3D无线射频鼠标的设计与实现

一种3D无线鼠标设计的新思路,以凌阳单片机为核心控制器,通过MEMS加速度传感器和触控模块,感知鼠标的移动动作,同时,通过无线射频完成无线通信,从而实现鼠标功能。使用过程中,鼠标不仅可以放于载体使用,而且可以在空中使用,增添了鼠标的操控方式,同时,大大增加了此无线鼠标的适用范围。     

基于运动变化的指势行为实时判别方法

提出了一种基于运动变化的实时指势判别方法。根据指势行为特征,跟踪手臂运动区域的运动状态,计算指势视频中每个独立运动序列的连续运动方向,统计其在一定方向范围内的累积运动帧数,当该运动序列在确定方向范围内的累积运动帧数达到预定范围时,根据指势手臂在指向目标时存在片刻停顿,从复杂场景中实时判别指势。实验结果表明,该方法简单、有效。     

融合图像轮廓矩和傅立叶描叙子的手势识别

针对手势识别中人手是复杂变形体,手部特征描叙容易受到环境因素影响的特点,提出了一种基于混合轮廓特征的手势识别的新方法.首先根据手的颜色信息将手从复杂的背景中分离出来,然后提取出手轮廓的矩不变量和Fourier描叙子特征,然后将2种特征融合构成混合特征,最后将新特征输入BP神经网络进行识别.实验表明:此方法具有较好的鲁棒性和较高的识别率.     

重大工程投资项目绿色冲突的网络特征及其风险化解——基于2-模网络与“中间人”角色视角

 随着绿色发展理念深入人心,重大工程投资项目绿色冲突愈发强烈,寻求有效手段化解绿色冲突是重大工程投资项目成功建设运营的重要支撑。论文从冲突主体和行为因素之间的影响力出发,强调绿色冲突中冲突主体与冲突行为的联动作用,构建“利益相关者-环境风险因素”2-模网络,选取2000-2018年中国发生的53起重大工程投资项目绿色冲突案例,以“中间人”角色为抓手分析重大工程投资项目绿色冲突的特征及关键环节,从而化解绿色冲突带来的风险。研究结果表明,冲突网络密度为0.457 1,内部黏性较强;当地政府办公室、环境保护部门、当地民众、媒体等利益相关者不仅在绿色冲突网络中中心性最高,有最强影响力,而且向群体内外交流的角色作用也最强,有最为畅通的信息沟通渠道和强烈的信息交流意愿。因此必须建立环境风险预警系统,把解决关键环境问题与畅通信息沟通渠道同时放于化解绿色冲突的首位。     

肩关节在原点的关节式机械手位姿分析

为开发肩关节在原点且手部做三维运动的智能型关节式机器人实时控制系统 ,本文提出了用一个单位矢量有向角取代用三个单位矢量方向余弦描述手部姿态的新概念 ,提出了由关节变量确定位姿及由位姿确定各组关节变量的简单算法 ,探讨了手部姿态固定时的 16组关节变量 ,并通过实例说明了该方法。     

新型6自由度并联机器人误差补偿

分析了新型6自由度并联机器人的位置误差和姿态误差。在误差概率分析与蒙特卡洛法的基础上,建立铰链间隙影响下的机器人实际误差模型。并在直接误差补偿法和工作空间补偿的基础上,结合并联机器人平台模型及误差模型提出一种适合该模型的误差补偿方法。该方法具有一定的普遍性。     

基于数据手套的无人机端侧控制系统设计

为克服复杂环境下,遥控器、地面站等传统控制设备无法灵活便捷控制无人机的问题,提出一种基于数据手套的无人机端侧控制系统,该系统能够实现通过手势对无人机的控制。首先采用集成柔性传感器和惯性传感器,基于STM32的无线数据手套,用于收集训练和测试数据。根据从数据手套中获得的数据,采用部署到STM32嵌入式处理器的BP神经网络进行端侧手势识别,最后将手势转换成标定的无人机控制指令,并发送到无人机端,实现对无人机的控制。对8种手势进行共400次识别验证,手势识别率为97%。通过Airsim仿真平台进行无人机仿真实验,8种手势对应的无人机基本控制指令识别 准确率为100%,表明该系统手势识别效果理想。最终在真实场景下进行试飞,多名参与者可在1分钟内完成提前规定的总路线长度为35m的复杂飞行,实验表明无人机可对手势做出迅速反应,且该系统提供的手势控制方法简单便捷,可以在端侧实现对无人机的实时稳定地控制。     

钢管穿越河涌沉管施工

通过对沉管的一些工艺参数的确定以及施工方法的介绍,提出了沉管法施工是一种简单、快捷的施工工艺,并且也指出沉管法施工是一种常用的市政网管施工技术,可推广应用。     

基于肤色和特征相似度映射手势识别算法

文中提出用来进行手区域定位和手势识别的新算法,该算法基于肤色特征和特征相似度映射函数,该函数是归一化为[0,1]的函数,它模拟在尺度空间中各点的图像特征的相似性.实验结果表明运用该方法能够在复杂的背景中进行手势识别.     

A hand gesture recognition technique for human–computer interaction

We propose an approach to recognize trajectory-based dynamic hand gestures in real time for human–computer interaction (HCI). We also introduce a fast learning mechanism that does not require extensive training data to teach gestures to the system. We use a six-degrees-of-freedom position tracker to collect trajectory data and represent gestures as an ordered sequence of directional movements in 2D. In the learning phase, sample gesture data is filtered and processed to create gesture recognizers, which are basically finite-state machine sequence recognizers. We achieve online gesture recognition by these recognizers without needing to specify gesture start and end positions. The results of the conducted user study show that the proposed method is very promising in terms of gesture detection and recognition performance (73% accuracy) in a stream of motion. Additionally, the assessment of the user attitude survey denotes that the gestural interface is very useful and satisfactory. One of the novel parts of the proposed approach is that it gives users the freedom to create gesture commands according to their preferences for selected tasks. Thus, the presented gesture recognition approach makes the HCI process more intuitive and user specific.