论文部分内容阅读
人体运动捕捉和检测技术广泛应用于影视创作、电子游戏、动作分析、体育科研训练、康复医疗、虚拟现实、人机交互和机器人全自主控制等领域,具有十分广阔的应用前景。MEMS惯性传感器是微电子机械系统(Micro-Electro-Mechanical Systems,MEMS)传感器,具有小型化、低功耗、低成本和抗干扰能力强等优点。MEMS惯性传感器的出现和发展,促进了基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的发展。基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的基本原理是用户在身体各部位穿戴惯性测量单元,利用MEMS惯性传感器测量加速度和角速度等人体运动信息,通过解算得到人体运动的姿态角变化,进而利用模式识别方法对人体运动状态和姿态角进行识别分类,达到人体运动捕捉和检测的目的。相比于其他人体运动捕捉和检测方法,该方法具有轻便简洁、成本低廉、穿戴方便和实时性强等优点。但由于MEMS陀螺仪较大的漂移误差和运动加速度等因素的影响,姿态角估计计算精度不高,导致人体运动状态识别率低。基于此,本文开展基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的研究工作,以人体手臂运动状态测量和识别为目标,重点对高精度姿态角解算和模式识别的特征提取进行研究,以期实现高精度的人体运动状态检测和识别。首先,论文确定了基于Zigbee无线传输的系统结构方案,在此基础上完成了系统方案总体设计。整个系统由基于MEMS传感器的运动检测模块、Zigbee无线网络数据通信模块以及上位机运动识别算法模块组成。MEMS传感器运动检测模块负责测量手臂运动过程中的角速度、加速度和磁场信息,通过Zigbee无线网络将测量数据上传到PC机,在PC机上基于Labview平台完成姿态角解算和运动识别。姿态角的测量和解算是该方法的关键之一,论文对此进行了深入的分析和研究。阐述了惯性系统和姿态参考系统姿态角解算的优缺点;为了提高姿态角估计计算精度,论文利用卡尔曼滤波数据融合方法,把惯性系统和姿态参考系统有效地结合起来,并根据载体运动加速度的大小,适时调整卡尔曼滤波器的量测噪声方差的大小,以此减弱卡尔曼滤波过程中运动加速度对姿态角解算精度的影响,达到提高姿态角估计计算精度的目的。仿真分析和实验研究都表明,论文提出的基于预测调整观测噪声方差的卡尔曼滤波算法,比传统方法能获得更高的姿态角估计计算精度。在此基础上,论文分析了手臂运动方式,建立了手部运动轨迹解算模型,并具体对画横线、竖线、斜线和封闭线等四种典型手臂运动方式进行了分析,解算得到相应手腕处的运动轨迹。实验结果验证了该人体手臂运动状态解算模型的正确性。此外,论文还建立了轨迹计算误差模型,分析了姿态角对轨迹计算精度的影响情况。运动状态的识别是另一个要解决的关键问题。传统的典型方法是提取传感器测量信号的时域特征作为模式识别算法的输入,但时域特征容易受到人体、环境等因素影响,导致特征值之间的差异不明显,模式识别的识别率不高。论文把手部运动轨迹特征值和传感器测量信号的时域特征值相结合,使用BP神经网络和支持向量机对画横线、竖线、斜线和封闭线等四种典型手臂运动状态进行了识别研究,识别率较传统方法得到明显提高,分别达到97.14%和100%。在完成了 MEMS传感器测量单元和算法研究的基础上,建立了基于Zigbee的无线传输测试系统。设计了具有数据接收、姿态角计算、轨迹计算、特征值提取、BP神经网络识别、显示和数据保存等功能的Labview软件,对整个系统功能进行了测试。测试结果表明,Zigbee网络无线数据传输正常,上位机数据检测、处理程序运行稳定,能实现四种手臂运动状态的正确识别。