论文部分内容阅读
随着物联网技术的快速发展,人与物之间的交互活动日益频繁,利用很自然的方式——人的手势动作,去与物进行连接,用简单的手势动作代替纷繁复杂的操作与机器人进行交互,而基于光学的手势识别已成为研究热点,为利用Leap Motion进行手势识别、多自由度机器人控制技术研究提供了可能。本文主要包括两个部分:一是手势识别算法的研究,二是利用识别到的手势动作实现机器人的控制,让机器人执行特定的动作。主要研究工作如下: (1)分析了各种体感传感器的优缺点,选用Leap Motion作为本文的传感器,分析了国内外的手势识别算法,最终确定用机器学习的方法对手势动作识别进行研究。 (2)对于静态手势动作,提出了基于虚拟球半径和基于力度值两种特征。利用提出的k-meansplus算法求出特征阈值ST:基于虚拟球半径的手势识别,握拳动作的ST1=45.57315,伸展动作的ST2=58.8543。基于力度值的手势识别,握拳动作的ST3=0.805725,伸展动作的ST4=0.126575。相比于k-means算法,k-meansplus算法在基于虚拟球半径特征中,握拳手势动作正确率提高16%,伸展手势动作正确率提高13%。基于力度值的特征中,握拳手势动作正确率提高41%,伸展手势动作正确率提高12%。 (3)对于手指数量识别,一是利用k-meansplus算法对图像进行了二分类,分类效果好。二是基于骨骼模型识别手指数量,五个手指伸出与弯曲关节点信息不同,通过给伸出手指分配密钥的方式,实时检测动态密钥数组ArrayList的长度,数组长度就是手指的数量。 (4)对于动态手势识别问题,采用HMM,通过EM迭代求出最优参数prior(2n)、transmat(2n)、obmat(2n),利用最大对数似然的方法确定出手势动作所属的类别,对Roll、Yaw、Pitch手势动作进行测试,取得了较高的识别率。 (5)对于相似的手势动作,使用引入松弛变量?和惩罚因子C的SVM,测试不同惩罚因子C在不同的核函数下各自的识别率,得出选择高斯核函数作为本文的手势识别SVM方法的核函数,并且在其它相似手势动作提前不知道是否线性可分的情况下,优先选用高斯核函数。 (6)设计与开发了手势识别系统,对手势动作进行测试,体现了系统具有实时性、识别手势动作多样性、识别率高、快速性等特点。 (7)设计与开发了多自由度机器人控制系统,将识别的手势动作应用于机器人的控制中,进行了搬运物体测试,完全依靠手势动作完成了机器人的控制,真正实现了人与机器人之间的人机交互。体现了用手势动作控制机器人的简单、易用、方便,证实了手势动作控制机器人的可行性和可用性。