人工智能的发展促使着与其相关的应用层出不穷,其中作为人工智能的重要内容——人机交互技术,也受到越来越多的关注。人机交互研究的是人类如何与机器进行沟通,从而控制机器,自如地实现人们所希望的功能。过去传统的人机交互方式有按键、键盘、触摸屏和语音技术等。但上述方式都在效率、准确性、自然性上存在诸多局限,这也使得人们开始寻找效率更高、交互更加自然的方式。近年来,人们开始探索通过自身的身体语言就能实现对智能终端的控制,智能可穿戴设备的相关研究也颇受关注,本文旨在设计一个三维动态手势识别系统,以实现利用手势来进行人机交互。现阶段比较成熟的手势识别技术是基于机器视觉来进行的,但由于其受到设备、环境的局限而得不到推广。因此本文设计的手势识别系统输入端采用的是运动传感器(即MEMS惯性传感器),实时采集用户手势的运动信息,包括3轴加速度、3轴角速度和3轴磁感应强度,再通过四元数法求解出3个姿态角,然后通过对这12个数据进行数据挖掘和分析来设计识别算法。目前较为常用的手势识别算法有隐形马尔科夫模型、模板匹配等,由于本文研究的是自身具有一定区分度,并且对识别实时性、准确性都有一定要求的手势动作集,因此本文提出的是“特征分析法”,通过选取有一定区分度和代表意义的特征值来建立手势预分类器。本文待识别的手势共分为六类:移动类、敲击类、旋转类、晃动类、打钩类和画叉类,其中旋转类和移动类还进一步识别出了具体的方向。通过大量样本的观察与分析,本文确定了5个识别特征来建立预分类器:手势长度、能量、波峰数(角速度波峰数、加速度波峰数和姿态角波峰数)、角速度单边性、角速度能量最大轴,通过这些特征量首先识别出手势属于哪一大类,进而识别出具体的运动方向。为了验证系统的有效性、估算其准确率,本文搭建了一个可穿戴式的硬件试验平台,利用这个硬件平台来实时地采集手势运动数据并进行数据滤波和姿态解算,然后把这些数据通过蓝牙无线传输到PC端来进行特征分析算法处理。经过试验验证,本文提出的“特征分析法”识别平均精度达到了89.2%,在保证了识别准确度的基础上,还大大提高了三维动态手势识别的实时性,具有较高的实用价值。