实时手势加速度动作分割与识别研究

实时手势动作分割与识别是基于惯性传感器手势交互的重要研究内容.采用佩戴在手腕的单个加速度传感器获取手势加速度信号,提出一种实时手势加速度动作分割和识别方案.首先采用基于阈值的动作分割算法实时切分连续手势,通过聚类算法提取手势动作的关键特征,然后构造离散隐马尔可夫模型实现手势识别.实验结果表明,本文采用的手势动作切分算法能自动提取有效手势信号,关键特征选择不仅降低了隐马尔可夫模型的复杂度,而且提高了识别率.     

基于加速度传感器的连续动态手势识别

针对个体手势动作信号的差异性和不稳定性,提出了一种基于加速度传感器的连续动态手势识别方法.通过MEMS加速度传感器采集手势动作信号,并结合手势信号的动作特征,对单个手势的有效数据进行自动定位截取,经预处理和特征提取后,构建隐马尔可夫模型(HMM)以实现对特定手势的实时识别.通过设计实现了一种可穿戴手势信号采集硬件原型系统,对10类手势的1000个手势数据进行识别对比实验,统计结果表明:该方法可以对连续手势进行实时有效的识别.     

基于DSP的穿戴式动作传感器的手势识别

针对基于加速度传感器的手势识别算法实时性的需求以及识别算法性能的问题,提出了一种集加速度、地磁信号于一体的6轴AMI602动作传感器的手势识别系统:在硬件方面,运用无线方式进行传感器数据的采集,用DSP(TMS320F2812)强大的处理能力实现手势识别算法,增强了其系统识别的实时性;在算法方面,将提取的加速度特征值做动作姿态投影,得到新的加速度特征值,运用动态时间规整(DTW)算法进行模板匹配,提高了动作识别算法的性能.经过在DSP系统上实机验证,该方法在识别率和延时上都较以往方法有显著的提高.     

基于MMA8452Q的肢体动作识别系统的设计

针对手势交互中手势信号的相似性和不稳定性,在研究了加速度传感器MMA8452Q的基础上,设计并实现了一种基于三轴加速度传感器的手势识别方案。该系统利用MMA8452Q传感器采集手部倾斜角度信号,通过IIC连接方式将采集到的数据传送到单片机STC89C52RC,单片机STC89C52RC对接收到的数据进行分析处理,最后输出相对应的控制信号,可以用来实现肢体动作控制家电。测试结果表明：系统测量精度高、运行稳定,实时性好、性价比高,具有一定的实用价值。     

基于FPGA的实时手势识别系统

本文构建了一个基于FPGA的实时手势识别平台,并在该平台上实现了一种基于表面肌电(sEMG)信号和加速度(ACC)信号的手势识别算法。具体实现过程中,无线sEMG传感器和无线三轴ACC传感器穿戴于两手前臂实时获取sEMG信号和ACC信号,并以无线方式发送到数据处理模块。数据处理模块充分利用FPGA的并行处理优势,融合ACC和sEMG信息特征,实现了单双手手势的实时识别。经测试,本文所用的手势识别算法移植到FPGA中以后,识别速度明显提高,16个中国手语手势动作达到了95%以上的识别率。     

基于区间分布概率矩阵模型的动态手势识别方法

针对目前基于加速度传感器的手势识别算法的动态实时性与识别率的相互矛盾性,提出一种区间分布概率矩阵模型及动态手势识别方法。将手势动作的三维加速度信号进行动作数据自动检测、归一化和三次样条插值预处理,再根据信号分布特征,确定数据观测点,构造各观测点处的区间分布概率矩阵,优化矩阵,实现在线快速手势识别。该方法对手指可穿戴设备得到的真实数据集中进行了评估。结果显示其实时效果好,识别率高,实用性强。     

基于多传感器融合的动态手势识别研究分析

研究利用三类传感器（表面肌电仪、陀螺仪和加速度计）信号的特点进行信息融合,提高可识别动态手势动作的种类和准确率。将动态手势动作分解为手形、手势朝向和运动轨迹三个要素,分别使用表面肌电信号（sEMG）、陀螺仪信号（GYRO）和加速度信号（ACC）进行表征,利用多流HMMs进行动态手势动作的模式识别。对包含有5个运动轨迹和6个静态手形的识别实验结果表明,该方法可以有效地从连续信号中识别动态手势,三类传感器组合使用获得的全局平均识别率达到92％以上,明显高于任意两个传感器组合和仅采用单个传感器获得的平均识别率。实验表明该方法是一种有效的动态手势识别方法,并且相较于传统的动态手势识别的方法更具有优势。     

基于加速度传感器的手机用户认证方法

为了保证手机信息安全,设计实现了一种基于内置三轴加速度传感器的手机用户认证方案。通过内置三轴加速度传感器采集认证手势信号,提出差分自底向上线性分段方法进行有效手势动作端点的自动检测,利用小波包分解对有效手势信号进行去噪,进一步设计基于欧氏距离的动态时间规整算法计算测试手势和模板手势的相似度,从而得出认证结果。相比于现有常用手势端点检测方法,差分自底向上线性分段方法能更准确地截取有效手势信号。实验结果表明,当他人模仿手势错误接受率为0%时,本文认证手势错误拒绝率小于5%,有效实现了用户认证。     

基于三维加速度的连续手势识别

由于基于图像处理的手势识别方法对环境背景要求较高且存在不稳定性问题,文章使用三维加速度传感器的连续数据进行手势识别.三维加速度传感器内置于大部分智能手机中,具有应用方便的特点.实验通过传感器获取加速度信号,经过低通滤波、去重力和特征提取的信号预处理过程后,结合隐马尔可夫模型和混合高斯模型的理论方法,实现手机手势的连续识别,并驱动应用层预先定义的交互命令.     

基于加速度传感器的乒乓球击球动作识别

针对人击打乒乓球时的动作特点,提出一种基于三维加速度信号的识别算法以识别不同类型的击球,例如:攻球、搓球和推挡.所用数据由绑定在手腕上的加速度传感器在乒乓球的训练过程中采集,利用固定阈值法对加速度信号的终始点进行判断,并提取信号的信号能量、手势长度等关键特征.识别过程分别采用K近邻和决策树算法.实验结果表明:针对乒乓球训练过程中的击球动作,可以快速有效地对动作信号进行分类识别.     

基于加速度轨迹图像的手势特征提取与识别

针对手势加速度识别中存在数据维度高、计算量大等问题,提出一种基于加速度轨迹图像的手势NMF特征提取与识别方法。通过Wiimote手柄获取手势动作的加速度信号,经过实时有效手势动作分割后,将加速度数据转换为手势轨迹图像,并用非负矩阵分解对手势加速度轨迹图像提取特征向量,最后构建离散隐马尔科夫模型实现目标手势识别。加速度手势轨迹图像转换及采用非负矩阵分解的特征提取方法将未知手势轨迹特征转换为低维子特征序列,降低了计算复杂度,实验表明,该方法能有效识别手势动作。     

一种基于加速度特征提取的手势识别方法

随着智能手机等移动电子设备的发展,基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。由于准确率及实时性的限制,目前的手势识别方法仍不足以推向实用。针对这一问题,提出了一种简单有效的手势识别方法:在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别,通过提取反映各类手势运动学特征的加速度特征量,利用决策树分类器对手势进行预分类,然后根据各类手势的加速度变化规律识别具体的手势;同时通过严格的特征量阈值,有效地去除了无意识的误动作。该方法在15位实验者中获得了95.2%的平均准确率,识别时间小于0.01 s,对基于MEMS加速度传感器的手势识别研究具有一定参考价值。     

基于加速度传感器的大手势集手势识别算法改进研究

搭载着加速度传感器的智能移动终端为手势识别提供广泛的应用平台,在已有的基于单枚加速度传感器的手势识别研究中,识别正确率、速度和手势集合难以达到良好的平衡。本文以一种基于加速度符号序列的识别算法为基础,改进了其特征提取方法,并设计了基于加权树结构模板库的匹配方法,实现了大手势集、高正确率、速度快的手势识别。实验表明,所述系统在21个手势组成的手势集合上,实现了95.2%的用户依赖识别率和94.6%的用户非依赖识别率,识别时间小于10毫秒,对手势识别研究有一定的借鉴价值。     

基于惯性传感器MPU6050的手势识别方法

针对基于加速度规律的手势识别方法未充分利用陀螺仪的数据进行手势分类和识别的问题,提出了一种基于MPU6050惯性传感器的特征提取手势识别方法,通过提取加速度和姿态角信号在手势上的特征量,利用决策树对手势进行预分类,结合加速度和姿态角的变化规律完成了手势的具体识别.依据预定义手势选择10位试验对象进行测试,获得了96.4%的平均识别率,识别时间小于0.005 s.方法对基于自带数字运动处理器的惯性传感器的手势识别具有一定的参考价值.     

手势认证中基于能量熵的端点检测方法研究

为了保证智能手机敏感信息的安全性,设计实现了一种基于手机内置三轴加速度传感器的三维手势认证方案。在手势端点检测部分,在定性分析手势加速度信号能量分布特性的基础上,提出了一种基于能量熵的新方法实现有效手势截取。进一步设计基于欧式距离的动态时间规整算法对截取后的手势序列信号进行匹配认证,当他人模仿手势错误接受率趋近0%时,本人认证手势错误拒绝率维持在7%左右,从而实现智能手机用户身份识别。     

基于动态时间规整的手势加速度信号识别

为了提高基于加速度传感器的动态手势识别算法的性能,本文采用了动态时间规整(DTW)识别算法。通过该算法计算测试模板和参考模板的相似度,从而得出识别结果。为了验证该方法,建立了一套手势加速度无线采集系统,并采集了41个志愿者的手势信息。实验结果表明,该方法手势平均识别率在97%以上。与HMM识别算法相比,DTW识别算法在识别的准确率上比HMM识别算法更具优势。     

强鲁棒性的可穿戴传感器的人体动作识别方法

为了降低可穿戴传感器在传感器移位时对动作识别率的影响,对可穿戴传感器的动作识别进行了研究。采用高精度传感器采集不同部位的输出信号,根据运动的周期特点对输出信号进行去噪和快速傅里叶变换,将其转化为频域信号。再使用主成分分析法提取综合指标,并对自组织神经网络进行训练,实现动作识别。最差情况下识别准确率可达到92.0%,较好情况下甚至可达到97.5%,传感器移位情况下的识别率甚至更高。