论文部分内容阅读
随着人工交互技术的发展,手势作为一种自然、直观、易于学习的交互方式曾为了研究热点。随着传感器技术的不断提高,基于数据手套的手势识别技术得到了广泛的应用。本文在国内外研究现状的基础上,设计了三种静态手势识别方法:基于BP神经网络的方法、基于支持向量机(SVM)方法和模板匹配法。本文采用的是5DT公司开发的5DT Data Glove Ultra 14型数据手套。首先,针对本文设计的手势识别的方法以及系统采集到的数据特点,对所采集的传感器信号进行预处理,包括数据归一化、数据的滤波处理;再对手势动作进行分析,确定手势样本集,最终选取7种适合做静态手势的手势动作作为实验对象。其次,针对手势特征,设计了三种手势识别的方法。BP神经网络方法主要包括训练和识别两个方面,采集大量样本数据来训练BP神经网络,再通过训练好的网络来对手势进行识别;基于支持向量机(SVM)的手势识别主要包括模型的创建和手势的识别两个过程,在研究了模型算法后,采用一对一的分类方法分别建立了支持向量机(SVM)模型和最小二乘支持向量机(LS-SVM)模型,再通过建立好的模型对手势进行识别,并比较识别率;模板匹配法主要包括分析手势特征、建立手势模板和手势测试三个部分,其中建立手势模板要通过多次实验确定各手势关节的阈值范围。最后,通过比较三种手势识别方法的识别时间、识别正确率和可行性,采用模板匹配法实现实时手势的识别,并利用Visual Studio开发平台,用C#语言进行程序设计完成手势控制飞行器实验,实例验证了方法的可行性。本文的手势识别离线分析的实验通过MATLAB编程软件实现,仿真验证了三种手势识别算法实现的可能性,获得了较高的识别率。实验中,基于BP神经网络的手势识别率为87.1%,基于支持向量机的手势识别包括LS-SVM模型的识别率为88.6%,SVM模型识别率为91.4%;模板匹配法的手势平均识别率为85.7%。SVM模型系统识别率最高,模板匹配法的识别率最低,但是模板匹配法的识别时间最短,编程易实现。