论文部分内容阅读
随着工业的发展需求，人机交互技术在不断的完善，手势识别技术已经无形的渗透到人们的生活中，如何设计出高精度，高效率的手势识别系统逐步成为该领域学者的研究核心。手势识别系统在工业生产、家庭娱乐、远程教育等领域有着十分广阔的应用前景。文中针对5DT数据手套的手势识别系统的识别精度和识别速率进行研究。为提高手势识别系统的精确性和实时性，采用LM算法和遗传算法混合优化RBF神经网络，并运用最小误差法进行手势的匹配，防止手势切换过程中误差影响。 首先分析人手部关节组成，结合5DT数据手套传感器的分布，实现人手部关节角度和传感器之间对应映射关系。依据手部关节分布的特点提出相应关节的约束条件。 其次通过5DT数据手套采集各类手势数据，建立手势识别训练样本库以及测试样本。并针对应用RBF神经网络学习当中存在的缺陷进行改进，提出遗传算法和LM算法混合交替优化RBF神经网络方法。并通过MATLAB函数调用实现RBF、GA-RBF及GL-RBF算法的仿真学习，同时验证了GL-RBF算法在手势识别中的性能提升。 最后采用OpenGL、3DSMax及MFC联合绘制机器人模型，基于MFC技术搭建5DT数据手套手势识别实验平台。通过实验平台实现数据手套远程机器人操控，进一步提高了人机交互的性能。