CN101912676A - 可识别手势的跑步机 - Google Patents

Abstract

本发明公开了一种可识别手势的跑步机，包括本体和安装在本体上的电机，还包括主控系统和摄像头，所述摄像头连接到主控系统的输入端，主控系统的输出端连接到电机。本发明基于计算机视觉，采用摄像头作为用户手势的采集工具，用户只需要对着该摄像头作出一个手势，即可实现与按键相同的控制效果，只需要通过几个简单的手势就可以达到控制跑步机的目的，使使用者抛开了按键面板的束缚，方便了操作。

Description

可识别手势的跑步机

【技术领域】

本发明涉及跑步机领域，尤其涉及一种搭载了基于计算机视觉的实时静态手势识别交互技术的跑步机，在学科上属于人工智能与模式识别。

【背景技术】

跑步机作为一种室内的健身器材，弥补了室外运动场地缺少、运动设施不完善的缺点，为人们的身体健康带来了福音。在现代社会中，跑步机几乎是各家健身中心必备运动器材，一些高收入人群也拥有了自己的跑步机。

随着使用人数的增加，跑步机必须提供良好的用户操作平台，以满足大部分使用者的需求。现今市面上的跑步机，基本都是让用户通过按一块面板上的按键来给跑步机发送相应的命令。使用者在静止时去按这些按键尚还觉得轻松，但是如果正在跑步机上奔跑，再想去按它们，就显得有些吃力了，特别是当跑步的位置与按键面板的位置较远时，跑步者如果想操作跑步机，就不得不在跑步机的履带上来回跑动以使得自己的手指能够按到按键。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种可识别手势的跑步机，能够使使用者抛开按键面板的束缚，只需要通过几个简单的手势就可以达到控制跑步机的目的。

为实现上述目的，本发明提出了一种可识别手势的跑步机，包括本体和安装在本体上的电机，还包括主控系统和摄像头，所述摄像头连接到主控系统的输入端，主控系统的输出端连接到电机。

作为优选，所述摄像头采用1.3M像素的摄像头。识别效果好，性价比高。

作为优选，所述主控系统包括依次连接的实时视频输入模块、关键帧提取模块、肤色分割模块、手势区域提取模块、手势特征提取模块和手势识别模块。

作为优选，所述主控系统采用INTELATOM的嵌入式工控板，采用的操作系统是Linux操作系统。实现方便，成本低，系统稳定性好。

作为优选，所述肤色分割模块统计肤色在HSV颜色空间下的分布情况，然后根据分布情况分割出图像中的肤色区域。

作为优选，所述手势特征提取模块采用图像归一化转动惯量(NMI)和Hu不变矩作为描述手势的特征，其组成的特征向量作为分类器的分类依据。

作为优选，所述手势识别模块采用支持向量机(SVM)作为分类器，在使用大量的样本对分类器进行学习训练后，将学习的结果保存到XML格式的文件中。

本发明的有益效果：本发明基于计算机视觉，采用摄像头作为用户手势的采集工具，用户只需要对着该摄像头作出一个手势，即可实现与按键相同的控制效果，只需要通过几个简单的手势就可以达到控制跑步机的目的，使使用者抛开了按键面板的束缚，方便了操作。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1为本发明可识别手势的跑步机的结构示意图；

图2为本发明可识别手势的跑步机中主控系统的模块示意图。

【具体实施方式】

如图1、2所示，可识别手势的跑步机，包括本体2、安装在本体2上的电机(图中未示出)、主控系统和摄像头1，所述摄像头1连接到主控系统的输入端，主控系统的输出端连接到电机。所述摄像头1采用1.3M像素的摄像头1。所述主控系统包括依次连接的实时视频输入模块31、关键帧提取模块32、肤色分割模块33、手势区域提取模块34、手势特征提取模块35和手势识别模块36。所述主控系统采用INTEL ATOM的嵌入式工控板，主频为1.6GHz。采用的操作系统是Linux操作系统。所述肤色分割模块33统计肤色在HSV颜色空间下的分布情况，然后根据分布情况分割出图像中的肤色区域。所述手势特征提取模块35采用图像归一化转动惯量(NMI)和Hu不变矩作为描述手势的特征，其组成的特征向量作为分类器的分类依据。所述手势识别模块36采用支持向量机(SVM)作为分类器，在使用大量的样本对分类器进行学习训练后，将学习的结果保存到XML格式的文件中，在下次识别时，只需要从文件中读取出学习的结果即可。

手势预处理过程包含了关键帧提取、图像滤波、人体肤色分割等步骤。其中图像滤波采用了中值滤波方法。肤色分割根据人体肤色在HSV颜色空间下的分布直方图，统计出肤色的分布范围，从而准确地提取出了手势在图像中的区域，这为下一步手势识别作了准备。

所述手势识别过程包括手势特征提取与手势识别两个步骤。特征提取是指从手势中提取出一组数据，这组数据能够充分表征手势，称为手势的特征向量。本发明采用了具有旋转、平移等不变性质的图像归一化转动惯量(NMI)和Hu不变矩来描述手势特征。

上述方法中NMI的是围绕图像质心(cx，cy)的转动惯量(J(cx，cy))与图像质量m之间的一个函数关系，定义为(1)式：

$\mathrm{NMI}=\frac{\sqrt{(\mathrm{cx},\mathrm{cy})_J}}{m}=\frac{\sqrt{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}({(x-\mathrm{cx})}^2+{(y-\mathrm{cy})}^2)f(x,y)}}{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}f(x,y)}---\left(1\right)$

上述方法中手势识别是指使机器识别出人的手势行为。它分为机器学习和分类两个步骤。本发明采用了支持向量机(SVM)作为分类的工具。在学习阶段通过提取样本的特征值对分类器进行训练，并保存训练后的相关参数。在识别时，根据训练时得到的参数，就可以准确的将手势划分到预定的类中，从而实现手势的识别。

上述方法中机器学习是指如何使计算机懂得人类的行为。它是人工智能的核心，是使计算机具有智能的根本途径。在本发明中，机器学习的任务是使计算机能够像人一样区别出不同的手势，并将不同的手势划分到不同类中。

上述方法中SVM是一种由统计学发展而来的机器学习方法，最早由Vapnik等人提出。其核心思想是：在二类划分的问题中，它通过构造一个最优超平面使得两类特征之间的距离最大化，从而达到分类目的；对于低维空间下线性不可分的问题，它通过一个确定的函数映射关系转换到高维空间下，从而使得原问题在高维空间下成为一个线性可分的问题。

表1中所述的几个手势及其含义为本发明中使用到的：

表1：

摄像头1所捕捉到的实时视频被采集到跑步机系统中，在进行了关键帧提取、肤色分割、手势区域提取、特征选择和机器识别后得到用户手势所代表的含义(如表1中所示)。具体的含义由系统解释为具体的控制命令去控制跑步机。

对以上每种手势分别选择200个样本手势作为机器学习的内容，机器学习的结果保存到一个XML文件中，下次在进行识别时只需要从该文件中读取出学习的结果就可以准确地识别出手势。这带来的好处是不用为每台跑步机去选择学习样本进行学习，只需要将第一台所保存的学习结果文件拷贝到其他机器上即可。

本发明的手势识别准确率为97％，每秒钟能够处理14帧的视频图像，保证了识别的实时性与较高的准确率。用户在跑步机上运动时可以简单的通过几个手势就可以控制跑步机的速度、坡度等，方便实用。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (7)

1.可识别手势的跑步机，包括本体和安装在本体上的电机，其特征在于：还包括主控系统和摄像头，所述摄像头连接到主控系统的输入端，主控系统的输出端连接到电机。

2.如权利要求1所述的可识别手势的跑步机，其特征在于：所述摄像头采用1.3M像素的摄像头。

3.如权利要求1所述的可识别手势的跑步机，其特征在于：所述主控系统包括依次连接的实时视频输入模块、关键帧提取模块、肤色分割模块、手势区域提取模块、手势特征提取模块和手势识别模块。

4.如权利要求3所述的可识别手势的跑步机，其特征在于：所述主控系统采用INTEL ATOM的嵌入式工控板，采用的操作系统是Linux操作系统。

5.如权利要求3所述的可识别手势的跑步机，其特征在于：所述肤色分割模块统计肤色在HSV颜色空间下的分布情况，然后根据分布情况分割出图像中的肤色区域。

6.如权利要求3所述的可识别手势的跑步机，其特征在于：所述手势特征提取模块采用图像归一化转动惯量(NMI)和Hu不变矩作为描述手势的特征，其组成的特征向量作为分类器的分类依据。

7.如权利要求3～6中任一项所述的可识别手势的跑步机，其特征在于：所述手势识别模块采用支持向量机(SVM)作为分类器，在使用大量的样本对分类器进行学习训练后，将学习的结果保存到XML格式的文件中。

Images