到输出层wji的距离，d表征输入参数的维度。

可选的，根据所述制胜点，调整与所述制胜点相邻的神经节点的权值，包括：

根据如下公式调整相邻神经节点的权值：

将所述公式的输出作为相邻神经节点调整的权值，其中，tj，i(x)表示节点xji分配的权值，表示节点xji离制胜点的距离。

可选的，根据调整的权值，获取各个神经节点的权值变化量，包括：

根据如下公式获取各个神经节点的权值变化量：

awji＝η(t)·tj，i(x)(t)·(xi-wji)

将所述公式的输出量作为各个神经节点的权值变化量，其中，δwji表示输入在不同节点之间的权值变化，t时间次数。

可选的，所述方法还包括：

在所述权值变化量大于阈值时，继续调整所述制胜点相邻神经节点的权值。

一种数据匹配系统，包括：

分类模块，用于通过自组织神经网络算法，对手指空间信息进行数据分类，并得到输入参数与神经网络中的神经节点之间的对应关系；

确定模块，用于在获取到第一输入参数时，根据所述对应关系，确定所述第一输入参数对应的神经节点；

匹配模块，用于根据所述神经节点，匹配出所述第一输入参数对应的手势类别。

可选的，所述分类模块，具体用于将预设神经网络中的每个神经节点按照预设权重链接；根据输入参数，确定输入参数中输入点在所述神经网络中对应的神经节点，并将所述神经节点作为制胜点；根据所述制胜点，调整与所述制胜点相邻的神经节点的权值；根据调整的权值，获取各个神经节点的权值变化量；在所述权值变化量小于阈值时，得到输入参数与神经网络中的神经节点之间的对应关系。

可选的，所述分类模块，具体用于将输入参数中的输入点带入到如下公式：

将所述公式的输入点作为所述制胜点，其中，dj(x)表示新输入的点x到输出层wji的距离，d表征输入参数的维度。

可选的，所述分类模块，还用于在所述权值变化量大于阈值时，继续调整所述制胜点相邻神经节点的权值。

通过本发明所提供的方法，利用som算法对leapmotion获取到的虚拟环境中的手指空间信息进行数据匹配，通过对大量的数据进行训练和测试将得到的模型运用与虚拟环境手指的空间信息进行输入，经过som算法模型的输出数据具有更高的精确。

附图说明

图1为本发明实施例中一种数据匹配方法的流程图；

图2为本发明实施例中分类方法的流程图；

图3为本发明实施例中som网络的网络拓扑结构；

图4为本发明实施例中一种数据匹配系统的结构示意图。

具体实施方式

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解，本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。

如图1所示为本发明实施例中一种数据匹配方法的流程图，该方法包括：

s101，通过自组织神经网络算法，对手指空间信息进行数据分类，并得到输入参数与神经网络中的神经节点之间的对应关系；

s102，在获取到第一输入参数时，根据所述对应关系，确定所述第一输入参数对应的神经节点；

s103，根据所述神经节点，匹配出所述第一输入参数对应的手势类别。

具体来讲，在本发明实施例中，首先对手指空间信息进行数据分类，具体分类方法如图2所示的流程：

s201，将预设神经网络中的每个神经节点按照预设权重链接；

在本发明实施例中，该神经网络为自组织神经网络som，该som的拓扑结构分为两层，如图3所示为该som网络的网络拓扑结构，一层为输入层，另一层为应用层，该应用层也可以理解为输出层，可以预设x层为输入层。输出层中每个神经节点按照权重w进行相互链接。

s202，根据输入参数，确定输入参数中输入点在神经网络中对应的神经节点，并将神经节点作为制胜点；

在使用神经网络时，对每个神经节点随机初始化参数，使得参数维度于输入参数一致。在本发明实施例中，初始化三维手掌点集。每个输入参数都是24个三维空间坐标。

当输入d维向量时，可以根据欧式距离判断最近节点：

将所述公式的输入点作为所述制胜点，其中，dj(x)表示新输入的点x到输出层wji的距离，d表征输入参数的维度。

在本发明实施例中，利用欧式距离判断输入的三维集合向量的制胜映射点。

s203，根据所述制胜点，调整与所述制胜点相邻的神经节点的权值；

找到制胜点后，我们更改临近点的权制。sij为i点和j点的距离，对于i(x)临近的节点，分配权制：

其中，tj，i(x)表示节点xji分配的权值，表示节点xji离制胜点的距离。

s204，根据调整的权值，获取各个神经节点的权值变化量；

根据如下公式获取各个神经节点的权值变化量：

δwji＝η(t)·tj，i(x)(t)·(xi-wji)

将所述公式的输出量作为各个神经节点的权值变化量，其中，δwji表示输入在不同节点之间的权值变化，t时间次数。

在得到权值变化量之后，判断该权值变化量是否小于预设阈值，若是则执行s205，若否，则执行返回执行s203。

s205，得到输入参数与神经网络中的神经节点之间的对应关系。

该对应关系具体为输入参数与神经网络中的神经节点之间的对应关系，另外，该神经节点对应输入模式，所以根据输入参数就可以确定出对应输入模式。

通过上述的过程就实现了对分类器的训练，从而是的输入参数可以对应到对应的输入模式。

举例来讲，在系统最初期，每一个手骨架的三维点集的信息是未经处理的，原始的，没有固定的映射关系。每一个初始手骨架点集可以随意映射到一个动作分类当作，也就是说最初动作特征输入映射到的神经节点是不确定的。例如前期，做对指动作a获取的数据点,可能映射到任意分类a’，而随着输入动作特征的增加(a,b,c…)，各种分类神经元(a’,b’c’…)组成的一个平面逐渐形成，对应关系也逐渐相应发生改变。当某输入被映射匹配到某神经节点时，该神经节点制胜，并对附近的其他神经节点进行相似度修改，在本文体现为被分类好的某一个对指动作类，会对附近其他对指动作类进行类似处理。这些其他对指动作类节点距离制胜类节点越近，相似效果越强，反之，距离较远，相似效果减弱。通过大量的对指动作三维骨架点集训练样本输入分类器进行训练过后，每一次的输入数据都能被对特定模式敏感的网络所识别。此时，输入层的各输入模式和输出层的对应相关关系随之被固定。

因为上述过程的输入输出对应关系逐渐固定，该分类器可以利用该固定映射关系进行下一个阶段--数据判断评估。每一次的对指运动向量的输入，输出层与之固定对应的神经元就会与之匹配，完成自动分类过程，得到数据输入的匹配判断结果。若新的输入模式未被训练系统纪录时，som网络将会将它进行欧式距离计算，将输入归入欧式距离最近的分类中。

通过本发明实施例所提供的方法，利用som算法对leapmotion获取到的虚拟环境中的手指空间信息进行数据匹配，通过对大量的数据进行训练和测试将得到的模型运用与虚拟环境手指的空间信息进行输入，经过som算法模型的输出数据具有更高的精确。

对应本发明实施例中一种数据匹配方法，本发明实施例中还提供了一种数据匹配系统，如图4所示为本发明实施例中一种数据匹配系统的结构示意图，该系统包括：

分类模块401，用于通过自组织神经网络算法，对手指空间信息进行数据分类，并得到输入参数与神经网络中的神经节点之间的对应关系；

确定模块402，用于在获取到第一输入参数时，根据所述对应关系，确定所述第一输入参数对应的神经节点；

匹配模块403，用于根据所述神经节点，匹配出所述第一输入参数对应的手势类别。

进一步，在本发明实施例中，所述分类模块401，具体用于将预设神经网络中的每个神经节点按照预设权重链接；根据输入参数，确定输入参数中输入点在所述神经网络中对应的神经节点，并将所述神经节点作为制胜点；根据所述制胜点，调整与所述制胜点相邻的神经节点的权值；根据调整的权值，获取各个神经节点的权值变化量；在所述权值变化量小于阈值时，得到输入参数与神经网络中的神经节点之间的对应关系。

进一步，在本发明实施例中，所述分类模块401，具体用于将输入参数中的输入点带入到如下公式：

将所述公式的输入点作为所述制胜点，其中，dj(x)表示新输入的点x到输出层wji的距离，d表征输入参数的维度。

进一步，在本发明实施例中，所述分类模块401，还用于在所述权值变化量大于阈值时，继续调整所述制胜点相邻神经节点的权值。

尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。