• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    本發明揭示用於手勢分類及辨識之方法、程式產品及系統。一般而言，在一態樣中，一種系統可自經驗訓練資料判定用於同一使用者動作(例如，自一桌子拾取一行動裝置)之多個運動型樣。該系統可自一或多個行動裝置收集該訓練資料。該訓練資料可包括用於一指定手勢之多系列運動感測器讀數。每一系列運動感測器讀數可對應於一使用者執行該手勢之一特定方式。在使用叢集技術的情況下，該系統可自該訓練資料擷取一或多個運動型樣。該系統可將該等運動型樣作為原型發送至行動裝置以用於手勢辨識。
    公开号:TW201303656A
    申请号:TW101119620
    申请日:2012-05-31
    公开日:2013-01-16
    发明作者:Christopher Moore；Xiaoyuan Tu；William Matthew Vieta
    申请人:Apple Inc；
    IPC主号:G06F3-00
    专利说明:
    運動型樣分類及手勢辨識
    本發明大體上係關於行動裝置之以運動為基礎之操作。
    行動裝置可包括經組態以偵測行動裝置之運動之運動感測器。運動感測器可量測在二維或三維空間中行動裝置之移動及旋轉，且提供加速度之一系列讀數作為輸出。基於運動感測器讀數，行動裝置可判定該裝置是否在或已在運動中。行動裝置可使用運動以控制行動裝置之各種函式或應用程式。舉例而言，行動裝置可使用該一系列讀數作為至應用程式之輸入。基於運動感測器讀數，應用程式可執行各種任務。
    本發明揭示用於運動型樣分類及手勢辨識之方法、程式產品及系統。一般而言，在一運動型樣分類態樣中，一種系統可判定用於同一手勢(例如，自桌子拾取一行動裝置)之多個運動型樣。可自經驗訓練資料判定該等運動型樣。該系統可自一或多個行動裝置收集該訓練資料。該系統可請求一使用者在每一行動裝置上執行該手勢。接著，該系統自該等行動裝置獲得用於該手勢之多系列運動感測器讀數作為訓練資料。每一系列運動感測器讀數可對應於一使用者移動以執行該手勢之一特定方式。在使用叢集技術的情況下，該系統可自該訓練資料擷取一或多個運動型樣。該系統可將該等運動型樣作為原型發送至行動裝置以用於辨識該手勢。
    一般而言，在一手勢辨識態樣中，一行動裝置可使用自該系統所接收之該等運動型樣作為原型以辨識作出一手勢之多種方式。當該行動裝置使用一運動感測器來偵測一運動時，該行動裝置可比較該運動感測器之讀數與該等原型中每一者以識別一匹配。一旦識別出一匹配，該行動裝置便可辨識該手勢。該行動裝置可基於該已辨識手勢來執行一或多個指定任務。
    可實施運動型樣分類及手勢辨識以達成以下優點。可辨識同一手勢之多種方式。舉例而言，一行動裝置可辨識拾取該行動裝置之同一手勢，而不管該裝置係藉由左手拾取、藉由右手拾取、以慢運動拾取、以快運動拾取、自口袋拾取，抑或自桌子拾取。該行動裝置可辨識一使用者之手勢，而不要求該使用者實踐該手勢。該行動裝置可辨識一使用者之手勢，而與該使用者對該等行動裝置作手勢之特定習慣無關。可辨識複雜及自訂手勢。舉例而言，一行動裝置可將一特定手勢指定為一簽名。隨後，代替辨識一使用者姓名或一密碼或其兩者，或除了辨識一使用者姓名或一密碼或其兩者以外，該行動裝置亦可藉由辨識一使用者之手勢而使用該簽名以鑑認該使用者。
    下文之隨附圖式及描述中闡述運動型樣分類及手勢辨識之一或多項實施之細節。運動型樣分類及手勢辨識之其他特徵、態樣及優點將自描述、圖式及申請專利範圍變得顯而易見。
    各種圖式中之類似參考符號指示類似元件。 運動型樣分類及手勢辨識之概觀
    圖1為提供運動型樣分類及手勢辨識之概觀的圖解。運動型樣分類系統100為包括經程式化以自經驗資料產生一或多個運動型樣之一或多個電腦之系統。運動型樣分類系統100可自至少一行動裝置104接收運動樣本102作為訓練資料。運動樣本102中每一者可包括行動裝置104之運動感測器之讀數之時間系列。
    運動型樣分類系統100可處理已接收運動樣本102且產生一或多個運動型樣106。運動型樣106中每一者可包括一系列運動向量。每一運動向量可包括在笛卡爾(Cartesian)座標系之三個軸線(例如，X、Y、Z，或縱傾(pitch)、橫傾(yaw)、橫擺(roll))上之線性加速度值、角速率值或其兩者。每一運動向量可與一時間戳記相關聯。每一運動型樣106可充當一原型，運動與該原型進行比較以使得可辨識手勢。運動型樣分類系統100可將運動型樣106發送至行動裝置120以用於手勢辨識。
    行動裝置120可包括或耦接至手勢辨識系統122。手勢辨識系統122為包括經組態以基於運動型樣106來識別手勢之硬體、軟體或其兩者的行動裝置120之組件。行動裝置120可遵循運動路徑124而移動(例如，自位置A至位置B)且改變定向(例如，自桌子上之面向上定向至在臉附近之直立定向)。當行動裝置120移動時，行動裝置120之運動感測器可提供一系列感測器讀數126(例如，加速度讀數或角速率讀數)。手勢辨識系統122可接收感測器讀數126且對感測器讀數126進行濾波。手勢辨識系統122可比較經濾波感測器讀數126與運動型樣106。若發現匹配，則行動裝置120可判定手勢被辨識。基於已辨識手勢，行動裝置可執行與運動型樣106相關聯之任務(例如，關閉行動裝置120之顯示螢幕)。 例示性手勢分類
    圖2為經組態以執行運動型樣分類之操作之例示性系統的方塊圖。運動型樣分類系統100可自行動裝置104接收運動樣本102、基於運動樣本102來產生原型運動型樣106，且將原型運動型樣106發送至行動裝置120。
    行動裝置104為經組態以搜集運動樣本102之行動裝置。執行於行動裝置104上之應用程式可規定顯示使用者介面，該使用者介面請求使用者對行動裝置104執行指定身體手勢達一或多次。指定手勢可為(例如)自桌子或口袋拾取行動裝置104及將行動裝置104置於人臉附近之手勢。可以各種方式(例如，用左手或用右手)執行手勢。使用者介面經組態以每當使用者完成一移動時提示使用者加標籤於該移動。標籤可為正，其指示剛才完成之移動為執行手勢之方式的使用者應答。標籤可為負，其指示使用者指定剛才完成之移動並非執行手勢之方式。行動裝置104可在移動期間記錄一系列運動感測器讀數。行動裝置104可將已記錄之一系列運動感測器讀數(包括經加標籤為正或負之讀數)指定為運動樣本102。經加標籤為負的運動樣本102之部分可用作調諧運動型樣106之控制。運動樣本102可包括多個檔案，每一檔案對應於一運動實例及一系列運動感測器讀數。每一檔案之內容可包括運動感測器讀數之三元組(已感測加速度之3個軸線)，每一個三元組與一時間戳記及一標籤相關聯。標籤可包括將運動樣本指定為正樣本或負樣本之文字字串或值。
    運動型樣分類系統100可包括動態濾波子系統202。動態濾波子系統202為經組態以基於運動樣本102來產生正規化運動樣本(亦被稱作運動特徵)204的運動型樣分類系統100之組件。動態濾波子系統202可對運動樣本102中每一者進行高通濾波。運動樣本102之高通濾波可包括在時間上縮減運動實例之維度且壓縮運動樣本，使得運動樣本102中每一者在時間上具有相似長度。下文將參看圖3描述動態濾波子系統202之操作之另外細節。
    運動型樣分類系統100可包括距離計算子系統206。距離計算子系統206為經組態以計算每一對運動特徵204之間的距離的運動型樣分類系統100之組件。距離計算子系統206可產生距離之D路徑矩陣208。一對運動特徵204之間的距離可為指示兩個運動特徵之間的相似性之值。下文將參看圖4描述計算一對運動特徵204之間的距離之操作及D路徑矩陣208之另外細節。
    運動型樣分類系統100可包括叢集子系統210。叢集子系統210為經組態以基於來自距離計算系統206之D路徑矩陣208來產生一或多個原始運動型樣212的運動型樣分類系統100之組件。原始運動型樣212中每一者可包括運動向量之時間系列。運動向量之時間系列可表示運動特徵204之叢集。叢集可包括一或多個運動特徵204，叢集子系統210將一或多個運動特徵204判定為足夠相似，使得其可被視為一類運動。下文將參看圖5描述叢集子系統210之操作之另外細節。
    運動型樣分類系統100可包括影響圈(sphere-of-influence,SOI)計算子系統214。SOI計算子系統214為經組態以基於原始運動型樣212及D路徑矩陣208來產生一或多個運動型樣106的運動型樣分類系統100之組件。運動型樣106中每一者可包括與SOI相關聯之原始運動型樣212。運動型樣之SOI為可指示運動型樣之容限或誤差裕度的一值或一系列值。若手勢辨識系統判定一系列運動感測器讀數與一運動型樣之間的距離小於該運動型樣之SOI，則手勢辨識系統可判定該一系列運動感測器讀數匹配於該運動型樣。下文將參看圖6A至圖6C描述SOI計算子系統214之操作之另外細節。運動型樣分類系統100可將運動型樣106發送至行動裝置120以供行動裝置120用來執行以型樣為基礎之手勢辨識。
    圖3為說明運動樣本資料之動態濾波之例示性操作的圖解。運動實例302可為運動樣本102(如上文參看圖1至圖2所描述)中之一者。運動樣本302可包括運動感測器讀數304、306a至306c、308等等之時間系列。出於簡單起見，以一維(「A」)展示每一運動感測器讀數。每一運動感測器讀數可包括三個加速度值，在三維空間中之每一軸線上存在一個加速度值。
    動態濾波子系統202(如參看圖2所描述)可接收運動樣本302且產生運動特徵322。運動特徵322可為運動特徵204中之一者。運動特徵322可包括一或多個運動向量324、326、328等等。為了產生運動特徵322，動態濾波子系統202可在時間維度上縮減運動樣本302。在一些實施中，動態濾波子系統202可將濾波臨限值應用於運動樣本302。濾波臨限值可為指定加速度值。若運動感測器讀數308在至少一軸線(例如，軸線X)上超過濾波臨限值，則動態濾波子系統202可處理在時間上先於運動感測器讀數308之一系列一或多個運動感測器讀數306a至306c。處理運動感測器讀數306a至306c可包括產生用於替換運動感測器讀數306a至306c之運動向量326。動態濾波子系統202可藉由計算運動感測器讀數306a至306c之平均值來產生運動向量326。在三維空間中，運動向量326可包括在多個軸線中每一者上之平均值。因此，動態濾波子系統202可建立在時間系列中具有較少資料點之運動特徵322。
    在一些實施中，動態濾波子系統202可移除運動樣本之時間戳記，使得運動特徵322包括運動向量之有序系列。該系列之次序可隱含地指示時間序列。動態濾波子系統202可保留與運動樣本302相關聯之標籤。因此，運動特徵322中之每一運動向量可與一標籤相關聯。
    圖4為說明用於運動型樣分類之距離計算操作中之例示性動態時間扭曲技術(dynamic time warp technique)的圖解。距離計算子系統206(如參看圖2所描述)可應用動態時間扭曲技術以計算第一運動特徵(例如，Ea)與第二運動特徵(例如，Eb)之間的距離。Ea與Eb之間的距離將被指定為D(Ea,Eb)。
    在所示實例中，Ea包括m個加速度計讀數r(a,1)至r(a,m)之時間系列。Eb包括n個加速度計讀數r(b,1)至r(b,n)之時間系列。在一些實施中，距離計算子系統206藉由使用有向圖400來計算距離D(Ea,Eb)。有向圖400可包括m×n個節點。每一節點可與一成本相關聯。可基於加速度計讀數r(a,i)與r(b,j)之間的距離來判定節點(i,j)之成本。舉例而言，節點402可同Ea之加速度計讀數r(a,5)與Eb之加速度計讀數r(b,2)之間的距離相關聯。距離可為歐幾里德(Euclidean)距離、曼哈坦(Manhattan)距離，或n維空間(例如，三維空間)中之兩個值之間的任何其他距離。
    距離計算子系統206可添加自節點(i,j)至節點(i,j+1)之有向邊及自節點(i,j)至節點(i+1,j)之有向邊。因此，有向邊可形成柵格，在此實例中，在該柵格中多個路徑可自節點(1,1)通向節點(m,n)。
    距離計算子系統206可向有向圖400添加源節點S及自S至節點(1,1)之有向邊，以及目標節點T及自節點(m,n)至T之有向邊。距離計算子系統206可判定S與T之間的最短路徑(例如，以粗線標記之路徑)，且將最短路徑之成本指定為運動特徵Ea與Eb之間的距離。
    當距離計算子系統206接收y個運動特徵E1、...、Ey時，距離計算子系統206可建立y乘y矩陣，y乘y矩陣之元素為兩個運動特徵之間的距離。舉例而言，y乘y矩陣之元素(a,b)為運動特徵Ea與Eb之間的距離D(Ea,Eb)。距離計算子系統206可將y乘y矩陣指定為如上文參看圖2所描述之D路徑矩陣208。
    圖5為說明運動型樣分類之例示性叢集技術的圖解。出於說明性目的而在二維空間中展示該圖解。在一些實施中，在三維空間中執行叢集技術。叢集子系統206(如參看圖2所描述)可應用品質臨限值技術以建立例示性運動叢集C1及C2。
    叢集子系統206可分析如上文參看圖2及圖4所描述之D路徑矩陣208以及如上文參看圖2所描述之運動特徵204。叢集子系統206可識別具有第一標籤之第一類運動特徵204(例如，經加標籤為「正」之運動特徵)，及具有第二標籤之第二類運動特徵204(例如，經加標籤為「負」之運動特徵)。自D路徑矩陣208，叢集子系統206可識別第一類運動特徵(例如，「正」運動特徵502)與第二類運動特徵(例如，「負」運動特徵504)之間的指定距離(例如，最小距離)。該系統可將此距離指定為Dmin(EL1,EL2)，其中L1為第一標籤，且L2為第二標籤。指定距離可包括藉由用於控制每一叢集之大小之因數(例如，乘數k)調整的最小距離。叢集子系統206可將指定距離(例如，kDmin(EL1,EL2))指定為品質臨限值。
    叢集子系統206可選擇第一類運動特徵E1(例如，「正」運動特徵502)以添加至第一叢集C1。叢集子系統206接著可識別至E1之距離小於品質臨限值的第二個第一類運動特徵E2，且將E2添加至第一叢集C1。叢集子系統206可反覆地將第一類運動特徵添加至第一叢集C1，直至已將至E1之距離各自小於品質臨限值的所有第一類運動特徵添加至第一叢集C1為止。
    叢集子系統206可根據進一步叢集操作來移除C1中之第一類運動特徵，且選擇另一第一類運動特徵E2(例如，「正」運動特徵506)以添加至第二叢集C2。叢集子系統206可反覆地將第一類運動特徵添加至第二叢集C2，直至已將至E2之距離各自小於品質臨限值的所有第一類運動特徵添加至第二叢集C2為止。叢集子系統206可重複該等操作以建立叢集C3、C4等等，直至所有第一類運動特徵皆被叢集為止。
    叢集子系統206可產生用於每一叢集之運動向量之代表性系列。在一些實施中，叢集子系統206可將叢集(例如，叢集C1)中最靠近於其他運動樣本之運動特徵(例如，運動特徵508)指定為運動向量之代表性系列。叢集子系統206可將運動向量之代表性系列指定為原始運動型樣(例如，如上文參看圖2所描述之原始運動型樣212中之一者)。為了識別最靠近於其他樣本之實例，叢集子系統206可計算叢集C1中之運動特徵對之間的距離，且判定用於每一運動樣本之參考距離。用於一運動樣本之參考距離可為該叢集中之該運動樣本與該叢集中之另一運動樣本之間的最大距離。叢集子系統206可識別叢集C1中具有最小參考距離之運動特徵508且將運動特徵508指定為用於叢集C1之運動型樣。
    圖6A至圖6C為說明用於判定運動型樣之影響圈之技術的圖解。圖6A為運動型樣P之SOI之說明。SOI具有可用作臨限值之半徑r。若運動M1與運動型樣P之間的距離不超過r，則手勢辨識系統可判定運動M1匹配於運動P。該匹配可指示手勢被辨識。若運動M2與運動型樣P之間的距離超過r，則手勢辨識系統可判定運動M2不匹配於運動P。
    圖6B為用於基於分類來計算原始運動型樣P之SOI之半徑r1的SOI計算子系統214(如上文參看圖2所描述)之例示性操作之說明。SOI計算子系統214可基於運動特徵204中每一者與原始運動型樣P之間的距離來排列運動特徵204。SOI計算子系統214可基於下文將描述之分類臨限值及分類比率來判定半徑r1。
    半徑r1可與分類比率相關聯。分類比率可為在距原始運動型樣P之距離r1內之第一類運動樣本(例如，「正」運動樣本)的數目與在距運動型樣P之距離r1內之運動樣本(例如，「正」及「負」運動樣本兩者)的總數目之間的比率。
    SOI計算子系統214可指定分類臨限值且基於分類臨限值來判定半徑r1。SOI計算子系統214可根據有序運動樣本與原始運動型樣P之間的增量距離而以增量方式使半徑r1自初始值(例如，0)增加。若在r1達到一值(例如，運動特徵612與原始運動型樣P之間的距離)之後，r1至一運動特徵(例如，運動特徵614)與原始運動型樣P之間的下一最靠近距離之另外增量將致使分類比率小於分類臨限值，則SOI計算子系統214可將r1之值指定為ROI之分類半徑。
    圖6C為用於基於方差來計算原始運動型樣P之SOI之密度半徑r2的SOI計算子系統214(如上文參看圖2所描述)之例示性操作之說明。SOI計算子系統214可基於運動特徵204中每一者與運動型樣P之間的距離來排列運動特徵204。SOI計算子系統214可基於下文將進一步詳細地描述之方差臨限值及方差值來判定密度半徑r2。
    密度半徑r2可與方差值相關聯。方差值可指示在原始運動型樣P之距離r2內之運動樣本中每一者之間的距離之方差。SOI計算子系統214可指定方差臨限值且基於方差臨限值來判定密度半徑r2。SOI計算子系統214可根據有序運動樣本與運動型樣P之間的增量距離而以增量方式使量測距離自初始值(例如，0)增加。若在量測距離達到一值(例如，運動特徵622與原始運動型樣P之間的距離)之後，量測距離至一運動特徵(例如，運動特徵624)與原始運動型樣P之間的下一最靠近距離之另外增量將致使方差值大於方差臨限值，則SOI計算子系統214可將如下兩個距離之平均值((D1+D2)/2)指定為SOI之密度半徑r2：運動特徵622與運動型樣P之間的距離D1；及運動特徵624與運動型樣P之間的距離D2。
    在一些實施中，SOI計算子系統214可選擇SOI之分類半徑與密度半徑之間的較小者作為SOI之半徑。在一些實施中，SOI計算子系統214可將SOI之分類半徑與密度半徑之加權平均值指定為SOI之半徑。
    圖7為說明運動型樣分類之例示性程序700的流程圖。程序700可實施於包括一或多個電腦之系統上。
    該系統可接收(702)多個運動特徵。運動特徵中每一者可包括運動向量之時間系列。接收運動樣本可包括自行動裝置接收運動感測器讀數之時間系列，且使用高通濾波器而自運動感測器讀數產生運動特徵之運動向量之時間系列。該等運動特徵中每一者可與一標籤相關聯。運動特徵之標籤可包括第一標籤(例如，「正」)及第二標籤(例如，「負」)。
    系統可判定(704)每一對運動特徵之間的距離。判定每一對運動特徵之間的距離可包括使用動態時間扭曲來判定該對中之第一運動樣本中運動向量之時間系列與該對中之第二運動樣本中運動向量之時間系列之間的距離。
    系統可基於距離及品質臨限值將運動特徵叢集(706)成一或多個運動叢集。對運動特徵進行叢集可包括應用品質臨限值叢集技術。系統可基於具有第一標籤之運動特徵與具有第二標籤之運動特徵之間的距離來判定品質臨限值。舉例而言，系統可基於(1)具有第一標籤之運動特徵與經加標籤有第二標籤之運動特徵之間的最小距離及(2)正乘數來判定品質臨限值。
    對運動特徵進行叢集可包括：識別運動特徵之第一叢集，第一叢集中之運動特徵具有同一標籤(例如，「正」)，其中第一叢集中之運動特徵之對之間的距離滿足品質臨限值；自運動特徵移除且根據進一步叢集來移除運動特徵之第一叢集；以及重複該識別及該移除。當滿足終止條件時，叢集操作可終止。
    系統可使用運動型樣來表示(708)一或多個運動叢集中每一者，運動型樣包括經計算運動向量之時間系列。使用運動型樣來表示每一運動叢集可包括自運動叢集中之運動特徵選擇代表性運動特徵，且將選定運動特徵指定為運動型樣。選擇代表性運動特徵可基於每一運動特徵之參考距離，參考距離為該運動特徵與其他運動特徵之間的最大距離。系統可將具有最小參考距離之運動特徵指定為代表性運動特徵。
    系統可自運動型樣識別離群值且排除離群值免於進行手勢辨識操作。離群值可為基於不足夠之運動樣本或經錯誤地加標籤之訓練運動而產生的運動型樣。系統可基於被叢集於運動叢集中每一者中之運動特徵之數目及與運動特徵相關聯之標籤來識別離群值。系統可基於以下準則而自一或多個運動叢集識別離群值叢集：(1)離群值叢集中所含有之每一運動特徵與第一標籤相關聯(例如，經加標籤為「正」)；(2)離群值叢集中之運動特徵之數目小於離群值臨限值(例如，當運動叢集含有僅一個運動特徵時)；及(3)表示最靠近於離群值叢集之叢集的運動型樣與第二標籤相關聯。
    系統可基於運動型樣及在運動特徵之對之間的距離來判定(710)每一運動型樣之影響圈。當一運動與運動型樣之間的距離在該影響圈內時，該運動經指定為匹配於該運動型樣。判定運動型樣之影響圈可至少部分地基於分類半徑或密度半徑中之一者。可基於距運動型樣之距離來判定分類半徑，在該距離內，運動特徵之臨限值部分具有同一標籤。基於距運動型樣之距離來判定密度半徑，在該距離內，運動特徵與運動型樣之間的距離之方差滿足指定方差臨限值。系統可選擇分類半徑及密度半徑中之較小者作為影響圈之半徑。
    系統可將運動型樣發送(712)至行動裝置以用於辨識行動裝置之手勢。下文將參看圖8至圖10描述辨識行動裝置之手勢之操作。 例示性手勢辨識
    圖8為說明經組態以執行手勢辨識之操作之例示性系統的方塊圖。該系統可包括運動感測器802、手勢辨識系統122(如參看圖1所描述)及應用程式介面804。系統可實施於行動裝置上。
    運動感測器802可為經組態以量測在多個軸線上之加速度且基於經量測加速度來產生運動感測器讀數806的行動裝置之組件。運動感測器讀數806可包括加速度向量之時間系列。
    手勢辨識系統122可經組態以接收及處理運動感測器讀數806。手勢辨識系統122可包括動態濾波子系統808。動態濾波子系統808為經組態成以相似於動態濾波子系統202(如參看圖2至圖3所描述)之操作的方式對運動感測器讀數806執行動態濾波的手勢辨識系統之組件。另外，動態濾波子系統808可經組態以選擇運動感測器讀數806之部分以供進一步處理。該選擇可基於滑動時間窗810。運動感測器802可連續地產生運動感測器讀數806。動態濾波子系統808可使用滑動時間窗810以選擇連續資料之區段，且基於選定區段來產生正規化運動感測器讀數811。
    手勢辨識系統122可包括運動識別子系統812。運動識別子系統812為經組態以判定正規化運動感測器讀數811是否匹配於已知運動型樣的手勢辨識系統122之組件。運動識別子系統812可接收正規化運動感測器讀數811，且存取運動型樣資料儲存區814。運動型樣資料儲存區814包括儲存參看圖1至圖2進一步詳細地描述之一或多個運動型樣106之儲存裝置。運動識別子系統812可比較經接收正規化運動感測器讀數811與經儲存運動型樣106中每一者，且基於該比較來辨識手勢。
    運動識別子系統812可包括距離計算子系統818。距離計算子系統818為經組態以計算正規化運動感測器讀數811與運動型樣106中每一者之間的距離的運動識別子系統812之組件。若正規化運動感測器讀數811與運動型樣P之間的距離在運動型樣P之SOI之半徑內，則運動識別子系統812可識別匹配且辨識手勢820。下文將參看圖9A至圖9B描述距離計算子系統818之操作之另外細節。
    運動識別子系統812可將經辨識手勢820發送至應用程式介面804。行動裝置之應用程式或系統函式可自應用程式介面804接收手勢且作為回應而執行任務(例如，關閉觸控輸入螢幕)。
    圖9A至圖9B為說明使運動感測器讀數匹配於運動型樣之技術的圖解。圖9A說明如上文參看圖8所描述之正規化運動感測器讀數811之實例資料結構。正規化運動感測器讀數811可包括一系列運動向量902。每一運動向量902可包括分別用於軸線X、Y及Z之加速度讀數ax、ay及az。在一些實施中，每一運動向量902可與一時間ti相關聯，該時間界定時間系列。在一些實施中，正規化運動感測器讀數811使用運動向量902之次序來指定時間系列之時間維度。在此等實施中，可省略該時間。
    距離計算子系統818(如上文參看圖8所描述)比較正規化運動感測器讀數811與運動型樣106a、106b及106c中每一者。下文參看圖9B進一步詳細地描述比較操作。正規化運動感測器讀數811與運動型樣106a、106b及106c中任一者之間的匹配可引起手勢之辨識。
    圖9B為說明距離計算子系統818之距離計算操作的圖解。為了執行比較，距離計算子系統818可計算正規化運動感測器讀數811(其可包括讀數R1、...、Rn)與運動型樣(例如，運動型樣106a、106b或106c)(其可包括運動向量V1、...、Vm)之間的距離。距離計算子系統818可在相似於參看圖4所描述之操作的操作中使用有向圖910來計算距離。
    在一些實施中，距離計算子系統818可對比較執行最佳化。距離計算子系統818可藉由應用比較臨限值912及914來執行最佳化。比較臨限值912及914可界定一系列向量對，距離計算子系統818執行該等向量對之間的距離計算。藉由應用比較臨限值912及914，距離計算子系統818可排除不可能得到匹配之彼等計算。舉例而言，正規化運動感測器讀數811中之第一運動向量R1與運動型樣之最後運動向量Vm之間的距離計算不可能導致匹配，且因此可自該等計算省略距離計算。可以相似於上文參看圖4所描述之操作的方式應用最佳化。
    距離計算子系統818可判定有向圖910中之最短路徑(例如，以粗線標記之路徑)，且將最短路徑之成本指定為正規化運動感測器讀數811與運動型樣之間的距離。距離計算子系統818可比較該距離與同運動型樣相關聯之SOI。若距離小於SOI，則距離計算子系統818可識別匹配。
    圖10為說明以型樣為基礎之手勢辨識之例示性程序1000的流程圖。該程序可藉由包括行動裝置之系統執行。
    該系統可接收(1002)多個運動型樣。運動型樣中每一者可包括運動向量之時間系列。出於清楚起見，運動型樣中之運動向量將被稱作運動型樣向量。運動型樣中每一者可與一SOI相關聯。每一運動型樣向量可包括在多個運動軸線中每一者上之線性加速度值、角速率值或其兩者。在一些實施中，運動型樣向量中每一者可包括在縱傾、橫擺及橫傾中每一者上之角速率值。運動型樣中每一者可包括基於行動裝置之陀螺儀裝置而判定之陀螺儀資料、基於行動裝置之磁力計裝置而判定之磁力計資料，或來自行動裝置之重力計裝置之重力計資料。每一運動型樣向量可與一運動型樣時間相關聯。在一些實施中，運動型樣時間隱含於運動型樣向量之排序中。
    系統可自建置至系統中或與系統耦接之運動感測器接收(1004)多個運動感測器讀數。運動感測器讀數可包括多個運動向量，其將被稱作運動讀數向量。每一運動讀數向量可對應於可指示運動讀數時間之時間戳記。在一些實施中，每一運動讀數向量可包括如藉由運動感測器(其包括加速度計)量測的在各軸線中每一者上之加速度值。在一些實施中，每一運動讀數向量可包括基於如藉由運動感測器量測之一或多個加速度值而計算之經變換加速度值。變換可包括加速度值之高通濾波、時間維度壓縮或其他操縱。在一些實施中，運動讀數時間隱含於運動讀數向量之排序中。
    系統可使用時間窗且自運動感測器讀數選擇(1006)運動讀數向量之時間系列。時間窗可包括指定時段及開始時間。在一些實施中，變換加速度值可在選擇階段之後發生。系統可變換加速度值之選定時間系列。
    系統可計算(1008)運動讀數向量之選定時間系列與運動型樣中每一者之間的距離。此距離將被稱作運動偏差距離。計算運動偏差距離可包括基於運動型樣之運動型樣時間及該一系列運動讀數向量之運動讀數時間來應用動態時間扭曲。計算運動偏差距離可包括計算(1)運動讀數向量之選定時間系列中之每一運動讀數向量與(2)運動型樣中之每一運動型樣向量之間的向量距離。系統接著可基於每一向量距離來計算運動偏差距離。基於每一向量距離來計算運動偏差距離可包括識別根據運動型樣時間及運動讀數時間而排序之一系列向量距離(例如，上文關於圖9B所描述之經識別最短路徑)。系統可將經識別系列中之向量距離之量測指定為運動偏差距離。該量測可包括經識別系列中之向量距離之總和或加權總和中至少一者。向量距離可包括運動型樣向量與運動讀數向量之間的歐幾里德距離或運動型樣向量與運動讀數向量之間的曼哈坦距離中至少一者。
    系統可判定(1010)是否發現匹配。判定是否發現匹配可包括根據經計算運動偏差距離來判定運動讀數向量之選定時間系列是否位於運動型樣(例如，運動型樣P)之影響圈內。
    若未發現匹配，則系統沿著經接收運動感測器讀數上之時間維度滑動(1012)時間窗。滑動該時間窗可包括增加該時間窗之開始時間。系統接著可執行操作1004、1006、1008及1010，直至發現匹配為止，或直至已比較所有運動型樣且未發現匹配為止。
    若發現匹配，則手勢被辨識。系統可將運動型樣P指定為匹配運動型樣。系統可基於匹配運動型樣來執行(1014)指定任務。執行指定任務可包括以下各者中至少一者：改變行動裝置之組態；提供使用者介面以供在行動裝置上顯示，或移除使用者介面免於在行動裝置上顯示；啟動或終止行動裝置上之應用程式；或起始或終止行動裝置與另一裝置之間的通信。改變行動裝置之組態包括使行動裝置之輸入模式在觸控螢幕輸入模式與語音輸入模式之間改變。
    在一些實施中，在執行指定任務之前，系統可應用確認操作以偵測及消除匹配時之錯誤肯定。確認操作可包括檢查行動裝置之觸控螢幕輸入裝置或近接感測器。舉例而言，若手勢為「拾取裝置」，則裝置可藉由檢查近接感測器讀數以判定裝置在手勢結束時近接於物件(例如，人臉)來確認手勢。 例示性行動裝置架構
    圖11為說明實施以型樣為基礎之手勢辨識之特徵及操作的行動裝置之例示性裝置架構1100的方塊圖。行動裝置可包括記憶體介面1102、一或多個資料處理器、影像處理器及/或處理器1104，及周邊介面1106。記憶體介面1102、一或多個處理器1104及/或周邊介面1106可為分離的組件或可整合於一或多個積體電路中。處理器1104可包括一或多個應用程式處理器(AP)及一或多個基頻處理器(BP)。應用程式處理器及基頻處理器可整合於一個單程序晶片中。舉例而言，行動裝置中之各種組件可藉由一或多個通信匯流排或信號線而耦接。
    感測器、裝置及子系統可耦接至周邊介面1106以促進多重功能性。舉例而言，運動感測器1110、光感測器1112及近接感測器1114可耦接至周邊介面1106以促進行動裝置之定向、照明及近接功能。位置處理器1115(例如，GPS接收器)可連接至周邊介面1106以提供地理定位。電子磁力計1116(例如，積體電路晶片)亦可連接至周邊介面1106以提供可用以判定磁北方向之資料。因此，電子磁力計1116可用作電子羅盤。運動感測器1110可包括經組態以判定行動裝置之移動速度及移動方向之改變的一或多個加速度計。重力計1117可包括連接至周邊介面1106且經組態以量測地球之局域重力場的一或多個裝置。
    相機子系統1120及光學感測器1122(例如，電荷耦合裝置(CCD)或互補金屬氧化物半導體(CMOS)光學感測器)可用以促進相機功能，諸如，記錄相片及視訊剪輯。
    可經由一或多個無線通信子系統1124而促進通信功能，無線通信子系統1124可包括射頻接收器與發射器及/或光學(例如，紅外線)接收器與發射器。通信子系統1124之特定設計及實施可取決於意欲供行動裝置操作之通信網路。舉例而言，行動裝置可包括經設計成經由CDMA系統、WiFiTM或WiMaxTM網路及BluetoothTM網路而操作之通信子系統1124。詳言之，無線通信子系統1124可包括主控協定，使得行動裝置可經組態為用於其他無線裝置之基地台。
    音訊子系統1126可耦接至揚聲器1128及麥克風1130以促進語音允用功能，諸如，語音辨識、語音複製、數位記錄及電話功能。
    I/O子系統1140可包括觸控螢幕控制器1142及/或其他輸入控制器1144。觸控螢幕控制器1142可耦接至觸控螢幕1146或觸控板。觸控螢幕1146及觸控螢幕控制器1142可(例如)使用複數種觸敏性技術中任一者來偵測其接觸及移動或中斷，該等觸敏性技術包括(但不限於)電容性技術、電阻性技術、紅外線技術及表面聲波技術，以及其他近接感測器陣列或用於判定與觸控螢幕1146之一或多個接觸點之其他元件。
    其他輸入控制器1144可耦接至其他輸入/控制裝置1148，諸如，一或多個按鈕、搖臂開關、拇指旋輪、紅外線埠、USB埠及/或諸如手寫筆之指標裝置。該一或多個按鈕(未圖示)可包括用於揚聲器1128及/或麥克風1130之音量控制之增/減按鈕。
    在一實施中，按壓按鈕歷時第一持續時間可解開觸控螢幕1146之鎖定，且按壓按鈕歷時長於第一持續時間之第二持續時間可使行動裝置開機或關機。使用者可能能夠自訂該等按鈕中之一或多者之功能性。舉例而言，觸控螢幕1146亦可用以實施虛擬或軟按鈕及/或鍵盤。
    在一些實施中，行動裝置可呈現已記錄音訊及/或視訊檔案，諸如，MP3、AAC及MPEG檔案。在一些實施中，行動裝置可包括MP3播放器(諸如，iPodTM)之功能性。因此，行動裝置可包括與iPod相容之接針連接器。亦可使用其他輸入/輸出及控制裝置。
    記憶體介面1102可耦接至記憶體1150。記憶體1150可包括高速隨機存取記憶體及/或非揮發性記憶體，諸如，一或多個磁碟儲存裝置、一或多個光學儲存裝置及/或快閃記憶體(例如，NAND、NOR)。記憶體1150可儲存作業系統1152，諸如，Darwin、RTXC、LINUX、UNIX、OS X、WINDOWS或嵌式作業系統(諸如，VxWorks)。作業系統1152可包括用於處置基本系統服務及用於執行硬體相依任務之指令。在一些實施中，作業系統1152可包括核心程式(例如，UNIX核心程式)。
    記憶體1150亦可儲存用以促進與一或多個額外裝置、一或多個電腦及/或一或多個伺服器之通信之通信指令1154。記憶體1150可包括：用以促進圖形使用者介面處理之圖形使用者介面指令1156；用以促進感測器有關處理及功能之感測器處理指令1158；用以促進電話有關程序及功能之電話指令1160；用以促進電子訊息傳遞有關程序及功能之電子訊息傳遞指令1162；用以促進網路瀏覽有關程序及功能之網路瀏覽指令1164；用以促進媒體處理有關程序及功能之媒體處理指令1166；用以促進GPS及導航有關程序及指令之GPS/導航指令1168；用以促進相機有關程序及功能之相機指令1170；用以促進磁力計校準之磁力計資料1172及校準指令1174。記憶體1150亦可儲存其他軟體指令(未圖示)，諸如，安全性指令、用以促進網路視訊有關程序及功能之網路視訊指令，及/或用以促進網路購物有關程序及功能之網路購物指令。在一些實施中，媒體處理指令1166被劃分成分別用以促進音訊處理有關程序及功能以及視訊處理有關程序及功能之音訊處理指令及視訊處理指令。啟動記錄及國際行動設備識別碼(IMEI)或相似硬體識別符亦可儲存於記憶體1150中。記憶體1150可包括手勢辨識指令1176。手勢辨識指令1176可為經組態以致使行動裝置使用如參看圖1至圖10所描述之運動型樣來辨識一或多個手勢之電腦程式產品。
    上文所識別之指令及應用程式中每一者可對應於用於執行上文所描述之一或多個功能之指令集合。無需將此等指令實施為分離的軟體程式、程序或模組。記憶體1150可包括額外指令或較少指令。此外，行動裝置之各種功能可以硬體及/或以軟體進行實施，包括以一或多個信號處理及/或特殊應用積體電路進行實施。 例示性操作環境
    圖12為實施運動型樣分類及手勢辨識技術之行動裝置所用之例示性網路操作環境1200的方塊圖。行動裝置1202a及1202b可(例如)在資料通信中經由一或多個有線及/或無線網路1210而通信。舉例而言，無線網路1212(例如，蜂巢式網路)可藉由使用閘道器1216而與廣域網路(WAN)1214(諸如，網際網路)通信。同樣地，存取裝置1218(諸如，802.11g無線存取裝置)可提供對廣域網路1214之通信存取。
    在一些實施中，可經由無線網路1212及存取裝置1218而建立語音通信及資料通信兩者。舉例而言，行動裝置1202a可撥出及接收電話呼叫(例如，使用網際網路語音通訊協定(VoIP)協定)、發送及接收電子郵件訊息(例如，使用郵局協定3(POP3))，且經由無線網路1212、閘道器1216及廣域網路1214(例如，使用傳輸控制協定/網際網路協定(TCP/IP)或使用者資料報協定(UDP))而擷取電子文件及/或串流，諸如，網頁、相片及視訊。同樣地，在一些實施中，行動裝置1202b可撥出及接收電話呼叫、發送及接收電子郵件訊息，且經由存取裝置1218及廣域網路1214而擷取電子文件。在一些實施中，行動裝置1202a或1202b可使用一或多個電纜而實體地連接至存取裝置1218，且存取裝置1218可為個人電腦。在此組態中，行動裝置1202a或1202b可被稱作「繫留」裝置。
    行動裝置1202a及1202b亦可藉由其他方式而建立通信。舉例而言，無線行動裝置1202a可經由無線網路1212而與其他無線裝置(例如，其他行動裝置1202a或1202b、蜂巢式電話，等等)通信。同樣地，行動裝置1202a及1202b可藉由使用一或多個通信子系統(諸如，BluetoothTM通信裝置)而建立同級間通信1220(例如，個人區域網路)。亦可實施其他通信協定及拓撲。
    行動裝置1202a或1202b可(例如)經由一或多個有線及/或無線網路而與一或多個服務1230及1240通信。舉例而言，一或多個運動訓練服務1230可用以判定一或多個運動型樣。運動型樣服務1240可向行動裝置1202a及1202b提供一或多個運動型樣以用於辨識手勢。
    行動裝置1202a或1202b亦可經由一或多個有線及/或無線網路而存取其他資料及內容。舉例而言，內容發行者(諸如，新聞網站、真正簡易新聞訂閱方式(Rally Simple Syndication,RSS)摘要、網站、網誌(blog)、社交網路連接網站、開發者網路，等等)可藉由行動裝置1202a或1202b存取。可藉由回應於使用者觸碰(例如)Web物件而調用網路瀏覽函式或應用程式(例如，瀏覽器)來提供此存取。 例示性系統架構
    圖13為用於實施運動型樣分類及手勢辨識之特徵及操作之例示性系統架構的方塊圖。其他架構係可能的，包括具有更多或更少組件之架構。在一些實施中，架構1300包括一或多個處理器1302(例如，雙核心Intel® Xeon®處理器)、一或多個輸出裝置1304(例如，LCD)、一或多個網路介面1306、一或多個輸入裝置1308(例如，滑鼠、鍵盤、觸敏式顯示器)，及一或多個電腦可讀媒體1312(例如，RAM、ROM、SDRAM、硬碟、光碟、快閃記憶體，等等)。此等組件可經由一或多個通信通道1310(例如，匯流排)而交換通信及資料，一或多個通信通道1310可利用各種硬體及軟體以用於促進在各組件之間傳送資料及控制信號。
    術語「電腦可讀媒體」指代參與向處理器1302提供指令以供執行之任何媒體，包括(但不限於)非揮發性媒體(例如，光碟或磁碟)、揮發性媒體(例如，記憶體)及傳輸媒體。傳輸媒體包括(但不限於)同軸電纜、銅線及光纖。
    電腦可讀媒體1312可進一步包括作業系統1314(例如，Mac OS®伺服器、Windows® NT伺服器)、網路通信模組1316、運動資料收集子系統1320、運動分類子系統1330、運動型樣資料庫1340及運動型樣散佈子系統1350。運動資料收集子系統1320可經組態以自行動裝置接收運動樣本。運動分類子系統1330可經組態以自經接收運動樣本判定一或多個運動型樣。運動型樣資料庫1340可儲存運動型樣。運動型樣散佈子系統1350可經組態以將運動型樣散佈至行動裝置。作業系統1314可為多使用者的、多處理的、多任務的、多執行緒的、即時的，等等。作業系統1314執行基本任務，該等任務包括(但不限於)：自裝置1306、1308辨識輸入且向裝置1306、1308提供輸出；記錄及管理電腦可讀媒體1312(例如，記憶體或儲存裝置)上之檔案及目錄；控制周邊裝置；及管理一或多個通信通道1310上之訊務。網路通信模組1316包括用於建立及維護網路連接之各種組件(例如，用於實施諸如TCP/IP、HTTP等等之通信協定之軟體)。電腦可讀媒體1312可進一步包括資料庫介面。資料庫介面可包括至檔案系統上之一或多個資料庫之介面。資料庫可根據階層式資料夾結構進行組織，資料夾映射至檔案系統中之目錄。
    架構1300可包括於能夠主控資料庫應用程式之任何裝置中。架構1300可實施於並行處理或同級間基礎結構中或具有一或多個處理器之單一裝置上。軟體可包括多個軟體組件或可為單一程式碼主文。
    所描述特徵可有利地實施於可在一可程式化系統上執行之一或多個電腦程式中，該可程式化系統包括：至少一可程式化處理器，其經耦接以自資料儲存系統接收資料及指令且將資料及指令傳輸至資料儲存系統；至少一輸入裝置；及至少一輸出裝置。電腦程式為可直接地或間接地用於電腦中以執行某一活動或達成某一結果之指令集合。電腦程式可以任何形式之程式設計語言(例如，Objective-C、Java)(包括編譯或解譯語言)進行撰寫，且電腦程式可經部署成任何形式，包括作為獨立程式，或作為模組、組件、次常式、以瀏覽器為基礎之網路應用程式，或適於供計算環境中使用之其他單元。
    用於執行指令程式之合適處理器包括(作為實例)通用微處理器及專用微處理器兩者，以及任何種類之電腦之單獨處理器或多個處理器或核心中之一者。通常，處理器將自唯讀記憶體或隨機存取記憶體或其兩者接收指令及資料。電腦之基本元件為用於執行指令之處理器，以及用於儲存指令及資料之一或多個記憶體。通常，電腦亦將包括用於儲存資料檔案之一或多個大容量儲存裝置或經以操作方式耦接以與用於儲存資料檔案之一或多個大容量儲存裝置通信；此等裝置包括：磁碟，諸如，內部硬碟及卸除式磁碟；磁光碟；及光碟。適於有形地體現電腦程式指令及資料之儲存裝置包括所有形式之非揮發性記憶體，包括(作為實例)：半導體記憶體裝置，諸如，EPROM、EEPROM及快閃記憶體裝置；磁碟，諸如，內部硬碟及卸除式磁碟；磁光碟；以及CD-ROM及DVD-ROM磁碟。處理器及記憶體可藉由ASIC(特殊應用積體電路)補充或併入於ASIC(特殊應用積體電路)中。
    為了提供與使用者之互動，可將該等特徵實施於一電腦上，該電腦具有用於向使用者顯示資訊之顯示裝置(諸如，CRT(陰極射線管)或LCD(液晶顯示器)監視器)，以及可供使用者向該電腦提供輸入之鍵盤及指標裝置(諸如，滑鼠或軌跡球)。
    可將該等特徵實施於一電腦系統中，該電腦系統包括諸如資料伺服器之後端組件，或包括諸如應用程式伺服器或網際網路伺服器之中間軟體組件，或包括諸如具有圖形使用者介面或網際網路瀏覽器之用戶端電腦之前端組件，或其任何組合。該系統之組件可藉由數位資料通信之任何形式或媒體(諸如，通信網路)而連接。通信網路之實例包括(例如)LAN、WAN，以及形成網際網路之電腦及網路。
    電腦系統可包括用戶端及伺服器。用戶端與伺服器通常彼此遠離且通常經由網路而互動。用戶端與伺服器之關係係依靠在各別電腦上執行且彼此具有主從式關係之電腦程式而產生。
    已描述本發明之數項實施。然而，應理解，可在不脫離本發明之精神及範疇的情況下進行各種修改。
    100‧‧‧運動型樣分類系統
    102‧‧‧運動樣本
    104‧‧‧行動裝置
    106‧‧‧運動型樣
    106a‧‧‧運動型樣
    106b‧‧‧運動型樣
    106c‧‧‧運動型樣
    120‧‧‧行動裝置
    122‧‧‧手勢辨識系統
    124‧‧‧運動路徑
    126‧‧‧感測器讀數
    202‧‧‧動態濾波子系統
    204‧‧‧運動樣本/運動特徵
    206‧‧‧距離計算子系統/叢集子系統
    208‧‧‧D路徑矩陣
    210‧‧‧叢集子系統
    212‧‧‧原始運動型樣
    214‧‧‧影響圈(SOI)計算子系統
    302‧‧‧運動實例/運動樣本
    304‧‧‧運動感測器讀數
    306a‧‧‧運動感測器讀數
    306b‧‧‧運動感測器讀數
    306c‧‧‧運動感測器讀數
    308‧‧‧運動感測器讀數
    322‧‧‧運動特徵
    324‧‧‧運動向量
    326‧‧‧運動向量
    328‧‧‧運動向量
    400‧‧‧有向圖
    402‧‧‧節點
    502‧‧‧「正」運動特徵
    504‧‧‧「負」運動特徵
    506‧‧‧「正」運動特徵
    508‧‧‧運動特徵
    612‧‧‧運動特徵
    614‧‧‧運動特徵
    622‧‧‧運動特徵
    624‧‧‧運動特徵
    802‧‧‧運動感測器
    804‧‧‧應用程式介面
    806‧‧‧運動感測器讀數
    808‧‧‧動態濾波子系統
    810‧‧‧滑動時間窗
    811‧‧‧正規化運動感測器讀數
    812‧‧‧運動識別子系統
    814‧‧‧運動型樣資料儲存區
    818‧‧‧距離計算子系統
    820‧‧‧手勢
    902‧‧‧運動向量
    910‧‧‧有向圖
    912‧‧‧比較臨限值
    914‧‧‧比較臨限值
    1100‧‧‧裝置架構
    1102‧‧‧記憶體介面
    1104‧‧‧處理器
    1106‧‧‧周邊介面
    1110‧‧‧運動感測器
    1112‧‧‧光感測器
    1114‧‧‧近接感測器
    1115‧‧‧位置處理器
    1116‧‧‧電子磁力計
    1117‧‧‧重力計
    1120‧‧‧相機子系統
    1122‧‧‧光學感測器
    1124‧‧‧無線通信子系統
    1126‧‧‧音訊子系統
    1128‧‧‧揚聲器
    1130‧‧‧麥克風
    1140‧‧‧輸入/輸出(I/O)子系統
    1142‧‧‧觸控螢幕控制器
    1144‧‧‧其他輸入控制器
    1146‧‧‧觸控螢幕
    1148‧‧‧其他輸入/控制裝置
    1150‧‧‧記憶體
    1152‧‧‧作業系統
    1154‧‧‧通信指令
    1156‧‧‧圖形使用者介面指令
    1158‧‧‧感測器處理指令
    1160‧‧‧電話指令
    1162‧‧‧電子訊息傳遞指令
    1164‧‧‧網路瀏覽指令
    1166‧‧‧媒體處理指令
    1168‧‧‧全球定位系統(GPS)/導航指令
    1170‧‧‧相機指令
    1172‧‧‧磁力計資料
    1174‧‧‧校準指令
    1176‧‧‧手勢辨識指令
    1200‧‧‧網路操作環境
    1202a‧‧‧行動裝置
    1202b‧‧‧行動裝置
    1210‧‧‧有線及/或無線網路
    1212‧‧‧無線網路
    1214‧‧‧廣域網路(WAN)
    1216‧‧‧閘道器
    1218‧‧‧存取裝置
    1220‧‧‧同級間通信
    1230‧‧‧運動訓練服務
    1240‧‧‧運動型樣服務
    1300‧‧‧架構
    1302‧‧‧處理器
    1304‧‧‧輸出裝置
    1306‧‧‧網路介面/裝置
    1308‧‧‧輸入裝置
    1310‧‧‧通信通道
    1312‧‧‧電腦可讀媒體
    1314‧‧‧作業系統
    1316‧‧‧網路通信模組
    1320‧‧‧運動資料收集子系統
    1330‧‧‧運動分類子系統
    1340‧‧‧運動型樣資料庫
    1350‧‧‧運動型樣散佈子系統
    圖1為提供運動型樣分類及手勢辨識之概觀的圖解。
    圖2為經組態以執行運動型樣分類之操作之例示性系統的方塊圖。
    圖3為說明運動實例資料之動態濾波之例示性操作的圖解。
    圖4為說明用於運動型樣分類之距離計算操作中之例示性動態時間扭曲技術的圖解。
    圖5為說明運動型樣分類之例示性叢集技術的圖解。
    圖6A至圖6C為說明判定運動型樣之影響圈之例示性技術的圖解。
    圖7為說明運動型樣分類之例示性程序的流程圖。
    圖8為說明經組態以執行手勢辨識之操作之例示性系統的方塊圖。
    圖9A至圖9B為說明使運動感測器讀數匹配於運動型樣之例示性技術的圖解。
    圖10為說明以型樣為基礎之手勢辨識之例示性程序的流程圖。
    圖11為說明實施以型樣為基礎之手勢辨識之特徵及操作的行動裝置之例示性裝置架構的方塊圖。
    圖12為實施運動型樣分類及手勢辨識技術之行動裝置所用之例示性網路操作環境的方塊圖。
    圖13為用於實施運動型樣分類及手勢辨識之特徵及操作之例示性系統架構的方塊圖。
    100‧‧‧運動型樣分類系統
    102‧‧‧運動樣本
    104‧‧‧行動裝置
    106‧‧‧運動型樣
    120‧‧‧行動裝置
    122‧‧‧手勢辨識系統
    124‧‧‧運動路徑
    126‧‧‧感測器讀數
    权利要求:
    Claims (72)
    [1] 一種藉由一或多個電腦執行之方法，其包含：接收複數個運動特徵，該等運動特徵中每一者包括運動向量之一時間系列；將該等運動特徵叢集成一或多個運動叢集；及使用一運動型樣來表示該一或多個運動叢集中每一者以用於辨識一行動裝置上之一手勢，該運動型樣包括經計算運動向量之一時間系列。
    [2] 如請求項1之方法，其中每一運動向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [3] 如請求項2之方法，其中接收該等運動特徵包含：自一行動裝置接收運動感測器讀數之一時間系列；及使用一高通濾波器而自該等運動感測器讀數產生每一運動特徵之運動向量之該時間系列。
    [4] 如請求項1之方法，其包含：判定該等運動特徵之每一對之間的一距離，其中對該等運動特徵進行叢集包括基於該等距離及一品質臨限值而對該等運動特徵進行叢集。
    [5] 如請求項4之方法，其中判定運動特徵之每一對之間的該距離包括：使用動態時間扭曲來判定該對中之一第一運動實例中運動向量之一時間系列與該對中之一第二運動實例中運動向量之一時間系列之間的該距離。
    [6] 如請求項4之方法，其中該等運動特徵中每一者與一標籤相關聯，該等運動特徵之該等標籤包括一第一標籤及一第二標籤。
    [7] 如請求項6之方法，其包含基於具有該第一標籤之一運動特徵與具有該第二標籤之一運動特徵之間的一距離來判定該品質臨限值。
    [8] 如請求項7之方法，其中基於具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的該距離來判定該品質臨限值包括基於以下各者來判定該品質臨限值：具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的一最小距離；及一正乘數。
    [9] 如請求項6之方法，其包含：基於被叢集於該等運動叢集中每一者中之運動特徵之一數目及與該等運動特徵相關聯之該等標籤而自該等運動型樣識別一離群值；及排除該離群值免於進行手勢辨識操作。
    [10] 如請求項9之方法，其中識別該離群值包含：自該一或多個運動叢集識別一離群值叢集，其中：該離群值叢集與該第一標籤相關聯；該離群值叢集中所含有之該等運動特徵之一數目小於一離群值臨限值；且表示最靠近於該離群值叢集之一叢集之一運動型樣與該第二標籤相關聯；及將表示該離群值叢集之該運動型樣指定為該離群值。
    [11] 如請求項4之方法，其中將該等運動特徵叢集成一或多個運動叢集包含：識別運動特徵之一第一叢集，該第一叢集中之該等運動特徵具有同一標籤，其中該第一叢集中之該等運動特徵之對之間的距離滿足該品質臨限值；自該等運動特徵移除該第一叢集；及重複該識別操作及該移除操作，直至滿足一終止條件為止。
    [12] 如請求項4之方法，其包含基於該等運動型樣及在該等運動特徵之該等對之間的該等距離來判定每一運動型樣之一影響圈，其中當一運動與該運動型樣之間的一距離在該影響圈內時，該運動經指定為匹配該運動型樣。
    [13] 如請求項12之方法，其中判定該影響圈包括至少部分地基於一分類半徑或一密度半徑中之一者來判定該影響圈，其中：基於距該運動型樣之一距離來判定該分類半徑，在該距離內，運動特徵之一臨限值部分具有同一標籤；且基於距該運動型樣之一距離來判定該密度半徑，在該距離內，運動特徵與該運動型樣之間的距離之一方差滿足一指定方差臨限值。
    [14] 如請求項1之方法，其包含：將該運動型樣發送至一行動裝置以用於辨識該行動裝置之一手勢。
    [15] 一種經組態以使一或多個電腦執行操作之電腦程式產品，該等操作包含：接收複數個運動特徵，該等運動特徵中每一者包括運動向量之一時間系列；將該等運動特徵叢集成一或多個運動叢集；及使用一運動型樣來表示該一或多個運動叢集中每一者以用於辨識一行動裝置上之一手勢，該運動型樣包括經計算運動向量之一時間系列。
    [16] 如請求項15之產品，其中每一運動向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [17] 如請求項16之產品，其中接收該等運動特徵包含：自一行動裝置接收運動感測器讀數之一時間系列；及使用一高通濾波器而自該等運動感測器讀數產生每一運動特徵之運動向量之該時間系列。
    [18] 如請求項15之產品，該等操作包含：判定該等運動特徵之每一對之間的一距離，其中對該等運動特徵進行叢集包括基於該等距離及一品質臨限值而對該等運動特徵進行叢集。
    [19] 如請求項18之產品，其中判定運動特徵之每一對之間的該距離包括：使用動態時間扭曲來判定該對中之一第一運動實例中運動向量之一時間系列與該對中之一第二運動實例中運動向量之一時間系列之間的該距離。
    [20] 如請求項18之產品，其中該等運動特徵中每一者與一標籤相關聯，該等運動特徵之該等標籤包括一第一標籤及一第二標籤。
    [21] 如請求項20之產品，該等操作包含基於具有該第一標籤之一運動特徵與具有該第二標籤之一運動特徵之間的一距離來判定該品質臨限值。
    [22] 如請求項21之產品，其中基於具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的該距離來判定該品質臨限值包括基於以下各者來判定該品質臨限值：具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的一最小距離；及一正乘數。
    [23] 如請求項20之產品，該等操作包含：基於被叢集於該等運動叢集中每一者中之運動特徵之一數目及與該等運動特徵相關聯之該等標籤而自該等運動型樣識別一離群值；及排除該離群值免於進行手勢辨識操作。
    [24] 如請求項23之產品，其中識別該離群值包含：自該一或多個運動叢集識別一離群值叢集，其中：該離群值叢集與該第一標籤相關聯；該離群值叢集中所含有之該等運動特徵之一數目小於一離群值臨限值；及表示最靠近於該離群值叢集之一叢集之一運動型樣與該第二標籤相關聯；及將表示該離群值叢集之該運動型樣指定為該離群值。
    [25] 如請求項18之產品，其中將該等運動特徵叢集成一或多個運動叢集包含：識別運動特徵之一第一叢集，該第一叢集中之該等運動特徵具有同一標籤，其中該第一叢集中之該等運動特徵之對之間的距離滿足該品質臨限值；自該等運動特徵移除該第一叢集；及重複該識別操作及該移除操作，直至滿足一終止條件為止。
    [26] 如請求項18之產品，該等操作包含基於該等運動型樣及在該等運動特徵之該等對之間的該等距離來判定每一運動型樣之一影響圈，其中當一運動與該運動型樣之間的一距離在該影響圈內時，該運動經指定為匹配該運動型樣。
    [27] 如請求項26之產品，其中判定該影響圈包括至少部分地基於一分類半徑或一密度半徑中之一者來判定該影響圈，其中：基於距該運動型樣之一距離來判定該分類半徑，在該距離內，運動特徵之一臨限值部分具有同一標籤；且基於距該運動型樣之一距離來判定該密度半徑，在該距離內，運動特徵與該運動型樣之間的距離之一方差滿足一指定方差臨限值。
    [28] 如請求項15之產品，該等操作包含：將該運動型樣發送至一行動裝置以用於辨識該行動裝置之一手勢。
    [29] 一種系統，其包含：一或多個電腦，其經組態以執行包含以下各者之操作：接收複數個運動特徵，該等運動特徵中每一者包括運動向量之一時間系列；將該等運動特徵叢集成一或多個運動叢集；及使用一運動型樣來表示該一或多個運動叢集中每一者以用於辨識一行動裝置上之一手勢，該運動型樣包括經計算運動向量之一時間系列。
    [30] 如請求項29之系統，其中每一運動向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [31] 如請求項30之系統，其中接收該等運動特徵包含：自一行動裝置接收運動感測器讀數之一時間系列；及使用一高通濾波器而自該等運動感測器讀數產生每一運動特徵之運動向量之該時間系列。
    [32] 如請求項29之系統，該等操作包含：判定該等運動特徵之每一對之間的一距離，其中對該等運動特徵進行叢集包括基於該等距離及一品質臨限值而對該等運動特徵進行叢集。
    [33] 如請求項32之系統，其中判定運動特徵之每一對之間的該距離包括：使用動態時間扭曲來判定該對中之一第一運動實例中運動向量之一時間系列與該對中之一第二運動實例中運動向量之一時間系列之間的該距離。
    [34] 如請求項32之系統，其中該等運動特徵中每一者與一標籤相關聯，該等運動特徵之該等標籤包括一第一標籤及一第二標籤。
    [35] 如請求項34之系統，該等操作包含基於具有該第一標籤之一運動特徵與具有該第二標籤之一運動特徵之間的一距離來判定該品質臨限值。
    [36] 如請求項35之系統，其中基於具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的該距離來判定該品質臨限值包括基於以下各者來判定該品質臨限值：具有該第一標籤之一運動特徵與具有該第二標籤之該運動特徵之間的一最小距離；及一正乘數。
    [37] 如請求項34之系統，該等操作包含：基於被叢集於該等運動叢集中每一者中之運動特徵之一數目及與該等運動特徵相關聯之該等標籤而自該等運動型樣識別一離群值；及排除該離群值免於進行手勢辨識操作。
    [38] 如請求項37之系統，其中識別該離群值包含：自該一或多個運動叢集識別一離群值叢集，其中：該離群值叢集與該第一標籤相關聯；該離群值叢集中所含有之該等運動特徵之一數目小於一離群值臨限值；及表示最靠近於該離群值叢集之一叢集之一運動型樣與該第二標籤相關聯；及將表示該離群值叢集之該運動型樣指定為該離群值。
    [39] 如請求項32之系統，其中將該等運動特徵叢集成一或多個運動叢集包含：識別運動特徵之一第一叢集，該第一叢集中之該等運動特徵具有同一標籤，其中該第一叢集中之該等運動特徵之對之間的距離滿足該品質臨限值；自該等運動特徵移除該第一叢集；及重複該識別操作及該移除操作，直至滿足一終止條件為止。
    [40] 如請求項32之系統，該等操作包含基於該等運動型樣及在該等運動特徵之該等對之間的該等距離來判定每一運動型樣之一影響圈，其中當一運動與該運動型樣之間的一距離在該影響圈內時，該運動經指定為匹配該運動型樣。
    [41] 如請求項40之系統，其中判定該影響圈包括至少部分地基於一分類半徑或一密度半徑中之一者來判定該影響圈，其中：基於距該運動型樣之一距離來判定該分類半徑，在該距離內，運動特徵之一臨限值部分具有同一標籤；且基於距該運動型樣之一距離來判定該密度半徑，在該距離內，運動特徵與該運動型樣之間的距離之一方差滿足一指定方差臨限值。
    [42] 如請求項29之系統，該等操作包含：將該運動型樣發送至一行動裝置以用於辨識該行動裝置之一手勢。
    [43] 一種藉由一行動裝置執行之方法，其包含：在該行動裝置處接收複數個運動型樣，該等運動型樣中每一者包括運動型樣向量之一時間系列且與一運動型樣時間及一影響圈相關聯；自該行動裝置之一運動感測器接收複數個運動感測器讀數，該等運動感測器讀數包括複數個運動讀數向量，每一運動讀數向量對應於一運動讀數時間；使用一時間窗且自該等運動感測器讀數選擇運動讀數向量之一時間系列；計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的一運動偏差距離，包括基於該運動型樣之該等運動型樣時間及該一系列運動讀數向量之該等運動讀數時間來應用動態時間扭曲；沿著該等經接收運動感測器讀數上之一時間維度滑動該時間窗，且針對每一滑動時間窗執行該選擇操作及該計算操作，直至根據一經計算運動偏差距離，運動讀數向量之該選定時間系列位於一運動型樣之該影響圈內為止，該運動型樣接著經指定為一匹配運動型樣；及基於該匹配運動型樣在該行動裝置上執行一指定任務。
    [44] 如請求項43之方法，其中每一運動型樣向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [45] 如請求項44之方法，其中每一運動讀數向量包括以下各者中至少一者：如藉由該運動感測器量測的在該等軸線中每一者上之一角速率值或一線性加速度值，該運動感測器包括一加速度計或一陀螺儀中至少一者；或一經變換加速度值，其係基於如藉由該運動感測器量測之一或多個加速度值而計算。
    [46] 如請求項43之方法，其中計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的該運動偏差距離包含：計算以下兩者之間的一向量距離：運動讀數向量之該選定時間系列中之每一運動讀數向量；及該運動型樣中之每一運動型樣向量；及基於每一向量距離來計算該運動偏差距離。
    [47] 如請求項46之方法，其中基於每一向量距離來計算該運動偏差距離包含：識別根據該等運動型樣時間及該等運動讀數時間而排序之一系列向量距離；及將該經識別系列中之該等向量距離之一量測指定為該運動偏差距離。
    [48] 如請求項47之方法，其中該量測包含一總和或一加權總和中至少一者。
    [49] 如請求項47之方法，其中識別該一系列向量距離包含：識別該一系列向量距離之該量測具有一最小值的一系列向量距離。
    [50] 如請求項46之方法，其中該等向量距離包括一運動型樣向量與一運動讀數向量之間的一歐幾里德距離或一運動型樣向量與一運動讀數向量之間的一曼哈坦距離中至少一者。
    [51] 如請求項43之方法，其中在該行動裝置上執行該指定任務包括以下各者中至少一者：改變該行動裝置之一組態；提供一使用者介面以供在該行動裝置上顯示，或移除一使用者介面免於在該行動裝置上顯示；啟動或終止該行動裝置上之一應用程式；或起始或終止該行動裝置與另一裝置之間的一通信。
    [52] 如請求項51之方法，其中改變該行動裝置之該組態包括：使該行動裝置之一輸入模式在一觸控螢幕輸入模式與一語音輸入模式之間改變。
    [53] 一種經組態以使一行動裝置執行操作之電腦程式產品，該等操作包含：在該行動裝置處接收複數個運動型樣，該等運動型樣中每一者包括運動型樣向量之一時間系列且與一運動型樣時間及一影響圈相關聯；自該行動裝置之一運動感測器接收複數個運動感測器讀數，該等運動感測器讀數包括複數個運動讀數向量，每一運動讀數向量對應於一運動讀數時間；使用一時間窗且自該等運動感測器讀數選擇運動讀數向量之一時間系列；計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的一運動偏差距離，包括基於該運動型樣之該等運動型樣時間及該一系列運動讀數向量之該等運動讀數時間來應用動態時間扭曲；沿著該等經接收運動感測器讀數上之一時間維度滑動該時間窗，且針對每一滑動時間窗執行該選擇操作及該計算操作，直至根據一經計算運動偏差距離，運動讀數向量之該選定時間系列位於一運動型樣之該影響圈內為止，該運動型樣接著經指定為一匹配運動型樣；及基於該匹配運動型樣在該行動裝置上執行一指定任務。
    [54] 如請求項53之產品，其中每一運動型樣向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [55] 如請求項54之產品，其中每一運動讀數向量包括以下各者中至少一者：如藉由該運動感測器量測的在該等軸線中每一者上之一角速率值或一線性加速度值，該運動感測器包括一加速度計或一陀螺儀中至少一者；或一經變換加速度值，其係基於如藉由該運動感測器量測之一或多個加速度值而計算。
    [56] 如請求項53之產品，其中計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的該運動偏差距離包含：計算以下兩者之間的一向量距離：運動讀數向量之該選定時間系列中之每一運動讀數向量；及該運動型樣中之每一運動型樣向量；及基於每一向量距離來計算該運動偏差距離。
    [57] 如請求項56之產品，其中基於每一向量距離來計算該運動偏差距離包含：識別根據該等運動型樣時間及該等運動讀數時間而排序之一系列向量距離；及將該經識別系列中之該等向量距離之一量測指定為該運動偏差距離。
    [58] 如請求項57之產品，其中該量測包含一總和或一加權總和中至少一者。
    [59] 如請求項57之產品，其中識別該一系列向量距離包含：識別該一系列向量距離之該量測具有一最小值的一系列向量距離。
    [60] 如請求項56之產品，其中該等向量距離包括一運動型樣向量與一運動讀數向量之間的一歐幾里德距離或一運動型樣向量與一運動讀數向量之間的一曼哈坦距離中至少一者。
    [61] 如請求項53之產品，其中在該行動裝置上執行該指定任務包括以下各者中至少一者：改變該行動裝置之一組態；提供一使用者介面以供在該行動裝置上顯示，或移除一使用者介面免於在該行動裝置上顯示；啟動或終止該行動裝置上之一應用程式；或起始或終止該行動裝置與另一裝置之間的一通信。
    [62] 如請求項61之產品，其中改變該行動裝置之該組態包括：使該行動裝置之一輸入模式在一觸控螢幕輸入模式與一語音輸入模式之間改變。
    [63] 一種系統，其包含：一行動裝置，其經組態以執行包含以下各者之操作：在該行動裝置處接收複數個運動型樣，該等運動型樣中每一者包括運動型樣向量之一時間系列且與一運動型樣時間及一影響圈相關聯；自該行動裝置之一運動感測器接收複數個運動感測器讀數，該等運動感測器讀數包括複數個運動讀數向量，每一運動讀數向量對應於一運動讀數時間；使用一時間窗且自該等運動感測器讀數選擇運動讀數向量之一時間系列；計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的一運動偏差距離，包括基於該運動型樣之該等運動型樣時間及該一系列運動讀數向量之該等運動讀數時間來應用動態時間扭曲；沿著該等經接收運動感測器讀數上之一時間維度滑動該時間窗，且針對每一滑動時間窗執行該選擇操作及該計算操作，直至根據一經計算運動偏差距離，運動讀數向量之該選定時間系列位於一運動型樣之該影響圈內為止，該運動型樣接著經指定為一匹配運動型樣；及基於該匹配運動型樣在該行動裝置上執行一指定任務。
    [64] 如請求項63之系統，其中每一運動型樣向量包括以下各者中至少一者：在複數個運動軸線中每一者上之一線性加速度值；在複數個運動軸線中每一者上之一角速率值；磁力計資料；或重力計資料。
    [65] 如請求項64之系統，其中每一運動讀數向量包括以下各者中至少一者：如藉由該運動感測器量測的在該等軸線中每一者上之一角速率值或一線性加速度值，該運動感測器包括一加速度計或一陀螺儀中至少一者；或一經變換加速度值，其係基於如藉由該運動感測器量測之一或多個加速度值而計算。
    [66] 如請求項63之系統，其中計算運動讀數向量之該選定時間系列與該等運動型樣中每一者之間的該運動偏差距離包含：計算以下兩者之間的一向量距離：運動讀數向量之該選定時間系列中之每一運動讀數向量；及該運動型樣中之每一運動型樣向量；及基於每一向量距離來計算該運動偏差距離。
    [67] 如請求項66之系統，其中基於每一向量距離來計算該運動偏差距離包含：識別根據該等運動型樣時間及該等運動讀數時間而排序之一系列向量距離；及將該經識別系列中之該等向量距離之一量測指定為該運動偏差距離。
    [68] 如請求項67之系統，其中該量測包含一總和或一加權總和中至少一者。
    [69] 如請求項67之系統，其中識別該一系列向量距離包含：識別該一系列向量距離之該量測具有一最小值的一系列向量距離。
    [70] 如請求項66之系統，其中該等向量距離包括一運動型樣向量與一運動讀數向量之間的一歐幾里德距離或一運動型樣向量與一運動讀數向量之間的一曼哈坦距離中至少一者。
    [71] 如請求項63之系統，其中在該行動裝置上執行該指定任務包括以下各者中至少一者：改變該行動裝置之一組態；提供一使用者介面以供在該行動裝置上顯示，或移除一使用者介面免於在該行動裝置上顯示；啟動或終止該行動裝置上之一應用程式；或起始或終止該行動裝置與另一裝置之間的一通信。
    [72] 如請求項71之系統，其中改變該行動裝置之該組態包括：使該行動裝置之一輸入模式在一觸控螢幕輸入模式與一語音輸入模式之間改變。
    类似技术:
    公开号 | 公开日 | 专利标题
    TWI493385B|2015-07-21|用於運動型樣分類及手勢辨識之方法、電腦程式產品、儲存裝置及系統
    US10474242B2|2019-11-12|Three-dimensional graphical user interface for informational input in virtual reality environment
    US9261995B2|2016-02-16|Apparatus, method, and computer readable recording medium for selecting object by using multi-touch with related reference point
    US20180188938A1|2018-07-05|Multi-Task Machine Learning for Predicted Touch Interpretations
    JP6072237B2|2017-02-01|ジェスチャー入力のための指先の場所特定
    CN108197327B|2020-07-31|歌曲推荐方法、装置及存储介质
    TWI512550B|2015-12-11|A method and a module for identifying a user of a mobile device, and a computer program product
    US9971960B2|2018-05-15|Method and system for providing gesture recognition services to user applications
    CN109800325A|2019-05-24|视频推荐方法、装置和计算机可读存储介质
    WO2019174398A1|2019-09-19|一种利用手势模拟鼠标操作的方法、装置及终端
    CN103177245B|2017-02-22|手势识别方法及装置
    CN109189879B|2020-11-06|电子书籍显示方法及装置
    US20190004698A1|2019-01-03|Virtual tools for use with touch-sensitive surfaces
    KR20170066592A|2017-06-14|다중 스테이지 사용자 인터페이스
    US10572072B2|2020-02-25|Depth-based touch detection
    CN103744609B|2018-10-19|一种数据提取方法及装置
    CN106856554A|2017-06-16|一种拍照控制方法及终端
    CN106778543A|2017-05-31|单人脸检测方法、装置及终端
    KR20200107356A|2020-09-16|모바일 디바이스를 이용한 사용자 맞춤형 모션 인식 방법
    US9886167B2|2018-02-06|Display apparatus and control method thereof
    CA2931209C|2021-11-02|Method and system for providing gesture recognition services to user applications
    CN112995757B|2021-08-10|视频剪裁方法及装置
    US10921133B2|2021-02-16|Location calibration based on movement path and map objects
    WO2020170851A1|2020-08-27|情報処理装置、および情報処理方法、並びにプログラム
    TW201248456A|2012-12-01|Identifying contacts and contact attributes in touch sensor data using spatial and temporal features
    同族专利:
    公开号 | 公开日
    WO2012166354A3|2013-03-28|
    US9110510B2|2015-08-18|
    US20150355721A1|2015-12-10|
    TWI493385B|2015-07-21|
    WO2012166354A2|2012-12-06|
    US10209778B2|2019-02-19|
    US20120306745A1|2012-12-06|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    CN105278681A|2014-07-18|2016-01-27|苹果公司|设备中的抬起手势检测|US5598187A|1993-05-13|1997-01-28|Kabushiki Kaisha Toshiba|Spatial motion pattern input system and input method|
    JP4393648B2|2000-01-11|2010-01-06|富士通株式会社|音声認識装置|
    US20070094061A1|2005-10-12|2007-04-26|Jianying Hu|Method and system for predicting resource requirements for service engagements|
    US20110044501A1|2006-07-14|2011-02-24|Ailive, Inc.|Systems and methods for personalized motion control|
    US9261979B2|2007-08-20|2016-02-16|Qualcomm Incorporated|Gesture-based mobile interaction|
    US8942764B2|2007-10-01|2015-01-27|Apple Inc.|Personal media device controlled via user initiated movements utilizing movement based interfaces|
    US20090265671A1|2008-04-21|2009-10-22|Invensense|Mobile devices with motion gesture recognition|
    US8152745B2|2008-02-25|2012-04-10|Shriners Hospitals For Children|Activity monitoring|
    US8587515B2|2008-08-05|2013-11-19|Apple Inc.|Systems and methods for processing motion sensor generated data|
    US8121586B2|2008-09-16|2012-02-21|Yellowpages.Com Llc|Systems and methods for voice based search|
    US9398536B2|2009-05-29|2016-07-19|Qualcomm Incorporated|Method and apparatus for movement detection by evaluating elementary movement patterns|
    TWI385544B|2009-09-01|2013-02-11|Univ Nat Pingtung Sci & Tech|基於密度式之資料分群方法|
    FR2950713A1|2009-09-29|2011-04-01|Movea Sa|Systeme et procede de reconnaissance de gestes|
    US8228292B1|2010-04-02|2012-07-24|Google Inc.|Flipping for motion-based input|
    US8873841B2|2011-04-21|2014-10-28|Nokia Corporation|Methods and apparatuses for facilitating gesture recognition|
    US9110510B2|2011-06-03|2015-08-18|Apple Inc.|Motion pattern classification and gesture recognition|US9110510B2|2011-06-03|2015-08-18|Apple Inc.|Motion pattern classification and gesture recognition|
    KR101766281B1|2011-10-17|2017-08-08|인포뱅크 주식회사|무선단말 및 그 무선단말의 정보처리 방법|
    US9164603B2|2011-10-28|2015-10-20|Atmel Corporation|Executing gestures with active stylus|
    US8958631B2|2011-12-02|2015-02-17|Intel Corporation|System and method for automatically defining and identifying a gesture|
    US10262462B2|2014-04-18|2019-04-16|Magic Leap, Inc.|Systems and methods for augmented and virtual reality|
    MX359597B|2013-02-08|2018-09-21|Schlage Lock Co Llc|Sistema y metodo de control.|
    US9448634B1|2013-03-12|2016-09-20|Kabam, Inc.|System and method for providing rewards to a user in a virtual space based on user performance of gestures|
    KR102148645B1|2013-03-15|2020-08-28|엘지전자 주식회사|이동단말기 및 그 제어방법|
    US10078372B2|2013-05-28|2018-09-18|Blackberry Limited|Performing an action associated with a motion based input|
    US8948783B2|2013-06-28|2015-02-03|Facebook, Inc.|User activity tracking system|
    US9125015B2|2013-06-28|2015-09-01|Facebook, Inc.|User activity tracking system and device|
    US11243611B2|2013-08-07|2022-02-08|Nike, Inc.|Gesture recognition|
    JP5936240B2|2014-09-12|2016-06-22|インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ|データ処理装置、データ処理方法、およびプログラム|
    US20160088474A1|2014-09-23|2016-03-24|Ned M. Smith|Performing Pairing And Authentication Using Motion Information|
    US9811256B2|2015-01-14|2017-11-07|International Business Machines Corporation|Touch screen tactile gestures for data manipulation|
    KR20160095409A|2015-02-03|2016-08-11|엘지전자 주식회사|이동단말기 및 그 제어방법|
    KR20160111268A|2015-03-16|2016-09-26|삼성전자주식회사|모션 인식 서비스 제공 방법 및 그 전자 장치|
    US9983680B2|2015-03-23|2018-05-29|Intel Corporation|Gesture recognition mechanism|
    US9746930B2|2015-03-26|2017-08-29|General Electric Company|Detection and usability of personal electronic devices for field engineers|
    US9952676B2|2015-06-25|2018-04-24|Intel Corporation|Wearable device with gesture recognition mechanism|
    US9710639B1|2015-09-14|2017-07-18|Google Inc.|Single input unlock for computing devices|
    US10324494B2|2015-11-25|2019-06-18|Intel Corporation|Apparatus for detecting electromagnetic field change in response to gesture|
    WO2017132690A1|2016-01-28|2017-08-03|Savor Labs, Inc.|Method and apparatus for tracking of food intake and other behaviors and providing relevant feedback|
    US10298282B2|2016-06-16|2019-05-21|Intel Corporation|Multi-modal sensing wearable device for physiological context measurement|
    KR20180014992A|2016-08-02|2018-02-12|삼성전자주식회사|이벤트 신호 처리 방법 및 장치|
    US10790054B1|2016-12-07|2020-09-29|Medtronic Minimed, Inc.|Method and apparatus for tracking of food intake and other behaviors and providing relevant feedback|
    US10663479B2|2016-12-20|2020-05-26|Blackberry Limited|Determining an open/close status of a barrier|
    US20190018949A1|2017-07-13|2019-01-17|Western Digital Technologies, Inc.|Data storage device with secure access based on motions of the data storage device|
    HU1700368A2|2017-09-04|2019-03-28|Solecall Kft|System for detecting body gesture of signaling and process for system training|
    CN109492577B|2018-11-08|2020-09-18|北京奇艺世纪科技有限公司|一种手势识别方法、装置及电子设备|
    CN110516636A|2019-08-30|2019-11-29|盈盛智创科技有限公司|一种工序的监测方法、装置、计算机设备和存储介质|
    US11157087B1|2020-09-04|2021-10-26|Compal Electronics, Inc.|Activity recognition method, activity recognition system, and handwriting identification system|
    法律状态:
    优先权:
    申请号 | 申请日 | 专利标题
    US13/153,374|US9110510B2|2011-06-03|2011-06-03|Motion pattern classification and gesture recognition|
    [返回顶部]