Abstract
在手勢辨識的系統中，一個重要的問題是如何有效地將非手勢(non-gesture)給排除(reject)，通常是利用隱藏式馬可夫模型來做手勢辨識，然而利用隱藏式馬可夫模型來作辨識時，其辨識結果是一個似然度值(Likelihood)，這樣的值只是一個相對的值而非絕對，因此辨識的結果只能告訴我們系統中哪一個手勢和我們輸入的手勢訊號最像，而無法告訴我們輸入的手勢訊號是否為一有效的手勢，意即若輸入的手勢訊號為非手勢(non-gesture)時就會發生問題。前人利用隱藏式馬可夫模型來作手勢辨識通常會將手勢訊號進行分段(Segmentation)的前處理，也就是輸入的手勢訊號只能是之前定義的手勢，而不能包含或是為一個非手勢。有的系統也作了一些限制以避免輸入非手勢而導致錯誤，他們限制使用者在開始作某個手勢時先停頓幾秒，做完之後再停頓幾秒，這樣的系統在實用性上離真實的連續手勢辨識系統還有一段距離。 本論文提出的「非標的手勢模型(Anti-Gesture Model)」提供了一個機率上明確的門檻值(Threshold)以排除非手勢，經過實驗證實可以有效的將非手勢予以排除，並正確地辨識出示範者的手勢。本論文所提出的「非標的手勢模型」可以廣泛的應用在離散型態的隱藏式馬可夫模型和連續型態的隱藏式馬可夫模型。此方法簡易且運算的時間複雜度低。 此外，經過實驗證實，也可利用「非標的手勢模型」來做手勢分割(Gesture Segmentation)。此方法可從一段正確輸入的手勢及非手勢訊號中正確地偵測出手勢訊號的部分，因此，我們相信這將提升連續手勢辨識系統的實用性。