论文部分内容阅读
人机交互在人们日常生活中占据的地位越来越高,使用频率也逐渐增加,因此越来越多的研究人员开始对人机交互领域进行探索。作为人类和计算机交流的最重要的表达方式,对手势识别的研究是我们探索计算机的基石,尤其是基于数据手套和柔性传感器的手势识别更是研究的大方向。传统的以视觉为基础的手势识别虽然精度高,但是在复杂环境下存在较多的可变性,设备也比较昂贵。所以本文在配有石墨烯柔性传感器的自制数据手套的支持下,研究手势识别并开发系统,在低成本的前提下,该类识别不易受环境影响,可以保证识别率。本文整理了手势识别的发展现状,研究了数据采集方式和几种识别算法,并重点关注了基于自制数据手套的手势识别过程,研究工作如下:1.针对数据手套采集效率低的问题,本文研究了石墨烯柔性传感器的特性,并以此作为数据采集传感器,设计成数据手套,配上自制的以STM32系列单片机为核心元件的数据采集电路模块。2.在此数据手套的基础上,通过采集程序和噪声处理电路采集传感器弯曲数据到上位机上,将数据标定处理后作为手势识别数据库和训练数据库存储。实验结果证明该石墨烯传感器和自制数据手套可以提高数据采集效率,保证训练数据量。3.本文采用了三种手势算法进行识别,即模板匹配法、BP神经网络法和两段法。模板匹配算法在C语言环境下,取数据库每列数据的平均值作为手势模板,计算输入数据和模板的相似度,得出待识别数据的具体手势值。神经网络算法使用MATLAB调试程序,先将数据进行处理,然后建立输入输出神经元,将待识别数据输入得出手势识别率。在发现上述两种算法都有各自缺陷时,提出了一种将两种算法的步骤结合起来的两段法。首先先利用模板匹配输入得出可以识别的高精度数据,将这部分数据作为神经网络的输入,得到较高的识别率。4.基于上述研究基础,本文基于Java编写了上位机界面程序,实时采集和识别手势值并显示实验结果。在数据手套基础上,三种算法的手势识别率分别为93.3%、96.7%和98%,可以判断两段法更适合本课题的识别。