在一些簡單的應用場合，特別是針對手部的，並不需要太多的手部資訊，往往關注手部的運動資訊，通過識別手部的運動資訊便可實現人機互動操作。正是基於此，本文著重關注手部運動特徵，通過對運動特徵的分析來實現人機互動。本文提出一種基於樣本回歸分析的手部動作識別演算法。
手部動作識別需要依次完成資料採集、預處理、動作解析、特徵點提取、建立資料點集、擬合曲線和動作分析等步驟。
由於完成手部動作識別需要經過動作準備、動作執行與動作結束等三個階段，動作準備和動作結束兩個階段用於確定動作的開始與結束，動作執行階段是手部動作模型的重要資料**。為降低手部模型的複雜程度，建模時可只考慮動作執行時的資料。
圖 2 展示了利用動作執行階段特徵點運動變化情況以及建立資料點集的過程，此過程以 4 幀為例說明，實際應用應取較多幀。第 1-4 幀中的圓點表示不同時刻手部質心在影象中的位置。
如圖 3 所示為運動方向判別演算法組成示意圖， 表述了演算法的流程與組成，具體解釋如下：
（1） 根據使用特徵區域質心建立的資料集擬合乙個圓；
（2） 根據圓的半徑大小將散點趨勢分為直線、弧線；
（3） 根據直線、弧線分別判定軌跡的動作特徵。
在此演算法中，核心的演算法是最小二乘法擬合圓曲線、線性回歸判定上下左右和向量法判定左右旋轉等三個演算法，此處不再贅述，請翻閱相關資料。
在進行手部提取之後，需要根據某一特徵將運動的手部轉化為乙個點，本文將提取手部的質心作為資料點。提取若干運動手部特徵的質心後，便可得到一組資料點，此樣本點的趨勢就是手部運動的軌跡。如圖5所示，展示了直線與旋轉兩種情況下擬合的圓，擬合圓的演算法可參考我的博文。如表2所示，以採集的7組樣本點為例，擬合圓並計算出其引數。
由表可以看出，對於一組資料點，均採用圓擬合的方式，根據擬合圓的半徑便很容易判別直線動作或者旋轉動作。當作直線動作時，擬合圓的半徑r一般均大於2000；當作旋轉動作時，半徑r一般均小於400。對於r介於400~2000的情況，則認為手部動作不明顯，不作判斷，其目的在於避免誤判情況。
小樣本OLS回歸的框架
不管是學習機器學習 計量經濟學 數理統計，很多人接觸到的第乙個演算法就是最小二乘法 least squares method 這是乙個非常古老的方法。早在18世紀早期，在天文學和航海領域就已經出現了最小二乘法的思想。真正意義上第乙個正式發表該方法是在1806年的法國科學家legendre，而數學王子...
基於運放的放大電路分析
以上是我們應用中搭載的音訊放大電路，以前在大學裡學的東西基本上都還給老師了，工作之後也沒怎麼接觸硬體電路的分析。最近在做音訊訊號的ad取樣，所以要先搞懂此電路。運放反相端輸入要輸入的訊號，同相端給了1.5v的直流偏壓。拿到該電路，首先用大學學到的只是，直流和交流分開來分析。當只有直流訊號時，有電容部...
基於R統計分析 樣本與分布
1 資料抽樣 1 簡單隨機抽樣 sample x,size,replace false,prob null 其中，x表示待抽取物件，一般情況下以向量形式表示 size為非負整數，表示想要抽取樣本的個數 replace表示是否為可放回抽樣，預設不放回 prob用於設定各個抽樣樣本的抽樣概率，預設等概率...