1.一种基于加速度传感器的手势识别方法，适用的终端包括：搭载有加速度传感器的
手机、平板电脑pad和数码相机；其特征在于：所述方法包括下列操作阶段：
手势数据准备阶段：采集有效的手势加速度数据后，利用失真补偿、统一坐标系、平滑
滤波、重采样和归一化的方法，对所采集的原始数据进行处理，形成数据格式规整和统一的
手势样本数据，以保证后续手势训练和手势识别算法的有效性；
手势训练阶段：采用动态时间规整DTW(Dynamic Time Warping)算法计算手势样本数
据间的相似度，利用近邻传播AP(Affinity Propagation)聚类算法提取手势模板，作为手
势识别分类的基础；
手势识别阶段：采用DTW算法，对待识别手势和手势模板进行匹配计算，依据二者的相
似度值筛选出合适的手势聚类，并以此构建用于待识别手势样本数据稀疏重构的手势字
典；采用快速傅里叶变换FFT估算待识别手势样本数据的稀疏度，并在手势字典基础上，利
用改进的稀疏度自适应正交匹配追踪MSAMP(Modified Sparsity Adaptive Matching 
Pursuit)算法对待识别手势进行稀疏重构；最后根据稀疏重构的手势样本数据与原待识别
手势样本数据之间的逼近误差特征，对待识别手势进行识别分类；所述方法包括下列操作
步骤：
(1)自动采集手势加速度数据：通过加速度传感器接口实时获取手势加速度数据，并判
断当前时刻的手势加速度数据能量是否超过启动阈值，如果是，则判定手势运动已经启动，
开始记录手势加速度数据；否则，结束该流程；
在启动采集手势加速度数据后，判断所采集的手势加速度数据能量在设定时间内是否
小于停止阈值，同时判断相邻的手势加速度数据之间的欧式距离是否也小于波动阈值；如
果两者都是，则判定手势运动结束，停止数据采集；否则，继续采集手势加速度数据，且当获取的加速度数据组的长度大于预设长度门限时，则判定该组数据有效；否则，判定该组数据
无效，直接丢弃之；
(2)预处理：从不同角度对采集到的原始加速度数据进行预处理，以使处理后的加速度
数据波形平滑、规整和统一，用作手势样本数据，以提高手势识别分类的准确度，提升系统
的实用价值；该步骤(2)包括下述操作内容：
(21)失真补偿：当加速度传感器的采样幅值上限较小，而手势加速度较大时，手势加速
度数据波形的波峰和波谷部分会被“削平”而产生波形失真，使得正常手势样本数据与失真
手势样本数据之间的相似度减小，从而干扰识别；故采用失真补偿算法对手势加速度数据
波形进行失真还原，以便合理解决由传感器采样幅值上限引起的波形失真；
失真补偿的处理思路是：假定加速度数据波形失真部分的斜率变化均匀，故在失真前
后的正常加速度数据基础上，利用斜率对失真数据进行估计补偿，以使最终得到正确的加
速度波形；
假设在某个坐标轴上、数据长度为N的手势原始加速度数据集合为A＝{a1,a2,…,
ai,…,aN}，式中，自然数i是按采集顺序排列的时间序号，其最大值为N，ai为A中第i个加速度数据；因数字信号的加速度数据的时间计算单位为1，故A中第i个加速度数据ai的斜率ki
的计算公式为：ki＝ai-ai-1；
设第i个采样的原始加速度数据的失真补偿值hi的补偿公式为： 其
中，ρ是加速度失真段的斜率变化率；对于波峰而言，在失真段上升沿或下降沿，失真补偿值hi数值分别等于失真段起始点斜率除以上升沿或下降沿的横坐标时长；hi-1为上一个采样
的原始加速度数据补偿值，h0为失真段起始点加速度数据；
(22)统一坐标系：因加速度传感器采集的数据坐标是其本体坐标系，当搭载有传感器
的终端发生空中姿态改变时，其加速度数据会在三个轴上发生偏移，故采用欧拉角转换矩
阵 将加速度数据转换到统一坐标系中，其中，θ、
和η分别是俯仰角、翻滚角和航向角；且因只使用加速度传感器和硬件限制，将η始终视为
0°；这样，在静止状态下，俯仰角θ和翻滚角 的计算公式分别为： 和
其中，gx,gy,gz分别为三个轴的重力加速度分量；
(23)平滑滤波，消除抖动噪声和加速度传感器的电子噪声；
平滑滤波的处理思路是：对每组非平稳的加速度数据，在适当时长的小区间内被视为
接近平稳时，就在该区间内对加速度数据做局部平均，以减少人手抖动或其他原因造成的
随机噪声；再以该小区间为窗口在整组加速度数据上移动，不断进行局部平均，得到较为平
滑的加速度数据曲线；
(24)利用50HZ的速率进行重采样，以稳定采样频率；
(25)根据公式： 对每个加速度数据进行归一化处理，得到归一
化的加速度数据集合A′＝{a′1,a′2,…,a′i,…,a′N}，以消除手势力度差异对识别结果的影响；其中，amax和amin分别为手势在某个轴上长度为N的原始加速度数据集合A＝{a1,a2,…,
ai,…,aN}中的最大值和最小值，ai为A中第i个加速度数据，i是时间序号，i∈[1,N]；ai′为A′中第i个加速度数据，g为重力加速度；
(3)计算所有手势样本数据的相似度，得到相似度矩阵：因手势持续时长随机，即同一
类手势的不同样本数据长度往往不同，不能直接使用包括欧式距离的差异度计算方法，故
采用DTW算法去除手势样本数据的长度差异；所述DTW算法是采用设定的非线性规整函数对
时域波形建模，再弯曲其中一个模型的时间轴，使其与另一模型达到最大程度的重叠，消除
两个模型之间的时域长度差异；该步骤(3)包括下述操作内容：
(31)分别设置输入的待识别手势样本数据的三轴加速度数据集合O和与其进行匹配计
算的手势模板的三轴加速度数据集合B为：
O＝{(ox1,oy1,oz1),(ox2,oy2,oz2),…,(oxi,oyi,ozi),…,(oxN,oyN,ozN)}和
B＝{(bx1,by1,bz1),(bx2,by2,bz2),…,(bxj,byj,bzj),…,(bxM,byM,bzM)}，其中，自然数i和j分别是其时间序号，其最大值分别为N和M，且i∈[1,N]，j∈[1,M]；x、y、z分别为该待识别手势样本数据所归属的三个坐标轴；
(32)将两个集合O和B组成一个直角二维坐标系，该坐标系的横坐标轴为待识别手势样
本O中加速度数据的时序轴，纵坐标轴为手势模板B中加速度数据的时序轴，再将横轴与纵
轴的坐标连接成为网格，则网格的每个交点代表O和B某两个加速度数据的差异度；
(33)根据欧氏距离计算公式： 计算得到集合
O中第i个加速度数据与集合B中第j个加速度数据间的差异度p(i,j)，如此计算得到每个网
格的差异度p(i,j)数值；
(34)利用DTW算法，也就是从几何角度寻找一条通过该网格中若干交点的路径，使得该
路径上所有交点所代表的差异度累积之和最小，即相似度最大；
(35)根据下述公式计算路径在交点(i,j)的差异度累积值P(i,j)：P(i,j)＝p(i,j)+
min{P(i-1,j),P(i-1,j-1),P(i-1,j-2)}，从所述直角二维坐标图的左下角(1,1)开始执行
路径搜索，直至右上角(N,M)结束；搜索路径必须通过待识别手势样本的每帧数据，或者通
过限制搜索区域减小匹配时的计算量；
(36)得到待识别手势样本O和手势模板B间的最大相似度S(O,B)为：S(O,B)＝-P(N,M)；
(4)提取手势模板：采用AP聚类算法在相似度矩阵基础上进行迭代运算，提取最有代表
性的手势样本数据作为手势模板；所述手势模板是预先提取出来、最能代表某类手势特征
的手势样本数据；所述AP聚类算法思路是：将所有手势样本数据都视为潜在模板，通过手势
样本数据之间的相互传递“消息”，找出最优手势样本数据集合作为手势模板，并使得所有
手势样本数据到其最近的手势模板的相似度之和最大；所述步骤(4)中的AP聚类算法包括
下述操作内容：
(41)根据手势相似度矩阵和下述公式分别计算吸引度q(I,J)和可用度w(I,J)：
和q(I,J)n
＝δ×q(I,J)n+(1-δ)×q(I,J)n-1，w(I,J)n＝δ×w(I,J)n+(1-δ)×w(I,J)n-1；其中，吸引度q(I,J)表示手势样本数据J成为手势样本数据I的手势模板的适合程度；可用度w(I,J)表示
手势样本数据I选择手势样本数据J作为其手势模板的适合程度；I和J的取值范围都取决于
输入的手势样本数据的数量，I'和J'分别表示除去I和J以外的其余手势样本数据；促进收
敛、防止AP聚类过程中抖动过于剧烈的阻尼系数δ的取值范围为[0.5,1)，自然数n为当前迭
代计算的次数，且本次迭代计算的吸引度q(I,J)n和可用度w(I,J)n的数值是本次迭代结果
与上次迭代计算结果按比例相加之和；S(I,J)为两个手势样本数据I和J之间的相似度，该
数值越大，表明两个手势样本数据越相似，当S(I,J)＝0时，表示两个手势样本数据I和J完
全相同；
(42)判断迭代计算结果是否收敛，即满足条件：q(I,I)+w(I,I)＞0的手势样本数据的
数量和个体是否在多次迭代计算中维持不变；若未收敛，则继续迭代计算；否则，结束AP算
法的迭代过程，执行后续步骤(43)；
(43)得到手势模板集合：选取q(I,I)+w(I,I)＞0的手势样本数据I作为手势模板，并将
该手势模板所代表的手势样本数据作为一个手势聚类集合输出；
(5)利用手势模板构建用于待识别手势样本数据稀疏重构的手势字典：为减小计算开
销和提高手势识别精度，将DTW算法与压缩感知理论相结合，根据DTW运算结果对由手势模
板构成的手势字典进行精简：通过先验知识排除无用的手势聚类集合，缩小手势字典规模，
减小后续计算压力；所述用于待识别手势样本数据稀疏重构的手势字典是由手势模板所构
成的、用于对待识别手势样本数据进行稀疏重构的矩阵，该矩阵中的一列元素称为手势字
典的一个原子；所述步骤(5)包括下述操作内容：
(51)设置手势模板集合为E，则E中第 个手势模板 式中，自然数 是手势模板序
号，其取值范围取决于提取的手势模板数量，利用DTW算法计算待识别手势样本U和某个手
势模板 之间的相似度
(52)判断 是否成立，若是，则将该手势模板 所代表的手势聚类集合中的手
势样本数据挑选出来，所有被选择出来的手势样本数据以列向量形式构成矩阵，作为用来
实现待识别手势样本数据稀疏重构的手势字典；其中，判定阈值α的计算公式为：
其中，比例系数b的取值范围为[1，2]；若否，则结束该流程操作；
(53)因手势的加速度数据长度随机不等，故在用手势样本数据构建手势字典时，首先
按照下述方法补齐手势加速度数据长度：找出手势字典D中数据最长的一列，并以该长度为
标准，以补零方式将其它列的加速度数据都补齐至相同长度；
(6)采用MSAMP算法对待识别手势样本数据进行稀疏重构：所述MSAMP算法具体操作是：
计算待识别手势样本数据与重构字典原子的内积，选取其中最大的多个数值所对应的原子
构成候选原子集，再利用候选原子集生成支撑原子集，利用支撑原子集重构待识别手势样
本数据；当相邻两次迭代操作所得出的两个残差向量之间的欧氏距离小于设定的步长阈值
时，减小增长步长，扩大支撑原子集和候选原子集的规模，继续稀疏重构的迭代计算；当相
邻两次迭代操作所得出的两个残差向量之间的欧氏距离小于设定的停止阈值时，停止重构
的迭代计算，并输出稀疏重构结果；所述步骤(6)包括下述操作内容：
(61)构建候选原子集C：计算稀疏重构操作时的残差向量r与手势字典D原子的内积；再
从所计算得到的各列内积值中选取最大的多个内积值所对应的原子构成候选原子集C，即
用这些原子构建一个新的矩阵；
(62)构建支撑原子集F：计算候选原子集C的广义逆矩阵C+与待识别手势U中的某个轴加
速度数据u的内积，选取其中最大的多个内积值所对应的原子生成支撑原子集F；
(63)更新残差向量：利用新生成的支撑原子集F及其广义逆矩阵F+更新稀疏重构操作时
的残差向量r；
(64)判断上述步骤(63)和(61)的各自稀疏重构结果的两个残差向量的二范数之差是
否不大于零；若是，则执行步骤(65)；若否，则继续执行本阶段的迭代计算：返回执行步骤
(61)；
(65)判断上一阶段最小残差向量的二范数R与本阶段操作步骤(61)中的残差向量的二
范数之差是否小于停止阈值，若否，则执行步骤(66)；若是，则停止迭代运算，并输出稀疏重构结果
(66)判断上一阶段最小残差向量的二范数R与本阶段操作步骤(61)中的残差向量的二
范数之差是否小于步长阈值，若是，则减小增长步长，扩大支撑原子集和候选原子集规模，
进入下一阶段的迭代计算：返回执行步骤(61)；若否，则不改变增长步长，按原增长步长扩
大支撑原子集和候选原子集规模，进入下一阶段的迭代计算：返回执行步骤(61)；
(7)手势分类：利用待识别手势样本数据稀疏重构后的结果系数与手势字典原子的对
应关系，以手势类别作为划分条件，从该稀疏重构结果的系数中提取与手势类别相对应的
系数向量；再利用各个手势类别的系数向量计算每个手势类别的判决系数；需要注意的是：
待识别手势样本数据的三个轴的加速度数据都应按照该步骤分别计算判决系数，并选取判
决系数之和最小的手势类别作为待识别手势样本数据的分类结果；所述步骤(7)包括下述
操作内容：
(71)按照手势类别重新划分稀疏重构的结果向量：待识别手势某个轴加速度数据的稀
疏重构结果为 其理想状态是 即在稀疏重构结果中只有一个加速度数
据是非零系数，其余系数皆为0；同时，中的系数与手势字典D中的原子一一对应，则非零系
数对应的原子所属的手势类别就是手势识别结果；但因实际操作中往往有多个非零系数，
利用 中的系数与重构字典D中的原子的对应关系，设置有Θ种手势类型，根据不同原子所
属手势类别的不同，从 中重新划分出Θ个列向量： 其中，列向量 为
第τ类手势的手势模板所对应的稀疏重构的结果系数，其长度与 相同；
(72)计算每种手势类别的判决系数：设βτ代表第τ类手势的判决系数，该系数越小说明
待识别手势样本越接近该类手势，βτ的计算公式为：
因每个手势样本都有三个坐标轴的加速度数据，则修正后的第τ类手势的判决系数μτ
为：μτ＝βxτ+βyτ+βzτ，式中，βxτ、βyτ、βzτ分别为第τ类手势在X，Y，Z三个坐标轴上的判决系数；
(73)输出判决结果：对各类手势的判决系数μm进行归一化处理，归一化范围是[0,1]，然
后，选取归一化后的最小值所对应的手势类型作为手势识别结果。
2.根据权利要求1所述的方法，其特征在于：因待识别的手势的稀疏度数值未知，故先
选择一个数值较小的稀疏度s作为增长步长；但若增长步长的取值太小，将大幅增加重构计
算时间，影响手势识别的实时性，故采用下述快速离散傅里叶变换FFT方法估算待识别手势
的稀疏度：对待识别手势的各轴加速度数据执行FFT变换，得到加速度数据在频域上的系数
集合V，再寻找频域系数集合V中的最大值vmax，并将V中大于0.3·vmax的元素挑选出来，构成新的系数集合V′，则稀疏度s等于V′中的元素个数。
3.根据权利要求1所述的方法，其特征在于：因待识别手势样本有三个轴的数据，故要
采用MSAMP算法分别对每个轴的加速度数据向量分别进行稀疏重构，所述MSAMP算法稀疏重
构每轴的加速度数据向量的操作内容如下：
(a)初始化设置下述各个参数：稀疏重构数据的残差向量rl＝u， 第l次迭代计算
的稀疏重构支撑原子集 第l次迭代计算的候选原子集 支撑原子集规模、即
支撑集的列或原子的个数L＝s，迭代操作阶段序号K＝0，其中，迭代操作阶段是指在同一支
撑原子集规模下执行的多次迭代计算，同一支撑原子集规模下的迭代计算都属于同一阶段
的操作；l为迭代次数，此时l＝0，且上一阶段的最小残差向量的二范数R＝0，步长阈值T0＝
0，停止阈值T1＝0；
(b)更新候选集：计算手势字典D的转置矩阵DT与前一次迭代、即(l-1)次迭代计算得到
的稀疏重构数据的残差向量rl-1的乘积DT×rl-1，再从中选取L个最大值所对应的手势字典
的原子存入临时原子集合Ψ，用于更新候选原子集Cl＝Fl-1∪Ψ，即本次迭代候选原子集是
上一次迭代支撑原子集与临时原子集合的并集；
(c)更新残差向量：计算候选原子集Cl的广义逆矩阵 和待识别手势加速度数据向量u
的乘积 再从中选取最大的L个值所对应的原子存入临时备用的支撑原子集F′，用于
更新残差向量r＝u-F′×F′+×u；
(d)判断是否结束本阶段迭代计算：判断本次迭代计算的残差向量的二范数||rl||2是
否不小于前次迭代计算的残差向量二范数||rl-1||2，即不等式||rl||2≥||rl-1||2是否成
立；若是，则执行后续步骤(e)；否则，继续本阶段的迭代计算：更新支撑原子集Fl＝F′，rl＝r，l＝l+1，返回执行步骤(b)；
(e)判断是否输出结果：判断上一阶段最小残差向量的二范数R与本阶段前次迭代计算
的残差向量的二范数||rl-1||2之差是否小于停止阈值T1，即不等式R-||rl-1||2＜T1是否成
立，若是，则停止迭代计算，并输出稀疏重构的结果 否则，执行后续步骤(f)；
(f)判断是否改变增长步长：判断上一阶段最小残差向量的二范数R与本阶段前次迭代
计算的残差向量的二范数||rl-1||2之差否小于步长阈值T0、即不等式R-||rl-1||2＜T0是否
成立；若是，则执行后续步骤(g)；否则，跳转执行步骤(h)；
(g)改变增长步长：将稀疏度s减小一半，再更新支撑原子集的规模，使得L＝L+s，然后，
初始化设置下述各个参数：rl＝u、 和l＝0，并更新T0＝0.5·||rl-1||2，T1＝
0.1·||rl-1||2，R＝||rl-1||2后，开始执行下一阶段迭代计算操作、即设置K＝K+1后，返回执行步骤(b)；
(h)不改变增长步长：更新支撑原子集规模L＝L+s，初始化设置下述各个参数：rl＝u、
和l＝0，更新T0＝0.5·||rl-1||2，T1＝0.1·||rl-1||2，R＝||rl-1||2，执行下
一阶段迭代计算操作，即设置K＝K+1后，返回执行步骤(b)。