手势识别方法及相关设备

1.本技术涉及手势识别技术领域，尤其涉及一种手势识别方法及相关设备。


背景技术：

2.随着虚拟现实技术的发展，动态手势识别被视为一种更自然、更高效的人机交互方式，可广泛应用于手语识别、夜间驾驶、游戏开发等领域。用于采集动态视觉数据的传感器，即事件相机，能够异步监测亮度变化。
3.基于上述情况，现有技术中采用的动态手势识别的投影方式将投影矩阵拉伸到一维进行投影，每一次的累加都是对整个一维矩阵进行运算，于是在亮度没有发生的变化的位置也进行了运算，存在着大量计算冗余，此外，传统的动态手势识别的表达方法还存在信息利用不充分的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种手势识别方法及相关设备，用以解决或部分解决上述技术问题。
5.基于上述目的，本技术的第一方面提供了一种手势识别方法，包括：
6.获取手势数据；
7.对所述手势数据进行数据解码，得到解码数据；
8.对所述解码数据进行空间位置索引投影得到累加信息；
9.对所述累加信息进行多维投影得到多维投影结果；
10.将所述多维投影结果输入经过训练的手势识别模型，输出所述手势数据对应的识别标签，并根据所述手势数据对应的识别标签得到手势识别结果。
11.可选的，所述解码数据包括多个事件，所述事件包括横坐标、纵坐标和时间；
12.所述对所述解码数据进行空间位置索引投影得到累加信息，包括：
13.通过对所述解码数据进行空间位置索引投影，以定位亮度变化的目标空间位置，并从所述解码数据中的全部事件获取所述目标空间位置的事件；
14.对所述目标空间位置的事件对应的横坐标、纵坐标和时间进行积分，得到累加信息。
15.可选的，所述对所述累加信息进行多维投影得到多维投影结果，包括：
16.对所述目标空间位置的事件对应的横坐标和纵坐标进行多维投影，得到第一投影；
17.对所述目标空间位置的事件对应的横坐标和时间进行多维投影，得到第二投影，并对所述第二投影进行等间隔采样，得到第一等间隔采样投影；
18.对所述目标空间位置的事件对应的纵坐标和时间进行多维投影，得到第三投影，并对所述第三投影进行等间隔采样，得到第二等间隔采样投影；
19.将所述第一等间隔采样投影和所述第二等间隔采样投影分别进行转置，得到第一
转置投影和第二转置投影；
20.将所述第一投影、所述第一转置投影和所述第二装置投影进行叠加融合得到多维投影结果。
21.可选的，所述手势识别模型通过以下过程进行训练获得：
22.获取经过预处理的训练数据集和真实标签，并将所述训练数据集划分为训练集和测试集；
23.将所述训练集中的训练数据输入预先构建的预训练模型进行训练，得到经过训练的预训练模型；
24.将所述测试集中的测试数据输入所述经过训练的预训练模型，以对所述训练数据关于预训练模型的训练进行测试，得到测试集中测试手势数据对应的测试识别标签，并将所述测试手势数据对应的测试识别标签与所述真实手势识别标签进行差异对比，得到对比结果；
25.响应于所述对比结果大于等于预设的阈值，重复执行将所述训练集中的训练数据输入预训练模型进行训练的过程，以对所述经过训练的预训练模型的参数进行调整，直至所述对比结果小于所述预设的阈值为止，得到训练完成的预训练模型，将所述训练完成的预训练模型作为所述手势识别模型。
26.可选的，所述手势识别模型为脉冲神经网络模型。
27.可选的，所述根据所述手势数据对应的识别标签得到手势识别结果，包括：
28.获取历史手势数据的识别标签对应的动作信息；
29.根据所述手势数据对应的识别标签对所述历史手势数据的识别标签进行查询，得到与所述手势数据对应的识别标签相同的历史手势数据的识别标签，并获取与所述手势数据对应的识别标签相同的历史手势数据的识别标签对应的动作信息，将所述动作信息作为手势识别结果。
30.可选的，所述对所述手势数据进行数据解码，得到解码数据，包括：
31.根据预设的时间戳对所述手势数据进行划分，得到所述解码数据。
32.基于同一发明构思，本技术的第二方面提供了一种手势识别装置，包括：
33.数据获取模块，被配置为获取动手势数据；
34.数据解码模块，被配置为对所述手势数据进行数据解码，得到解码数据；
35.索引投影模块，被配置为对所述解码数据进行空间位置索引投影得到累加信息；
36.多维投影模块，被配置为对所述累加信息进行多维投影得到多维投影结果；
37.手势识别模块，被配置为将所述多维投影结果输入经过训练的手势识别模型，输出所述手势数据对应的识别标签，并根据所述手势数据对应的识别标签得到手势识别结果。
38.基于同一个发明构思，本技术的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
39.基于同一个发明构思，本技术的第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。
40.从上面所述可以看出，本技术提供的手势识别方法及相关设备，能够通过进行空间位置索引投影得到累加信息，实现精准定位亮度变化的位置对其进行累加，简化了投影过程中的计算冗余，提高了数据处理效率，再进行多维投影将时间信息嵌入到数据投影面，与原单通道投影进行融合叠加，增加了时间信息的利用，保障信息得到充分利用，得到多维投影结果，最后结合手势识别模型得到手势识别结果，能够有效提升手势识别准确率，并减少时间成本开销。
附图说明
41.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本技术实施例的手势识别方法的流程图；
43.图2-a为本技术实施例的传统手势识别的输入图像；
44.图2-b为本技术实施例的经过多维投影的手势识别模型的输入图像；
45.图3-a为本技术实施例的传统手势识别投影的图像；
46.图3-b为本技术实施例的经过多维投影的图像；
47.图4为本技术实施例的手势识别装置的结构示意图；
48.图5为本技术实施例的电子设备的示意图。
具体实施方式
49.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
50.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
51.相关技术中采用传统投影方法将投影矩阵拉伸到一维进行投影，每一次的累加都是对整个一维矩阵进行运算，于是在亮度没有发生变化的位置也进行了运算，存在着大量计算冗余，此外，传统的手势识别的表达还存在信息利用不充分的问题。
52.本技术的实施例提供一种手势识别方法及相关设备，通过进行空间位置索引投影和多维投影，能够很大程度上减少计算冗余，并有效解决了信息利用不充分的问题，进而提升手势识别准确率，然后利用手势识别模型，大幅降低了手势识别的时间开销。
53.如图1所示，所述方法包括：
54.步骤101，获取手势数据。
55.具体实施时，手势数据可以为图像数据、动态视觉传感器采集的数据、红外数据、声波数据等，这里优选动态视觉传感器采集的数据。
56.动态视觉传感器在黑夜中依然可以看到事务，能够利用在夜间进行侦察，及时掌握被需要观测侦察的一方的部署动态。
57.步骤102，对所述手势数据进行数据解码，得到解码数据。
58.具体实施时，通过对手势数据进行数据解码，得到解码数据，将手势数据重塑为预定的形式，例如单个脉冲序列、集成帧等，使其能够满足后续数据处理的预期形式，同时改变对原始的手势数据的利用形式，例如经过数据解码，得到的解码数据中包括坐标信息、时间信息、极性信息、时空稀疏性信息，后续数据处理可以利用坐标信息、时间信息、极性信息、时空稀疏性信息，达到不同的识别效果。
59.在一些实施例中，步骤102，包括：
60.根据预设的时间戳对所述手势数据进行划分，得到所述解码数据。
61.具体实施时，依赖于惊蛰深度学习框架(spikingjelly)的解码，利用数据预定文件格式中给定的时间戳对手势数据进行划分，以事件形式将原始的手势数据不做任何删减的解码出来，得到解码数据。
62.步骤103，对所述解码数据进行空间位置索引投影得到累加信息。
63.具体实施时，通过空间位置索引投影直接定位到发生亮度变化的位置，对其进行累加，得到累加信息，避免了在亮度没有发生变化的位置进行运算，减少了计算冗余，大幅度降低了时间成本。
64.在一些实施例中，所述解码数据包括多个事件，所述事件包括横坐标、纵坐标和时间；
65.步骤103，包括：
66.步骤1031，通过对所述解码数据进行空间位置索引投影，以定位亮度变化的目标空间位置，并从所述解码数据中的全部事件获取所述目标空间位置的事件。
67.步骤1032，对所述目标空间位置的事件对应的横坐标、纵坐标和时间进行积分，得到累加信息。
68.具体实施时，解码数据包括多个事件，每个事件中包含横坐标、纵坐标、时间等。对解码数据进行空间位置索引投影，定位出亮度变化的空间位置(即目标空间位置)，并从解码数据中获取亮度变化的空间位置的事件，亮度变化的空间位置的事件中包括了横坐标、纵坐标和时间等，以每个亮度变化的空间位置的横坐标、纵坐标和时间作为索引，对全部亮度变化的空间位置进行积分，得到累加信息。利用空间位置索引投影避免了在亮度没有发生变化的位置进行运算，减少了计算冗余，大幅度降低了时间成本。
69.其中，事件是指基于事件的相机跟踪图像对数强度的变化，并在对数强度变化超过设定的阈值时返回一个事件，事件在固定的时间间隔内累积，形成事件流，这里将事件流表示为为空间和时间上的3d(3-dimensional，三维)点云。每个事件都表示为(x，y，t)(即横坐标，纵坐标，时间)的三维连续体中的一个点。每个手势都会在(x，y，t)坐标系统中生成一个独特的事件云，称之为时空事件云。通过将事件流解释为时空事件云，空间特征和时间特征在3d时空连续体中融合。因此，一个手势的识别就变成了对该手势所产生的事件云的几何分布的识别，充分利用了时空稀疏性。
70.步骤104，对所述累加信息进行多维投影得到多维投影结果。
71.具体实施时，通过进行多维投影得到多维投影结果，在多维投影过程中将时间信息嵌入到数据投影面，与原单通道投影进行融合叠加，增加了时间信息的利用，保障信息得到充分利用。
72.例如图2-a和图2-b所示，图2-a为传统的rgb图像为使用rgb相机或深度相机采集得到的，而图2-b为经过对动态视觉传感器采集的数据进行多维投影得到的多维投影结果，其增加了时间信息的利用，并且满足后续数据处理的数据输入格式。事件数据的高动态范围、较低的延迟和较低的吞吐量比传统的图像更适合用于跟踪通常处于快速运动中的手部，与使用rgb相机或深度相机进行手势识别的传统方法相比，动态视觉传感器可以轻松捕捉只有每秒1000帧以上的相机才能捕捉到的动作。另一方面，只有局部像素级变化在它们发生时被传输，动态视觉传感器凭借其按需输出的特性轻松解决了传统摄像机的局限性。
73.在一些实施例中，步骤104，包括：
74.步骤1041，对所述目标空间位置的事件对应的横坐标和纵坐标进行多维投影，得到第一投影。
75.步骤1042，对所述目标空间位置的事件对应的横坐标和时间进行多维投影，得到第二投影，并对所述第二投影进行等间隔采样，得到第一等间隔采样投影。
76.步骤1043，对所述目标空间位置的事件对应的纵坐标和时间进行多维投影，得到第三投影，并对所述第三投影进行等间隔采样，得到第二等间隔采样投影。
77.步骤1044，将所述第一等间隔采样投影和所述第二等间隔采样投影分别进行转置，得到第一转置投影和第二转置投影。
78.步骤1045，将所述第一投影、所述第一转置投影和所述第二装置投影进行叠加融合得到多维投影结果。
79.具体实施时，利用横坐标和纵坐标进行多维投影，得到x-y投影(即第一投影)，再对时空信息进行编码，加入对时间信息的编码，利用横坐标和时间进行多维投影，得到x-t投影(即第二投影)，同样再利用纵坐标和时间进行多维投影，得到y-t投影(即第三投影)，分别对x-t投影和y-t投影进行等间隔采样，得到两个通道的灰度图(即第一等间隔采样投影和第二等间隔采样投影)，再分别对这两个灰度图进行转置，得到第一转置投影和第二转置投影，使其维度能够与x-y投影保持一致，这样能够在一定程度上保留时间信息，使得能够与x-y投影保进行叠加，之后将x-t投影、y-t投影和x-y投影进行叠加融合，得到新的集成帧(即多维投影结果)，相较于原来的x-y投影的单通道灰度图，新增了两个通道的投影信息后，图像有了明显的新信息，分别为蓝色通道与绿色通道，两个通道的事件点的主轴与原来的x-y灰度图是相符合的，这也从侧面验证了新投影工作的准确性(新投影添加了等间隔采样、转置等处理，需要进行这些操作才能让新增的两个通道，即x-t投影和y-t投影，才能与原通道x-y投影相匹配)。
80.其中，如图3-a和3-b所示，图3-b相比于图3-a新增了两个通道的投影信息，图像有了明显的新信息。
81.例如，对一个三维的数据长方体(128
×
128
×
1000)进行投影处理，对x-y的投影结果为(128
×
128)的灰度图，从x-t、y-t投影的结果均为(128
×
1000)的灰度图，这里进行了一个等间隔采样处理后，灰度图和灰度图也转换为(128
×
128)，具备了与灰度图叠加的条
件。等间隔采样后x-t灰度图与y-t灰度图需要进行一步转置，才能与x-y灰度图正确匹配得加，得到较高的准确率，而不进行转置准确率会呈现大幅度下降。
82.步骤105，将所述多维投影结果输入经过训练的手势识别模型，输出所述手势数据对应的识别标签，并根据所述手势数据对应的识别标签得到手势识别结果。
83.具体实施时，例如，手势识别模型为脉冲神经网络模型，脉冲神经网络模型是一个多用的网络模型，层次架构的设置是可变的，因而可使用于多种数据。
84.通过将多维投影结果输入经过训练的手势识别模型，输出手势数据对应的识别标签，根据手势数据对应的识别标签得到手势识别结果，脉冲神经网络具有高效率处理动态视觉传感数据能力，大幅降低了动态的手势识别的时间开销。
85.在一些实施例中，步骤105中，所述根据所述手势数据对应的识别标签得到手势识别结果，包括：
86.步骤1051，获取历史手势数据的识别标签对应的动作信息。
87.步骤1052，根据所述手势数据对应的识别标签对所述历史手势数据的识别标签进行查询，得到与所述手势数据对应的识别标签相同的历史手势数据的识别标签，并获取与所述手势数据对应的识别标签相同的历史手势数据的识别标签对应的动作信息，将所述动作信息作为手势识别结果。
88.具体实施时，例如，历史手势数据的识别标签对应的动作信息为下表1所示：
89.表1
[0090][0091][0092]
根据手势数据对应的识别标签对历史数据的识别标签中查询，查询到与手势数据对应的识别标签，获取此识别标签对应的动作信息，将该动作信息作为手势是被结果。
[0093]
在一些实施例中，所述手势识别模型通过以下过程进行训练获得：
[0094]
获取经过预处理的训练数据集和真实标签，并将所述训练数据集划分为训练集和
测试集；
[0095]
将所述训练集中的训练数据输入预先构建的预训练模型进行训练，得到经过训练的预训练模型；
[0096]
将所述测试集中的测试数据输入所述经过训练的预训练模型，以对所述训练数据关于预训练模型的训练进行测试，得到测试集中测试手势数据对应的测试识别标签，并将所述测试手势数据对应的测试识别标签与所述真实手势识别标签进行差异对比，得到对比结果；
[0097]
响应于所述对比结果大于等于预设的阈值，重复执行将所述训练集中的训练数据输入预训练模型进行训练的过程，以对所述经过训练的预训练模型的参数进行调整，直至所述对比结果小于所述预设的阈值为止，得到训练完成的预训练模型，将所述训练完成的预训练模型作为所述手势识别模型。
[0098]
具体实施时，真实标签为训练数据集中每个数据的已知的实际标签，将训练数据集划分为训练集和测试集，保留一部分数据用做对预训练模型的训练程度的测试。
[0099]
通过训练集中的训练数据输入预训练模型进行训练，反复迭代调整预训练模型的参数，得到经过训练的预训练模型，再将测试集中的数据输入经过训练的预训练模型，以测试预训练模型的训练程度，直至测试集中的数据的识别结果(即测试手势数据对应的测试识别标签)与真实标签(即真实手势识别标签)的差异在预设的阈值范围内，表示预训练模型的精度达到标准，此时预训练模型训练完成，将训练好的预训练模型作为手势识别模型。
[0100]
其中，测试集中的训练数据对预训练模型每进行一次训练，利用测试集中的测试数据对预训练模型进行一次测试。
[0101]
其中，在对预训练模型进行训练时，随机丢掉一些神经元，并丢掉它们对应的连接边以避免过拟合，例如，设置一个固定的概率p，以此概率p随机丢弃每个神经元。
[0102]
在一些实施例中，所述手势识别模型为脉冲神经网络模型。
[0103]
具体实施时，手势识别模型为脉冲神经网络模型，脉冲神经网络模型是一个多用的网络模型，层次架构的设置是可变的，因而可以使用于多种数据集，提升了手势识别的速率，降低了手势识别的时间成本。
[0104]
通过上述实施例的方案，能够通过进行空间位置索引投影得到累加信息，实现精准定位亮度变化的位置对其进行累加，通过空间位置索引投影直接定位到发生亮度变化的位置，对其进行累加，得到累加信息，避免了在亮度没有发生变化的位置进行运算，减少了计算冗余，大幅度降低了时间成本，再进行多维投影将时间信息嵌入到数据投影面，与原单通道投影进行融合叠加，增加了时间信息的利用，保障信息得到充分利用，得到多维投影结果，最后结合手势识别模型得到手势识别结果，提升了手势识别的速率，降低了手势识别的时间成本。
[0105]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0106]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述
实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0107]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种手势识别装置。
[0108]
参考图4，所述手势识别装置，包括：
[0109]
数据获取模块401，被配置为获取手势数据；
[0110]
数据解码模块402，被配置为对所述手势数据进行数据解码，得到解码数据；
[0111]
索引投影模块403，被配置为对所述解码数据进行空间位置索引投影得到累加信息；
[0112]
多维投影模块404，被配置为对所述累加信息进行多维投影得到多维投影结果；
[0113]
手势识别模块405，被配置为将所述多维投影结果输入经过训练的手势识别模型，输出所述手势数据对应的识别标签，并根据所述手势数据对应的识别标签得到手势识别结果。
[0114]
在一些实施例中，所述解码数据包括多个事件，所述事件包括横坐标、纵坐标和时间；
[0115]
索引投影模块403，具体被配置为：
[0116]
通过对所述解码数据进行空间位置索引投影，以定位亮度变化的目标空间位置，并从所述解码数据中的全部事件获取所述目标空间位置的事件；
[0117]
对所述目标空间位置的事件对应的横坐标、纵坐标和时间进行积分，得到累加信息。
[0118]
在一些实施例中，多维投影模块404，具体被配置为：
[0119]
对所述目标空间位置的事件对应的横坐标和纵坐标进行多维投影，得到第一投影；
[0120]
对所述目标空间位置的事件对应的横坐标和时间进行多维投影，得到第二投影，并对所述第二投影进行等间隔采样，得到第一等间隔采样投影；
[0121]
对所述目标空间位置的事件对应的纵坐标和时间进行多维投影，得到第三投影，并对所述第三投影进行等间隔采样，得到第二等间隔采样投影；
[0122]
将所述第一等间隔采样投影和所述第二等间隔采样投影分别进行转置，得到第一转置投影和第二转置投影；
[0123]
将所述第一投影、所述第一转置投影和所述第二装置投影进行叠加融合得到多维投影结果。
[0124]
在一些实施例中，所述手势识别装置还包括模型训练模块，具体被配置为：
[0125]
获取经过预处理的训练数据集和真实标签，并将所述训练数据集划分为训练集和测试集；
[0126]
将所述训练集中的训练数据输入预先构建的预训练模型进行训练，得到经过训练的预训练模型；
[0127]
将所述测试集中的测试数据输入所述经过训练的预训练模型，以对所述训练数据关于预训练模型的训练进行测试，得到测试集中测试手势数据对应的测试识别标签，并将
所述测试手势数据对应的测试识别标签与所述真实手势识别标签进行差异对比，得到对比结果；
[0128]
响应于所述对比结果大于等于预设的阈值，重复执行将所述训练集中的训练数据输入预训练模型进行训练的过程，以对所述经过训练的预训练模型的参数进行调整，直至所述对比结果小于所述预设的阈值为止，得到训练完成的预训练模型，将所述训练完成的预训练模型作为所述手势识别模型。
[0129]
在一些实施例中，所述手势识别模型为脉冲神经网络模型。
[0130]
在一些实施例中，手势识别模块405，具体被配置为：
[0131]
获取历史手势数据的识别标签对应的动作信息；
[0132]
根据所述手势数据对应的识别标签对所述历史手势数据的识别标签进行查询，得到与所述手势数据对应的识别标签相同的历史手势数据的识别标签，并获取与所述手势数据对应的识别标签相同的历史手势数据的识别标签对应的动作信息，将所述动作信息作为手势识别结果。
[0133]
在一些实施例中，数据解码模块402，具体被配置为：
[0134]
根据预设的时间戳对所述手势数据进行划分，得到所述解码数据。
[0135]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0136]
上述实施例的装置用于实现前述任一实施例中相应的手势识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0137]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的手势识别方法。
[0138]
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器501、存储器502、输入/输出接口503、通信接口504和总线505。其中处理器501、存储器502、输入/输出接口503和通信接口504通过总线505实现彼此之间在设备内部的通信连接。
[0139]
处理器501可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0140]
存储器502可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器502可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器502中，并由处理器501来调用执行。
[0141]
输入/输出接口503用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0142]
通信接口504用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式
(例如移动网络、wifi、蓝牙等)实现通信。
[0143]
总线505包括一通路，在设备的各个组件(例如处理器501、存储器502、输入/输出接口503和通信接口504)之间传输信息。
[0144]
需要说明的是，尽管上述设备仅示出了处理器501、存储器502、输入/输出接口503、通信接口504以及总线505，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0145]
上述实施例的电子设备用于实现前述任一实施例中相应的手势识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0146]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的手势识别方法。
[0147]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0148]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的手势识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0149]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0150]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0151]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0152]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。