CN105159463B - 一种非接触式可穿戴智能戒指系统及其手势识别方法 - Google Patents

一种非接触式可穿戴智能戒指系统及其手势识别方法 Download PDF

Info

Publication number
CN105159463B
CN105159463B CN201510595299.4A CN201510595299A CN105159463B CN 105159463 B CN105159463 B CN 105159463B CN 201510595299 A CN201510595299 A CN 201510595299A CN 105159463 B CN105159463 B CN 105159463B
Authority
CN
China
Prior art keywords
gesture
data
complexity
module
modal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510595299.4A
Other languages
English (en)
Other versions
CN105159463A (zh
Inventor
余伶俐
刘丽珏
孙钦波
孙聪珊
籍伟华
聂宇坤
王维洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201510595299.4A priority Critical patent/CN105159463B/zh
Publication of CN105159463A publication Critical patent/CN105159463A/zh
Application granted granted Critical
Publication of CN105159463B publication Critical patent/CN105159463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Character Discrimination (AREA)

Abstract

本发明提供了一种非接触式可穿戴智能戒指系统及其手势识别方法,主要步骤为:步骤1:由JY‑901九轴感测组件设备去完成数据的采集与预处理,并通过蓝牙模块传输到终端设备。步骤2:终端设备通过获取采集的原始数据提取模态特征。步骤3:对用户所作出的每一个有效的手势指令通过模式匹配的方式得到最终的交互命令。步骤4:交互命令可以通过用户定义、自学习等方式实现,从而可完成对各个终端设备方便快捷的操控。对信号进行处理,能够很准确的识别到用户所发出的手势指令,识别率可以达到95%以上,并且响应时间相当短。因此,在灵敏性和准确性方面有较好的保证。

Description

一种非接触式可穿戴智能戒指系统及其手势识别方法
技术领域
本发明属于模式识别的应用领域,特别涉及一种非接触式可穿戴智能戒指系统及其手势识别方法。
背景技术
目前,全球可穿戴设备市场快速升温“互联网女皇”玛丽米克尔(Mary Meeker)将2013年定义为可穿戴设备元年,认为可穿戴设备将像20世纪80年代的个人电脑和目前的移动智能终端那样推动创新。国际1TIT巨头纷纷将可穿戴设备视为未来竟争的制高点,纷纷涉足可穿戴领域,谷歌先是开发出Google Glass这样的可穿戴硬件,而后推出AndroidWear操作系统以健全可穿戴设备开发体系。三星在智能手表方面密集推出新品,抢占市场。苹果智能手虽未面世仍引起业内广泛关注,英特尔则加大与终端企业的合作力度,推广可穿戴设备核心处理器。创新型中小企业Jawbone,Fitbit,Recon和Pebble等通过融资快速成长,选择在运动、健康等产品领域快速切入,还有一些创业企业则通过特定人群的差异化产品开发取得突破,并且获得较好的市场认可度。可穿戴设备产业正处于发展孕育期,市场发展前景十分广产品竟争日益激烈,全球各类厂商加速战略布局抢占产业发展制高点。
智能戒指在模拟鼠标、键盘的操作方面,具有用户体验好等特点,能应用于教师的课堂教学;更能促进赛车、第一人称射击等体感游戏的应用开发;同时,在控制小车、四轴飞行器等设备,也能达到理想效果;特别是在智能家居的应用中,该智能戒指的实用性带给用户很大方便。因此,这种非接触式可穿戴人机接口及其空间手势识别方法很适应当前时代的潮流和大众的需要。目前,智能戒指在手势识别方法方面,存在一点的不足,仅完成上下左右的手势基本操作辨识。
发明内容
本发明主要解决的问题是提供一种非接触式可穿戴智能戒指系统及其手势识别方法,通过采用九轴感测组件获取手势数据信号,采用降维处理和归一化处理得到手势模态特征数列,利用曼哈顿距离进行匹配,识别方法易于实施,识别精度高,适应新一代人机交互的需要,有利于提高人们的生活体验。
一种基于非接触式可穿戴智能戒指的手势识别方法,包括以下几个步骤:
步骤1:利用非接触式可穿戴智能戒指上的九轴感测组件数据采集模块获取戒指使用者的手势数据信号;
所述手势数据信号包括3轴加速度值、3轴陀螺仪值以及3轴的磁场值;
步骤2:所述非接触式可穿戴智能戒指通过通信模块将手势数据信号传输到手势识别终端;
步骤3:手势识别终端对手势数据信号进行预处理;
所述预处理包括降维处理和归一化处理;
所述降维处理是指按照设定的每组采集数据个数,对连续采集的手势数据信号进行分组,每个数组Ms中的数据ms按照设定的筛选范围[a,b]进行筛选,当数据属于[a,b]时对应的数据属于有效数据,其余数据删除,得到剩余有效数据数组Mr
所述归一化处理是指对剩余有效数据数组Mr按照以下公式进行归一化处理得到归一化数据列Mf
其中,Count(Mr)表示剩余有效数据数组Mr的大小,mr和mf分别表示Mr和Mf中的数据;步骤4:对预处理后的信号进行转换,得到模态特征数列Mz
其中,(2)表示二进制运算;
步骤5:对已知手势按照步骤1-步骤4所述方法进行模态特征数列提取,构建手势编码库;
步骤6:对待识别的手势按照步骤1-步骤4所述方法进行模态特征数列提取,得到待识别的手势的模态特征数列Mz′,从手势编码库中寻找与待识别的手势的模态特征数列Mz′匹配的已知手势编码,将其作为手势识别结果。
所述步骤6中手势识别编码匹配采用曼哈顿距离进行匹配,当匹配误差d小于设定误差阈值时,选择最小的匹配误差对应的已知手势作为手势识别结果:
d=min{|Mz′-Mz(n)|},n=(1,……,Gesture_Num)
其中,Mz(n)为第n个已知手势的模态特征数列,Gesture_Num表示手势编码库中存在的手势个数。
所述手势识别终端对手势数据信号进行预处理前,对手势数据信号采用卡尔曼滤波进行去噪处理;
其中,步骤3中数据筛选范围为[0.1,2]。
对去噪处理后的数据采用四元数方法对九轴感测组件数据采集模块中加速度计采集的重力向量进行误差消除处理。
按照以下公式计算手势复杂度C:
当待计算复杂度的手势属于中国现代汉语字典的定义的独体字时,采用以下公式计算:
否则,利用手势编码库中已有的手势复杂度进行计算:
C=Cnd*(1+d),d=min{|Mz′-Mz(n)|},n=(1,……,Gesture_Num)
其中,hor和ver分别代表的是该手势在竖直方向和水平方向上方向改变的次数,即通过将手势正交分解在直角坐标系下,获得在直角坐标系下竖直和水平方向上的改变次数;
tm表示手势中第m个笔划所经历的时间,依据用户书写速度设定;cm表示手势中第m个笔划的复杂度,按照该笔划对应的(hor+ver*1.2)计算获得,Corner_Point表示手势中存在的所有拐点个数;
Cnd表示手势编码库中与当前待计算复杂度的手势之间的模态特征数列曼哈顿距离最小的手势的复杂度;
所述手势编码库中包含了所有书写中国现代汉语字典的定义的独体字的手势。
对于复杂度超过设定复杂度阈值的手势采集N组数据,按照以下公式对手势的模态特征数列进行更新,得到优化模态特征数列:
其中,Msi和Msj表示对同一手势采集的第i和j个数组。
一种非接触式可穿戴智能戒指系统,包括九轴感测组件数据采集模块、无线通讯模块、数据预处理及特征库建立模块、终端手势识别模块和电源模块;
其中,所述数据预处理与手势编码库建立模块以及终端手势识别模块采用权利要求1-6任一项所述的方法实现。
所述九轴感测组件数据采集模块采用基于stm32的32位MCU的JY-901。
所述无线通讯模块为BK32310系列蓝牙通讯模块。
还包括与无线通讯模块相连的BPI-D1开源IP摄像头。
所述手势识别终端为智能手机或PC。
有益效果
本发明提供了一种非接触式可穿戴智能戒指系统及其手势识别方法,该方法中的主要步骤为:步骤1:由JY-901九轴感测组件设备去完成数据的采集与预处理,并通过蓝牙模块传输到终端设备。步骤2:终端设备通过获取采集的原始数据提取模态特征。步骤3:对用户所作出的每一个有效的手势指令通过模式匹配的方式得到最终的交互命令。步骤4:交互命令可以通过用户定义、自学习等方式实现,从而可完成对各个终端设备方便快捷的操控。对信号进行处理,能够很准确的识别到用户所发出的手势指令,识别率可以达到95%以上,并且响应时间相当短。因此,在灵敏性和准确性方面有较好的保证。
该系统依托九轴感测组件,对使用者的姿态,手势进行捕捉,这种方式最大程度地降低了环境的影响,提高了用户的使用体验。
相比其他的手势识别系统,较多的是采用图像识别的方式,这就对周围的光线环境等有较高的要求。而相对来说本方案,采用的是九轴感测组件,因为是佩戴在手指上面,所以只要产生运动或姿态变化就能获取到不同的手势信息。因此,本系统就不会受光线等环境的影响,可以更加方便用户随时随地的使用,且携带方便。
附图说明
图1为本发明系统方案设计示意图;
图2为本发明智能戒指系统硬件组成图;
图3为本发明数据预处理算法流程;
图4为本发明空间手势识别算法流程图;
图5安装与佩戴图示意图;
图6为本发明总体方案框架示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示,一种非接触式可穿戴智能戒指系统的方案设计示意图,其中智能戒指的硬件设计如图2所示,该套方案的控制终端为智能手机或PC等电子设备。
一种非接触式可穿戴智能戒指系统,包括九轴感测组件数据采集模块、无线通讯模块、数据预处理及特征库建立模块、终端手势识别模块和电源模块;
所述九轴感测组件数据采集模块通过无线通讯模块与数据预处理及特征库建立模块,所述数据预处理及特征库建立模块与所述终端手势识别模块相连,所述九轴感测组件数据采集模块与无线通讯模块由电源模块供电。
在本实例中,所述九轴感测组件数据采集模块采用基于stm32的32位MCU的JY-901,所述无线通讯模块为BK32310系列蓝牙通讯模块。
其中,JY-901模块包括一个3.5v的电源,3轴加速度计,3轴陀螺仪,3轴磁力计以及一块STM32的MCU。
一种基于非接触式可穿戴智能戒指的手势识别方法,包括以下几个步骤:
步骤1:利用非接触式可穿戴智能戒指上的九轴感测组件数据采集模块获取戒指使用者的手势数据信号;
所述手势数据信号包括3轴加速度值、3轴陀螺仪值以及3轴的磁场值;
步骤2:所述非接触式可穿戴智能戒指通过通信模块将手势数据信号传输到手势识别终端;
对来自智能戒指的数据信号,需要通过一定的机制才能接收,经过一些基本的预处理之后才能用于模态特征的提取,具体流程详见图3所示。
当智能戒指需要传输数据的时候,JY-901模块通过IIC协议进行访问,波特率为9600,回传速率为10Hz。对于不同的终端设备,考虑到不同终端设备的硬件差别与稳定性,因此回传速率可能需要适当的降低。然后根据IIC协议进行读取的时候首先IIC主机向JY-901模块发送一个Start信号,并将模块的IIc地址IICAddr写入,再写入寄存器地址RegAddr,主机再向模块发送一个读信号(IICAddr)|1,此后按照先低字节,后高字节的顺序输出,主机再发送一个停止信号,以结束本操作。从而,可以读出捕获到的各维感测值。
步骤3:手势识别终端对手势数据信号进行预处理;
所述预处理包括卡尔曼滤波处理,四元数处理,降维处理和归一化处理;
步骤3.1:在测量方差已知的情况下,能够从一系列存在测量噪声的数据中,卡尔曼滤波器估计动态系统的状态。为此,首先利用系统的过程模型,预测下一状态的系统。假设现在的系统状态是k,根据系统的模型,得到预测状态:
X(k|k-1)=AX(k-1|k-1)+BU(k) (1)
式(1)中,X(k|k-1)是利用上一状态预测的结果,X(k|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,如果没有控制量,可以为0。到现在为止,系统结果已经更新,可是,对应于X(k|k-1)的协方差还没更新。用P表示协方差(covariance):
P(k|k-1)=AP(k-1|k-1)A′+Q (2)
式(2)中,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,A’表示A的转置矩阵,Q是系统过程的协方差。得到现在状态的预测结果,然后,再收集现在状态的测量值。结合预测值和测量值,得到现在状态(k)的最优化估算值X(k|k):
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1)) (3)
其中Kg为卡尔曼增益(Kalman Gain):
Kg(k)=P(k|k-1)H′/(HP(k|k-1)H′+R) (4)
到现在为止,已经得到了k状态下最优的估算值X(k|k)。但为了令卡尔曼滤波器不断的运行,直到系统过程结束,还要更新k状态下X(k|k)的协方差:
P(k|k)=(I-Kg(k)H)(k|k-1) (5)
其中I为1的矩阵,对于单模型单测量,I=1。当系统进入k+1状态时,P(k|k)就是式子(2)的P(k-1|k-1)。这样,算法一直自回归的运算下去,完成卡尔曼滤波。
步骤2.2:九轴感测组件的三轴加速度值,会受到因地球自转而带来的干扰因素,地心引力会在竖直方向上产生一个g大小的重力加速度分量。而此,分量会随着九轴感测组件的姿态不同,会在以九轴感测组件自身为坐标系的x,y,z轴上产生一定的加速度分量,从而干扰工作的进一步进行。为此,需将该数据经过卡尔曼滤波后,利用四元数消除重力加速度对三轴加速度的影响。
采用四元数的方法对加速度计的重力向量的误差进行消除,通过JY-901模块采集重力分量ax,ay,az,为重力在九轴感测组件的三个方向上分量结果。向量之间的误差通过向量之间的叉积来表示,指将带有误差的加速度计向量旋转到与重力向量重合。通过逆向推理,把重力向量的误差消去,具体步骤包括:
按照规范的四元数的表达式为:
q=q0+q1i+q2j+q3k
同时,四元数可以使用一矢量及绕该矢量的旋转角来表示,其中规范的四元数可以表示为:
在初始状态下,经过Δt时间后,测试坐标系OXPYPZP,以ω={ωIOP}绕动了ωΔt角。则从基准坐标系OXTYTZT到测试坐标系OXPYPZP的四元数为:
按照四元数空间的性质可以得知AP到AT的坐标变换关系为:
连续转动的四元数方程中,q表示测试坐标系OXPYPZP到基准坐标系OXTYTZT的转动四元数,在连续转动的过程中q是时间t的函数,可得:
ω为角速率矩阵,若有一定的初值,就可以解出四元数q(t),并利用上式中测试坐标系与基准坐标系的转动位置,反演可以得到坐标变换。采用递推求解的方法可得:
(6)式是四元数的一种递归求解的方式,首先得到四元数的初值,并将ω实时值传送到上式中,就可以得到连续的四元数结果。将重力加速度初始时刻在测试坐标上的分量记为G=[gx0,gy0,gz0]T,在任意t=ti时刻,存在:
即:
将G(i+1)方程带回到加速度计动态误差系数标定方程:
从而,完成选择静态输出值的工作。
所述降维处理是指按照设定的每组采集数据个数,对连续采集的手势数据信号进行分组,每个数数组Ms中的数据ms按照设定的筛选范围[a,b]进行筛选,当数据属于[a,b]时对应的数据属于有效数据,其余数据删除,得到剩余有效数据数组Mr
步骤3.3:以20个时间单位为长度采集原始数据,并对这20维数据进行降维处理,按照统计的数据表明,通常人们在书写一个动作的时间不超过2s,那么根据JY-901设定的采样频率,本方案以20个采样单位为一次模态提取过程,对每个数组单元中的数据按照筛选范围[0.1,2]进行筛选,不属于该范围的,则视为无效数据,属于该范围的视为有效数据;
所述归一化处理是指对剩余有效数据数组Mr按照以下公式进行归一化处理得到归一化数据列Mf
其中,Count(Mr)表示剩余有效数据数组Mr的大小,mr和mf分别表示Mr和Mf中的数据;步骤4:对预处理后的信号进行转换,得到模态特征数列Mz
当需要滤掉多余的码元,只保留包含该数列特征的编码信息,处理机的原则是从第一个码元开始若下一个数值若方向有改变则记录,否则需要跳过,继续记录下一个数据。最终得到的是可用于编码存储的模态特征数列Mz,具体操作如下:
其中,(2)表示二进制运算;
步骤5:对已知手势按照步骤1-步骤4所述方法进行模态特征数列提取,构建手势编码库;
步骤6:对待识别的手势按照步骤1-步骤4所述方法进行模态特征数列提取,得到待识别的手势的模态特征数列Mz′,从手势编码库中寻找与待识别的手势的模态特征数列Mz′匹配的已知手势编码,将其作为手势识别结果。
为了扩展该系统的功能,交互命令可以通过用户定义、自学习等方式实现,从而可完成对各个终端设备方便快捷的操控,这是一个自学习的过程,同时也存在着对应其他各个功能的接口设定的方案,参考图4所示的流程内容。
step1:基于空间手势识别的数字识别方案的实施说明,进入自学习的方式中,首先需要用户自定义新手势的功能名称,即完成对新定义手势的特征数据库的基本属性进行填写。
步骤A:使用者需要将自己定义的手势重复采集3次,这样的目的是为了减少其他因素带来的误差,经过统计实验发现,3次的采样足可以获取一般手势的特征,此处,对手势复杂程度本方案设定了一套定义复杂度的计算标准,具体标准参数如下:
当待计算复杂度的手势属于中国现代汉语字典的定义的独体字时,采用以下公式计算:
否则,利用手势编码库中已有的手势复杂度进行计算:
C=Cnd*(1+d),d=min{|Mz′-Mz(n)|},n=(1,……,Gesture_Num)
其中,hor和ver分别代表的是该手势在竖直方向和水平方向上方向改变的次数,即通过将手势正交分解在直角坐标系下,获得在直角坐标系下竖直和水平方向上的改变次数;
tm表示手势中第m个笔划所经历的时间,依据用户书写速度设定;cm表示手势中第m个笔划的复杂度,按照该笔划对应的(hor+ver*1.2)计算获得,Corner_Point表示手势中存在的所有拐点个数;
Cnd表示手势编码库中与当前待计算复杂度的手势之间的模态特征数列曼哈顿距离最小的手势的复杂度;
所述手势编码库中包含了所有书写中国现代汉语字典的定义的独体字的手势。
其中,hor和ver分别代表的是该手势在竖直方向和水平方向上方向改变的次数,考虑到竖直方向上方向的改变对捕捉难度的加大,则需在ver前增加权重系数1.2,这是一个经验值。接着再考虑每一笔划所经历的时间以及该笔划自身的复杂度cm,即可求得一般手势的复杂度C。对于求解复杂手势的C值,只需要与一般手势的C值对比,并乘以相对应的误差系数。其中,复杂手势与简单手势的误差系数利用余弦定理求取,根据复杂手势和简单手势对比始末特征,确定包含复杂手势特征的矢量数据dc和简单手势特征的矢量数据de,根据按照d=1/cos<dc,de>,求取dc到de之间的映射。并对该结果求和D=Σd,即可得误差系数。复杂手势与简单手势差别越大,则D值越大,最终,确定复杂手势的C值,完成手势一般与复杂的分类。
利用本发明所述的方法识别手势对应的文字信息。
步骤B:在区分手势的一般与复杂之后,即可确定学习一个手势所需要采样的次数,可是同统计结果粗略认为,一般手势只需采样3次即可,而复杂手势需要采样5次。
对于复杂度超过设定复杂度阈值的手势采集N组数据,按照以下公式对手势的模态特征数列进行更新,得到优化模态特征数列:
其中,Msi和Msj表示对同一手势采集的第i和j个数组。
存储该新的手势特征Ms′,充当新的手势特征库中的一个码元。
步骤C:根据不同的用户自定义手势的功能。该层操作主要是建立在对手势特征数据库中的码元的属性进行添加相对应的接口。
测试数据包括对空间6方向以及空间数字特征的识别匹配,其中在数字特征识别方面,做了其他方面的可靠性测试,如使用者不处于站立状态,而处于躺着,侧着就是一些非正常体态的测试。表1为具体测试实施项目。
表1 0-9数字编码形式
而后,对空间方向的识别,目前所做的空间六个方向的识别,从表2中的编码方式可得,在以后的识别方法中能进行扩展。比如扩展到38方向,甚至更多方向。
表2空间6方向编码形式表
为了简化判断识别的数据量,对其中的一些简单的数字,采用了一维的数据来做匹配识别。如上表所示中,“-”代表的是不需要采集编码的方向。然后,考虑到以后的拓展性等等的操作,需要更多的维数来一起识别。测试数据如表3所示:
表3空间数字与基本手势识别统计表
通过表4得到,用户在不同状态下,使用该智能戒指,例如躺在床上、斜靠在沙发上、指向桌面操作等等,都是可行的。这也就验证了这套系统在其他的非正常的体态下也可以正常的操作。
表4不同体态对识别的误差影响
综述所述,经过测试,对于较为复杂的数字等图形手势能够很准确的识别,识别率可以达到95%以上,并且响应时间相当短,相对简单比划的基本手势的识别率更高。因此,这套一种非接触式可穿戴智能戒指系统及其空间手势识别方法在灵敏性和准确性方面有较好的保证。
本发明智能戒指安装主要包括芯片组与电池的连接供电,硬件与戒指外模型的安装过程。安装与佩戴如图5,总体方案系统框图,如图6所示。

Claims (9)

1.一种基于非接触式可穿戴智能戒指的手势识别方法,其特征在于,包括以下几个步骤:
步骤1:利用非接触式可穿戴智能戒指上的九轴感测组件数据采集模块获取戒指使用者的手势数据信号;
所述手势数据信号包括3轴加速度值、3轴陀螺仪值以及3轴的磁场值;
步骤2:所述非接触式可穿戴智能戒指通过通信模块将手势数据信号传输到手势识别终端;
步骤3:手势识别终端对手势数据信号进行预处理;
所述预处理包括降维处理和归一化处理;
所述降维处理是指按照设定的每组采集数据个数,对连续采集的手势数据信号进行分组,每个数据组Ms中的数据ms按照设定的筛选范围[a,b]进行筛选,当数据属于[a,b]时对应的数据属于有效数据,其余数据删除,得到剩余有效数据数组Mr
所述归一化处理是指对剩余有效数据数组Mr按照以下公式进行归一化处理得到归一化数据列Mf
<mrow> <msub> <mi>m</mi> <mi>f</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mi>r</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mi>r</mi> </msub> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>r</mi> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>...</mo> <mo>,</mo> <mi>C</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>t</mi> <mo>(</mo> <msub> <mi>M</mi> <mi>r</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中,Count(Mr)表示剩余有效数据数组Mr的大小,mr和mf分别表示Mr和Mf中的数据;
步骤4:对预处理后的信号进行转换,得到模态特征数列Mz
其中,(2)表示二进制运算;
步骤5:对已知手势按照步骤1-步骤4所述方法进行模态特征数列提取,构建手势编码库;
步骤6:对待识别的手势按照步骤1-步骤4所述方法进行模态特征数列提取,得到待识别的手势的模态特征数列Mz′,从手势编码库中寻找与待识别的手势的模态特征数列Mz′匹配的已知手势编码,将其作为手势识别结果;
手势编码库采用如表1和表2所述的编码形式进行编码;
表1 0-9数字编码形式
表2空间6方向编码形式表
按照以下公式计算手势复杂度C:
当待计算复杂度的手势属于中国现代汉语字典的定义的独体字时,采用以下公式计算:
<mrow> <mi>C</mi> <mo>=</mo> <mi>h</mi> <mi>o</mi> <mi>r</mi> <mo>+</mo> <mi>v</mi> <mi>e</mi> <mi>r</mi> <mo>*</mo> <mn>1.2</mn> <mo>+</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>C</mi> <mi>o</mi> <mi>r</mi> <mi>n</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mi>P</mi> <mi>o</mi> <mi>int</mi> </mrow> </msubsup> <msub> <mi>t</mi> <mi>m</mi> </msub> <mo>*</mo> <msub> <mi>c</mi> <mi>m</mi> </msub> <mo>,</mo> <mi>m</mi> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>...</mo> <mo>,</mo> <mi>C</mi> <mi>o</mi> <mi>r</mi> <mi>n</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mi>P</mi> <mi>o</mi> <mi>int</mi> <mo>)</mo> </mrow> </mrow>
否则,利用手势编码库中已有的手势复杂度进行计算:
C=Cnd*(1+d),d=min{|Mz′-Mz(n)|},n=(1,……,Gesture_Num)
其中,hor和ver分别代表的是该手势在竖直方向和水平方向上方向改变的次数,即通过将手势正交分解在直角坐标系下,获得在直角坐标系下竖直和水平方向上的改变次数;
tm表示手势中第m个笔划所经历的时间,依据用户书写速度设定;cm表示手势中第m个笔划的复杂度,按照该笔划对应的(hor+ver*1.2)计算获得,Corner_Point表示手势中存在的所有拐点个数;
Cnd表示手势编码库中与当前待计算复杂度的手势之间的模态特征数列曼哈顿距离最小的手势的复杂度;
所述手势编码库中包含了所有书写中国现代汉语字典的定义的独体字的手势;
其中,d表示匹配误差,Mz(n)为第n个已知手势的模态特征数列,Gesture_Num表示手势编码库中存在的手势个数。
2.根据权利要求1所述的方法,其特征在于,所述步骤6中手势识别编码匹配采用曼哈顿距离进行匹配,当匹配误差d小于设定误差阈值时,选择最小的匹配误差对应的已知手势作为手势识别结果:
d=min{|Mz′-Mz(n)|},n=(1,……,Gesture_Num)
其中,Mz(n)为第n个已知手势的模态特征数列,Gesture_Num表示手势编码库中存在的手势个数。
3.根据权利要求2所述的方法,其特征在于,所述手势识别终端对手势数据信号进行预处理前,对手势数据信号采用卡尔曼滤波进行去噪处理;
其中,步骤3中数据筛选范围为[0.1,2]。
4.根据权利要求3所述的方法,其特征在于,对去噪处理后的数据采用四元数方法对九轴感测组件数据采集模块中加速度计采集的重力向量进行误差消除处理。
5.根据权利要求4所述的方法,其特征在于,对于复杂度超过设定复杂度阈值的手势采集N组数据,按照以下公式对手势的模态特征数列进行更新,得到优化模态特征数列:
<mrow> <msubsup> <mi>M</mi> <mi>S</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>M</mi> <mrow> <mi>s</mi> <mi>i</mi> </mrow> </msub> <mo>/</mo> <mi>N</mi> <mo>+</mo> <msubsup> <mi>&amp;Sigma;</mi> <mi>i</mi> <mi>N</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mi>j</mi> <mi>N</mi> </msubsup> <mo>(</mo> <mrow> <msub> <mi>M</mi> <mrow> <mi>s</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>M</mi> <mrow> <mi>s</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>/</mo> <mn>9</mn> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>..</mn> <mo>,</mo> <mi>N</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow>
其中,Msi和Msj表示对同一手势采集的第i和j个数组。
6.一种非接触式可穿戴智能戒指系统,其特征在于,包括九轴感测组件数据采集模块、无线通讯模块、数据预处理及特征库建立模块、终端手势识别模块和电源模块;
其中,所述数据预处理与特征库建立模块以及终端手势识别模块采用权利要求1-5任一项所述的方法实现。
7.根据权利要求6所述的系统,其特征在于,所述九轴感测组件数据采集模块采用基于stm32的32位MCU的JY-901。
8.根据权利要求7所述的系统,其特征在于,所述无线通讯模块为BK32310系列蓝牙通讯模块。
9.根据权利要求8所述的系统,其特征在于,还包括与无线通讯模块相连的BPI-D1开源IP摄像头。
CN201510595299.4A 2015-09-18 2015-09-18 一种非接触式可穿戴智能戒指系统及其手势识别方法 Active CN105159463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510595299.4A CN105159463B (zh) 2015-09-18 2015-09-18 一种非接触式可穿戴智能戒指系统及其手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510595299.4A CN105159463B (zh) 2015-09-18 2015-09-18 一种非接触式可穿戴智能戒指系统及其手势识别方法

Publications (2)

Publication Number Publication Date
CN105159463A CN105159463A (zh) 2015-12-16
CN105159463B true CN105159463B (zh) 2018-01-16

Family

ID=54800343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510595299.4A Active CN105159463B (zh) 2015-09-18 2015-09-18 一种非接触式可穿戴智能戒指系统及其手势识别方法

Country Status (1)

Country Link
CN (1) CN105159463B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105824430A (zh) * 2016-06-07 2016-08-03 北京行云时空科技有限公司 三维信息交互方法及可穿戴设备
CN106020674A (zh) * 2016-06-10 2016-10-12 北京行云时空科技有限公司 智能终端控制可穿戴设备的方法、智能终端及可穿戴设备
CN106095136A (zh) * 2016-06-10 2016-11-09 北京行云时空科技有限公司 一种可穿戴设备控制智能终端的方法
CN106354253A (zh) * 2016-08-19 2017-01-25 上海理湃光晶技术有限公司 一种光标控制方法与基于该方法的ar眼镜与智能指环
GB2557285A (en) * 2016-12-05 2018-06-20 Meiban Int Pte Ltd Smart working professional ring
CN106873762A (zh) * 2016-12-23 2017-06-20 南京理工大学 一种基于惯性传感器的人机交互输入技术
CN106723722B (zh) * 2016-12-26 2018-08-07 东莞理工学院 用于记日记的戒指、系统及使用方法
CN106774917A (zh) * 2016-12-27 2017-05-31 努比亚技术有限公司 终端控制装置、穿戴式设备、终端及终端控制方法
CN109917919A (zh) * 2019-03-13 2019-06-21 深圳市聚芯影像有限公司 一种手势控制车载智能系统及其控制方法
CN110137117B (zh) * 2019-06-05 2024-01-30 上海赢朔电子科技股份有限公司 一种半导体双轨dd马达高速自动测试打码编带分选机
CN112162637A (zh) * 2020-09-30 2021-01-01 上海众链科技有限公司 智能终端的体感控制方法、系统及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345904A (zh) * 2013-07-23 2015-02-11 西安艾尔特仪器有限公司 一种手指式空中鼠标
CN104461013A (zh) * 2014-12-25 2015-03-25 中国科学院合肥物质科学研究院 一种基于惯性传感单元的人体动作重构与分析系统及方法
CN104765995A (zh) * 2015-04-24 2015-07-08 福建师范大学 基于触屏操作的智能设备身份认证方法及客户端
WO2015129556A1 (ja) * 2014-02-27 2015-09-03 株式会社ログバー ジェスチャ入力装置
CN104898829A (zh) * 2015-04-17 2015-09-09 杭州豚鼠科技有限公司 体感交互系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090251407A1 (en) * 2008-04-03 2009-10-08 Microsoft Corporation Device interaction with combination of rings

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345904A (zh) * 2013-07-23 2015-02-11 西安艾尔特仪器有限公司 一种手指式空中鼠标
WO2015129556A1 (ja) * 2014-02-27 2015-09-03 株式会社ログバー ジェスチャ入力装置
CN104461013A (zh) * 2014-12-25 2015-03-25 中国科学院合肥物质科学研究院 一种基于惯性传感单元的人体动作重构与分析系统及方法
CN104898829A (zh) * 2015-04-17 2015-09-09 杭州豚鼠科技有限公司 体感交互系统
CN104765995A (zh) * 2015-04-24 2015-07-08 福建师范大学 基于触屏操作的智能设备身份认证方法及客户端

Also Published As

Publication number Publication date
CN105159463A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
CN105159463B (zh) 一种非接触式可穿戴智能戒指系统及其手势识别方法
Zou et al. Deep learning-based gait recognition using smartphones in the wild
KR102606785B1 (ko) 동시 로컬화 및 매핑을 위한 시스템 및 방법
CN104780217B (zh) 检测用户工作效率的方法、系统及客户端
Ren et al. Depth camera based hand gesture recognition and its applications in human-computer-interaction
Wang et al. Hear sign language: A real-time end-to-end sign language recognition system
Feng et al. Depth-projection-map-based bag of contour fragments for robust hand gesture recognition
Breland et al. Deep learning-based sign language digits recognition from thermal images with edge computing system
CN101882000A (zh) 一种基于加速度传感器的手势识别方法
JP2020518051A (ja) 顔姿勢検出方法、装置及び記憶媒体
CN101853380A (zh) 一种基于加速度传感器的手势识别的旋转特征提取方法
CN110633004B (zh) 基于人体姿态估计的交互方法、装置和系统
Drumond et al. An LSTM recurrent network for motion classification from sparse data
Müezzinoğlu et al. An intelligent human–unmanned aerial vehicle interaction approach in real time based on machine learning using wearable gloves
Pan et al. Handwriting trajectory reconstruction using low-cost imu
Xu et al. A long term memory recognition framework on multi-complexity motion gestures
CN110121719A (zh) 用于深度学习的装置、方法和计算机程序产品
CN112633059A (zh) 一种基于LabVIEW和MATLAB的跌倒远程监控系统
Bi et al. SmartGe: identifying pen-holding gesture with smartwatch
Ferreira et al. User-centric coordinates for applications leveraging 3-axis accelerometer data
Zhang et al. Fine-grained and real-time gesture recognition by using IMU sensors
Riedel et al. Hand gesture recognition of methods-time measurement-1 motions in manual assembly tasks using graph convolutional networks
CN102135820B (zh) 一种平面化预处理方法
CN101853073B (zh) 一种应用于手势识别的旋转特征码的距离测度方法
Wang Data feature extraction method of wearable sensor based on convolutional neural network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant