论文部分内容阅读
随着科技的进步,移动电子设备上搭载了MEMS陨性传感器等丰富的硬件设施,给人们的生活带来了更多的便利,也给语音识别、图像识别、手势识别等新型人机交互方式提供了良好的平台。图像识别交互易受光线的影响、语音识别交互易被杂音干扰,于是,基于惯性传感器的手势交互凭借其独特的优势,成为当前研究的热点。人体静止情况下的动态手势识别有了很大的进展,许多学者尝试了不同的识别方法,并验证了其有效性。然而,现阶段对于人体处于运动状态下的手势识别研究几乎没有,本文将从这个方向入手,展开对人体运动条件下的动态手势识别研究。本文利用诺基亚公司提供的惯性测量装置Sensor-Box,重点研究步行、上下楼梯、电梯等人体基础运动条件下的动态手势识别。本文对人体基础运动进行了分类,并分析了人体基础运动对动态手势的影响。结合课题研究目标,提出了三种人体运动条件下的动态手势识别方案。从剔除人体基础运动干扰角度,提出了基于双惯性传感器法和数学模型法的识别方案;从特征分类识别角度,提出了基于阈值增大法的识别方案。为了减小惯性传感器的误差干扰,本文建立了Sensor-Box加速度计和陀螺仪的误差模型,并采用六位置法来标定其确定性误差。对加速度随机误差信号,采用时间序列分析法建立了ARMA模型,并用经典卡尔曼滤波器对随机误差进行了有效滤除。对于陀螺仪随机误差信号,采用标准Allan方差法分析识别其主要随机误差项,并采用小波分析对其噪声信号进行了有效分离。双惯性传感器法通过两个Sensor-Box同时采集人体运动信号和动态手势信号,然后基于相对运动理论来剔除人体基础运动的干扰,试验效果满足要求。数学模型法,针对不同类型的基础运动,提出了不同的数学模型,并给出了模型构造方法。对于人体步行、上下楼梯等周期性明显的信号,提出了一种建立周期信号数学模型的方法;该方法试验效果符合要求,算法还需完善。阈值增大法基于特征分类的方法,找出了翻转、甩动、晃动等动态手势的信号分类特征,建立分类器,试验效果良好。