一種遙控器的動作識別方法及系統的制作方法
【專利摘要】一種遙控器的動作識別方法及系統，云端為智能電視預先建立遙控器動作數據模型并下載到相應的智能電視，智能電視接收遙控器上加速度傳感器的三軸加速度值和角速度傳感器的三軸角速度值后進行數據特征抽取分析形成數據特征向量；并與保存的遙控器動作數據模型進行匹配判斷完成動作識別并輸出判斷結果，同時將數據特征向量發送到云端對遙控器動作數據模型進行更新形成更新后的遙控器動作數據模型。本發明靜態和動態結合的建立遙控器動作數據模型能夠使遙控器動作數據模型得到不斷優化，使智能電視對遙控器動作的識別更加準確，建模轉移到云端進行和智能電視完成動作識別的過程減輕了智能電視的計算量，提高了智能電視對遙控器動作識別的效率。
【專利說明】一種遙控器的動作識別方法及系統
【技術領域】
[0001]本發明涉及智能電視遙控器，尤其涉及一種遙控器的動作識別方法及系統。
【背景技術】
[0002]隨著科技的發展，智能傳感技術已經逐漸的應用到人們日常生活中，智能傳感技術表現的具體產品包括:能夠感應人們動作的智能電視遙控器、安裝了重力和角速度傳感器的智能手機、能夠感應人們手部動作的智能手腕帶，以及能夠感應人們運動的智能運動鞋等等，這些形形色色的智能傳感設備使用過程中均需要采集大量傳感數據分析使用。
[0003]目前，智能電視遙控器對于用戶來說都只是通過按鍵來控制操作，并未充分利用其采集的各種傳感數據進行進一步分析利用。現在技術智能電視遙控器一般都具備了 “空鼠”的功能，該功能需要在遙控器上增加加速度傳感器和角速度傳感器兩個傳感器來實現。智能電視機接收遙控器發送到智能電視端的加速度傳感器和角速度傳感器的數據，對應計算出鼠標的位置，然而，大部分智能電視僅僅是通過這兩種傳感器將“空鼠”功能做的更精確，更完善，而并沒有對這些從智能遙控器傳過來的數據還可以進一步進行智能識別，智能分析，以實現更多的功能應用。
[0004]因此，現有技術還有待改進和發展。
【發明內容】
[0005]鑒于上述現有技術的不足之處，本發明為解決現有技術缺陷和不足，提出一種能夠智能識別電視遙控器動作的動作識別方法及系統，能夠通過靜態和動態的建模對識別的模型進行優化，使智能電視能夠更加準確的識別遙控器的動作。
[0006]本發明解決技術問題所采用的技術方案如下:
一種遙控器的動作識別方法，包括如下步驟:
云端為不同的智能電視預先建立對應的遙控器動作數據模型并下載到相應的智能電視保存；
智能電視接收設置于遙控器上的加速度傳感器的三軸加速度值和角速度傳感器的三軸角速度值；
智能電視根據所述三軸加速度值和三軸角速度值進行數據特征抽取分析形成數據特征向量；
智能電視根據所述數據特征向量與保存的遙控器動作數據模型進行匹配判斷完成動作識別并輸出判斷結果，同時將數據特征向量發送到云端對遙控器動作數據模型進行更新形成更新后的遙控器動作數據模型，再將更新后的遙控器動作數據模型下載到相應的智能電視保存。
[0007]作為進一步改進，所述云端預先建立遙控器動作數據模型是統計已知遙控器分類動作數據集合中各分類下各個特征屬性的概率，并根據樸素貝葉斯算法計算所有特征屬性關于各分類的條件概率值來完成的。[0008]所述三軸加速度值包括加速度傳感器在三維立體空間中的X、Y、Z軸方向上的加速度值；角速度傳感器的三軸角速度值包括角速度傳感器在三維立體空間中的X、Y、Z軸方向上的角速度值。
[0009]所述數據特征抽取分析是根據接收到的三軸加速度值和三軸角速度值數據在定長窗口內的時序數據進行信號統計分析，抽取數據特征形成數據特征向量。
[0010]所述數據特征抽取分析中抽取定長窗口內的時序數據是抽取數據波形的均值能量、數據波形的標準差、數據波形的振幅、數據波形的波峰數、數據波形的波谷數、傅里葉變換的參數和切比雪夫變換的參數。
[0011]所述動作識別是根據樸素貝葉斯算法來計算所述數據特征向量在遙控器動作數據模型中概率分布情況來判斷其所述的動作類別。
[0012]所述動作類別包括拿起遙控器、放下遙控器、點擊遙控器按鈕、拿起遙控器走動和握著遙控器抖動。
[0013]本發明還提供一種遙控器動作識別系統，包括云端服務器、智能電視和遙控器；
云端服務器包括云端數據庫，云端數據庫中存儲有遙控器動作數據模型；
智能電視包括與云端服務器同步的遙控器動作數據模型模塊、數據特征值抽取分析模塊、遙控器動作識別模塊和數據特征上傳模塊；
遙控器包括加速度傳感器、角速度傳感器；
所述遙控器用于通過加速度傳感器獲取三軸加速度值、通過角速度傳感器獲取三軸角速度值數據并發送到智能電視，智能電視接收遙控器加速度傳感器的三軸加速度值和角速度傳感器的三軸角速度值數據，通過數據特征值抽取分析模塊抽取數據特征形成數據特征向量，智能電視的遙控器動作識別模塊根據該數據特征向量與遙控器動作數據模型模塊中存儲的遙控器動作數據模型進行概率分布情況分析來判斷出該數據特征向量所屬的遙控器動作；所述數據特征上傳模塊同時將數據特征值抽取分析模塊抽取的數據特征向量上傳到云端服務器保存至云端數據庫并更新遙控器動作數據模型。
[0014]所述三軸加速度值包括加速度傳感器在三維立體空間中的X、Y、Z軸方向上的加速度值；角速度傳感器的三軸角速度值包括角速度傳感器在三維立體空間中的Χ、Υ、Ζ軸方向上的角速度值。
[0015]與現有技術相比較，本發明遙控器動作的識別方法預先在云端設置遙控器動作數據模型，通過智能電視接收到遙控器的三軸加速度值和三軸角速度值數據抽取數據特征后與智能電視中與云端同步的遙控器動作數據模型進行比對分析得到遙控器的動作，再將接收到的數據特征上傳到云端對云端存儲的遙控器動作數據模型進行動態更新后形成新的遙控器動作數據模型，這種靜態和動態結合的建立遙控器動作數據模型的過程能夠使遙控器動作數據模型得到不斷優化，使后續智能電視對遙控器動作的識別更加準確，同時，將建模的工作量轉移到云端進行，智能電視完成動作識別的過程，減輕了智能電視的計算量，提高了智能電視對遙控器動作識別的效率。
【專利附圖】
【附圖說明】
[0016]圖1是本發明一種遙控器的動作識別方法的工作流程圖。
[0017]圖2是本發明一種遙控器的動作識別系統的原理結構框圖。【具體實施方式】
[0018]為使本發明的目的、技術方案及優點更加清楚、明確，以下參照附圖并舉實施例對本發明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0019]本發明針對遙控器的傳感運動進行研究，通過對遙控器的傳感器數據進行建模，通過對傳感器上收集用戶操作遙控器的動作來對用戶行為進行分析，以更好的將其應用到智能電視領域中，為智能電視的應用提供數據源。
[0020]本發明方法所采集的遙控器傳感器數據是基于現有技術智能電視的遙控器，或者其他移動終端設備上得到廣泛應用的加速度傳感器和角速度傳感器來實現的，對于加速度傳感器和角速度傳感器而言，其均在三軸方向上產生數據，即加速度傳感器在三維立體空間中的X、Y、Z軸方向上的加速度值，角速度傳感器在三維立體空間中的X、Y、Z軸方向上的角速度值。云端是基于現有技術的云計算技術實現的，智能電視與云端保持網絡連接，以使云端與智能電視之間實現數據的上傳與下載。
[0021]圖1所示是本發明一種遙控器的動作識別方法的工作流程圖，如圖1所示，本發明方法包括以下步驟:
S100，云端為不同的智能電視預先建立對應的遙控器動作數據模型并下載到相應的智能電視保存；為了實現智能電視對遙控器動作的識別，首先需要在云端的數據庫中保存為智能電視預先建立的遙控器動作數據模型。云端預先建立遙控器動作數據模型需要統計已知遙控器分類動作數據集合中各分類下各個特征屬性的概率。一般而言，用戶對遙控器的動作包括拿起遙控器、放下遙控器、點擊遙控器按鈕、拿著遙控器走動、握著遙控器抖動的分類動作，要獲得遙控器的各種分類動作數據，需要對遙控器的各種分類動作中加速度傳感器和角速度傳感器在定長時間窗口內的數據波形變化進行統計分析，根據經驗，上述各種遙控器的分類動作的數據波形變化特征如表1所示:
表1遙控器分類動作的數據波形變化特征
【權利要求】
1.一種遙控器的動作識別方法，其特征在于，包括如下步驟: 云端為不同的智能電視預先建立對應的遙控器動作數據模型并下載到相應的智能電視保存； 智能電視接收設置于遙控器上的加速度傳感器的三軸加速度值和角速度傳感器的三軸角速度值； 智能電視根據所述三軸加速度值和三軸角速度值進行數據特征抽取分析形成數據特征向量； 智能電視根據所述數據特征向量與保存的遙控器動作數據模型進行匹配判斷完成動作識別并輸出判斷結果，同時將數據特征向量發送到云端對遙控器動作數據模型進行更新形成更新后的遙控器動作數據模型，再將更新后的遙控器動作數據模型下載到相應的智能電視保存。
2.根據權利要求1所述的遙控器的動作識別方法，其特征在于，所述云端預先建立遙控器動作數據模型是統計已知遙控器分類動作數據集合中各分類下各個特征屬性的概率，并根據樸素貝葉斯算法計算所有特征屬性關于各分類的條件概率值來完成的。
3.根據權利要求1所述的遙控器的動作識別方法，其特征在于，所述三軸加速度值包括加速度傳感器在三維立體空間中的X、Y、Z軸方向上的加速度值；角速度傳感器的三軸角速度值包括角速度傳感器在三維立體空間中的X、Y、Z軸方向上的角速度值。
4.根據權利要求1所述的遙控器的動作識別方法，其特征在于，所述數據特征抽取分析是根據接收到的三軸加速度值和三軸角速度值數據在定長窗口內的時序數據進行信號統計分析，抽取數據特征形成數據特征向量。
5.根據權利要求4所述的`控器的動作識別方法，其特征在于，所述數據特征抽取分析中抽取定長窗口內的時序數據是抽取數據波形的均值能量、數據波形的標準差、數據波形的振幅、數據波形的波峰數、數據波形的波谷數、傅里葉變換的參數和切比雪夫變換的參數。
6.根據權利要求1所述的遙控器的動作識別方法，其特征在于，所述動作識別是根據樸素貝葉斯算法來計算所述數據特征向量在遙控器動作數據模型中概率分布情況來判斷其所述的動作類別。
7.根據權利要求6所述的遙控器的動作識別方法，其特征在于，所述動作類別包括拿起遙控器、放下遙控器、點擊遙控器按鈕、拿起遙控器走動和握著遙控器抖動。
8.—種遙控器動作識別系統，其特征在于，包括云端服務器、智能電視和遙控器； 云端服務器包括云端數據庫，云端數據庫中存儲有遙控器動作數據模型； 智能電視包括與云端服務器同步的遙控器動作數據模型模塊、數據特征值抽取分析模塊、遙控器動作識別模塊和數據特征上傳模塊； 遙控器包括加速度傳感器、角速度傳感器； 所述遙控器用于通過加速度傳感器獲取三軸加速度值、通過角速度傳感器獲取三軸角速度值數據并發送到智能電視，智能電視接收遙控器加速度傳感器的三軸加速度值和角速度傳感器的三軸角速度值數據，通過數據特征值抽取分析模塊抽取數據特征形成數據特征向量，智能電視的遙控器動作識別模塊根據該數據特征向量與遙控器動作數據模型模塊中存儲的遙控器動作數據模型進行概率分布情況分析來判斷出該數據特征向量所屬的遙控器動作；所述數據特征上傳模塊同時將數據特征值抽取分析模塊抽取的數據特征向量上傳到云端服務器保存至云端數據庫并更新遙控器動作數據模型。
9.根據權利要求8所述的遙控器動作識別系統，其特征在于，所述三軸加速度值包括加速度傳感器在三維立體空間中的X、Y、Z軸方向上的加速度值；角速度傳感器的三軸角速度值包括角速度傳感器在三維立`體空間中的X、Y、Z軸方向上的角速度值。
【文檔編號】G06F3/0346GK103517118SQ201210582780
【公開日】2014年1月15日 申請日期:2012年12月28日 優先權日:2012年12月28日
【發明者】羅軼琳, 汪灝泓 申請人:Tcl集團股份有限公司