回答:
アフィン不変性を編集するには、明らかにこの曲率のバージョンが必要です。
http://en.wikipedia.org/wiki/Affine_curvature#Affine_curvature
それが私が言及していることだと仮定します。(通常の曲率は十分に良い回転に対して不変だと思いますが)。曲率のスケール不変バージョンの
編集はこちら
/math/1329/what-is-the-form-of-curvature-that-is-invariant-under-rotations-and-uniform-スカリ
ジェスチャー認識問題は認識問題のサブクラスであり、認識問題は基本的にモデル比較問題です。
ジェスチャをジェスチャのコレクションに合わせようとすると、最高のジェスチャが勝ちます。
ジェスチャを数回記録し、トレーニングデータをbスプライン(曲線)のようなものに合わせようとします。おそらく、ジェスチャはアフィン変換(回転、スケーリング、平行移動)に対して不変である必要があるため、コントロールのデカルト座標とは対照的に、曲線を曲率値のテーブルとして格納します(閉じた形が適切ではない)。ポイント。
それはジェスチャーのモデルです。いくつかあるとしましょう。
それらを比較するには、入力データを近似することから始め、次に曲率xを評価します。ここで、xは精度とパフォーマンスの間の良いトレードオフを与えます。
ここで、モデルを反復処理し、曲率値(それぞれの曲線に沿った同じポイントでアーク長の観点から評価)を減算し、差を二乗します。結果の値は残差と呼ばれます。すべての残差を合計します。最小の残差を持つモデルが最適であり、最も可能性の高いジェスチャーです。
私の答えを@Olieのものと比較してください。これらは基本的に同じですが、ジェスチャーに異なるモデルを選択していますが、(符号付き曲率のテーブルを作成し、接線の角度の変化を記録することはほぼ同じで、データは滑らかなしかし、主な違いは@Olieが速度を含むことです。
モデルに含めるパラメーターの選択は、状況とパフォーマンス要件によって異なります。モデルにパラメーターを追加するとディメンションが増加することに注意してください。
非常に広い意味で、ジェスチャーを方向として定義し、[非常に短い]遅延が続き、その後に別の方向(および方向間の相対的な角度など)が最後まで続くように定義することをお勧めします。
たとえば、ワンドで「t」を作成すること(そして一部の人が左利きであることを忘れないでください。したがって、定義は手に依存しないようにしてください!)は、垂直方向のシューッという音、短い遅延、反転曲線、短い遅延、反転です水平に向かって、急に[近く]停止します。
ジェスチャを読むときに、読み取ったパターンがパターンの説明とどれだけ一致しているかを確認する必要があります。
一般的には、最初に明らかな不一致(正しく開始しなかったり、長すぎたり、短すぎたりする)を排除して定義辞書を選別し、次に残りの定義に対してジェスチャーを「スコアリング」できます。定義に一致する度合い(0〜100%)について各部分を評価し、それをRMSしてジェスチャーを採点します(エラーを取り、平方し、それらを合計し、その合計の平方根を取得します)。
RMSを使用すると、大きな差異が強調され(スコアが低くなります)、小さな差異が強調される傾向があります(より良い一致が得られます)。
この内容には、Googleジェスチャー認識という大量の資料があります。スタイラスまたはその他の非Wiiのものであるかどうかは心配しないでください。原則はよく適合しています。