对 numpy 数组进行重新采样和标准化以进行手势识别

Question

我将编写一个小应用程序来识别手势（现在使用鼠标）。

现在，将鼠标坐标记录在 Point 对象的 numpy 数组中（具有 x 和 y 属性的简单类）。 为了训练我的系统（基于 HMM），我需要（我认为......）一些在相同范围之间归一化的相同长度的样本。

举例来说，我需要一个 8 元素长度的数组来进行训练和分类器。 我刚刚记录了a1（5-len元素）和a2（9-len元素）。如何实现 len(a1)==len(a2)==8 ？

编辑：我找到了一个解释我的问题的网站： http://www.creativedistraction.com/演示/手势识别-kinect-with-hidden-markov-models-hmms/ 他使用 k-means 来减少 8 个簇中的元素。

解决方案：我有一些分散点（我不知道有多少），我想将其减少到 8 个有意义的点。我可以使用的技术之一是使用一些聚类算法对它们进行聚类。 KMeans 可能是一种可能性。在 scipy 中使用以下代码： from scipy.cluster.vq import kmeans2

def clusterize(numpy_array, n_cluster):
    centroids, labels = kmeans2(numpy_array, n_cluster)
    #print centroids, labels
    return centroids

注意：如果 numpy_array 大小小于 n_cluster 我注意到解决方案不好，但在我的实际情况中，经过一些试验后我观察到我有超过 (numpy_array size>=60, n_cluster= 8).这是非常合乎逻辑的：k-means 不是一个确定性算法，而是一个涉及一些随机初始化的迭代过程，因为对于此类问题没有很好的分析解决方案（如果我理解得很好）。

当然，有一些我不想深入研究的数学见解。这样就可以完成工作了。

Answer 1

我不确定这是否是您所需要的，但这将从输入沿 n 均匀间隔的点进行线性插值。

input = np.array([0, 1, 2, 3, 4]) ** 2
n = 8
m = len(input)
out = np.interp(np.linspace(0, m-1, n), np.arange(m), input)