如今，触摸屏作为一种简单、新颖的人机交互设备，其应用范围已经越来越广。手势轨迹识别技术被广泛应用于人机交互系统中，典型的应用有鼠标手势、触屏手势等。对于一个输入手势，现有技术将其轨迹与手势库中的预设手势轨迹进行对比，以确定该手势的类型，若判定输入手势属于且只属于预设手势中的一种，则触发应用程序执行相应的操作，否则不触发任何操作。
　　手势触摸轨迹的识别，通常是根据手势轨迹点的坐标，来提取手势的轨迹特征信息，然后根据手势轨迹特征信息，判断输入手势属于手势库中的何种预设手势。

　　现有识别手势轨迹的方法
　　现有技术通常采用以下两种方式中的一种，对得到的手势轨迹特征信息进行分析：
    1、将输入手势的轨迹特征信息，依次与手势库中每一种预设手势的特征信息进行比较，根据比较结果依次判断输入手势是否是当前的预设手势。这种方法的识别过程比较简单，但若想获得较高的识别准确率，需要计算复杂度较高的特征匹配算法。更重要的是，识别一个输入手势轨迹所需要的计算时间与手势库中预设手势的数量成正比。当预设手势的数量很多时，解析一个输入手势将变得非常慢。
    2、采用人工神经网络、支持向量机、贝叶斯网络等机器学习方法，为手势库的每种预设手势提供若干数量的训练样本、训练手势分类器。当输入一个新手势并提取其轨迹特征后，利用分类器判断输入手势属于手势库中何种预设手势。该方法的不足之处在于：建立手势分类器需要较多的训练样本。若用户或计算机软件二次开发人员需要往手势库中添加一个新的预设手势，则需要提供多个手势样本用于建立新的分类器（可能需要一百个手势样本才能获得较高的识别准确率），因此建立手势库的过程比较繁琐。
　　另外，若手指在触摸屏等人机交互设备上移动速度过快或过慢，会造成交互设备获得的点分布不均匀，以及噪声点的增多。现有技术下，这种情况会降低对手势轨迹识别的准确率。

　　华平识别自定义手势轨迹的方法
　　鉴于上述现有技术的缺点，华平提供一种识别自定义手势轨迹的方法，该方法包括触摸设备和手势识别模块两个组成部分：
　　触摸设备：用于接收输入手势，并判断该手势轨迹与手势库中任一预设手势是否匹配；
　　手势识别模块：用于撷取待识别手势轨迹的坐标数据，对按时间先后顺序连续触摸的有序离散点集进行优化，从优化后的有序离散点集中提取手势的特征信息，并与手势库中每一个预设手势的特征信息进行比较，根据比较结果向触摸设备反馈手势轨迹。

图1：自定义手势轨迹识别过程

　　触摸设备接收手势轨迹后，将手势轨迹坐标数据发送给手势识别模块，手势识别模块采用优化方法，对按时间先后顺序连续触摸的有序离散点集，进行优化获得优化轨迹，再提取优化轨迹的特征信息，并将这些特征信息与手势库中的预设手势的特征信息进行匹配判别，从而判断输入的手势轨迹匹配哪种预设手势。若输入的手势轨迹与手势库中的任一预设手势都不匹配，则将输入的手势轨迹作为新增预设手势添加到手势库中；若与其中的一项匹配，则向触摸设备反馈相应的预设手势。
 

　
图2：手势库中的预设手势示意图

　　华平自定义手势轨迹方法的优势：
　　此识别自定义手势轨迹的方法，能极大地提高用户在输入手势时手势轨迹识别准确率和解析速度，提供灵活的可定制的应用操作，降低输入抖动、快慢等操作对识别的影响。在提高解析效率的同时能提高手势轨迹识别准确率，而且该方法具有很强的灵活性和可定制性，特别是当手势库中的预设手势数量达到一定规模时，能较为显著的提高解析效率。
　　利用建库时预存的手势特征信息以及特征值（预判），能显著提高单点手势轨迹的解析速度；
　　在建库和接受应用输入时，对手势轨迹做了平滑等去噪处理，这样可以降低用户在输入手势时，因抖动（噪声）、触摸设备获取点频率快慢，或是应用输入时移动速度快慢，而造成识别准确率降低的影响；
　　在采用特征值预判，提高解析效率的前提下，还采用了多种特征向量匹配组合比较的方法，从而保证并提高了识别的准确率。
　　对于实际应用中较少的手势，可以建立精简的手势库。而且对已有的手势库中的手势可进行编辑移除操作，从减少库容量的角度进一步提高解析效率，而且技术具有很强的灵活性和用户定制性。