CN113873437B - 一种基于现实空间的指向性区域划分技术方法 - Google Patents
一种基于现实空间的指向性区域划分技术方法 Download PDFInfo
- Publication number
- CN113873437B CN113873437B CN202111143031.9A CN202111143031A CN113873437B CN 113873437 B CN113873437 B CN 113873437B CN 202111143031 A CN202111143031 A CN 202111143031A CN 113873437 B CN113873437 B CN 113873437B
- Authority
- CN
- China
- Prior art keywords
- directional
- data
- pointing
- target
- rear end
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于现实空间的指向性区域划分技术方法,涉及超宽带技术领域,通过optitrack动捕镜头和motive软件记录用户进行指向性任务时的空间坐标数据获取反馈数据;提取原始数据中目标端坐标,以及指向端坐标进行数据预处理;对指向角度范围、指向落点与目标距离进行权重分析;将期望及协方差矩阵权重值作为输入,对应的区域划分作为输出的神经网络模型,得到了基于指向分布的区域划分算法;利用该算法提出基于指向性操作的空间划分技术;本发明通过分析用户真实的指向性选择任务所映射的空间热区,并结合上下文信息的主动区域划分策略,通过对区域的合理划分,使用户可以自然的进行指向性操作,用户只需要指向设备的区域就可以选中设备进行操作。
Description
技术领域
本发明涉及超宽带技术领域,尤其涉及一种基于现实空间的指向性区域划分技术方法。
背景技术
随着超宽带(Ultra Wide Band,UWB)技术在智能家居场景的应用的普及,这种室内定位以及指向性操作的方式成为一个新的研究方向。对于空间的指向性操作,目前并没有相关的系统性研究,特别对于空间的指向性区域划分技术的研究,现在尚且处于空白。指向性区域划为可以理解为,指向操作的目标,指向性选择并不像传统有光标操作一样,可以精确的选择目标,它选择的是一个模糊的方位信息。因此需要对物体映射的空间区域进行合理的划分才能更好的进行指向性选择。
进入万物互联的时代,智能家居和智能设备的普及,也让超宽频这项技术进入该领域,使得越来越多的设备可以使用空间定位和指向性选择功能。如何对这些智能设备的空间进行划为,让指向选择问题看起来更加符合人性化,这是基于UWB的指向性区域划分技术的解决的主要问题,目前现有技术只是对指向性选择映射空间了简单的判别,只适用于设备与设备之间间距较大,设备拥挤程度低的场景,当设备出现紧贴与重叠等对指向性选择影响的情况下,用户无法指向预想目标,使得可用性降低。
发明内容
本发明提供一种基于现实空间的指向性区域划分技术方法,解决了上述提出的技术问题。
为解决上述技术问题,本发明提供的一种基于现实空间的指向性区域划分技术方法,包括以下步骤:
步骤S1,使用optitrack动捕镜头以及motive软件记录用户进行指向性任务时的空间坐标数据,以获取进行指向任务的反馈数据;
步骤S2,提取原始数据中目标端坐标,以及指向端坐标,对所提取的特征进行数据预处理;
步骤S3,对指向角度范围、指向落点与目标距离进行权重分析;
步骤S4,将期望及协方差矩阵权重值作为输入,对应的区域划分作为输出的神经网络模型,经过神经网络模型输出后,得到了基于指向分布的区域划分算法;
步骤S5,利用该算法提出基于指向性操作的空间划分技术,根据周围设备实时进行区域划分,方便用户进行指向性交互。
其中,所述S1中对于单点指向数据记录2000条、多点指向数据记录2000条以及手部抖动的数据记录10000条。
其中,所述S2中预处理包括坐标数据即手部设备的前端、后端和目标点的三维坐标,且前端、后端和目标点的三维坐标记为X、Y、Z,剔除缺失X、Y、Z坐标信息的数据。
其中,所述S3中分析指向角度以及指向目标落点作为特征。
其中,所述分析指向角度特征信息为计算以后端坐标为角顶点,前端与后端连线与目标点与后端连线的夹角。
其中,所述指向目标落点特征信息为计算前端与后端连线与目标点与后端连线垂直切面的交点的拟合区域。
其中,所述S4中的神经网络模型包括以下数据:
S401,使用了五层全连接神经网络;S402,使用实验收集的12000条数据作为训练集,2000条数据作为测试集;S403,隐含层激活函数为relu函数;S404,输出层激活函数为softmax函数;S405,损失函数为交叉熵损失函数。
与相关技术相比较,本发明提供的一种基于现实空间的指向性区域划分技术方法具有如下有益效果:
本发明提供,通过分析用户真实的指向性选择任务所映射的空间热区,并结合上下文信息的主动区域划分策略,通过对区域的合理划分,使用户可以自然的进行指向性操作,用户只需要指向设备的区域就可以选中设备进行操。
本发明提供,用深度学习的方法来处理手部抖动数据、采集点位置坐标信息、对映射点进行区间聚类,对区间范围进行预测分析,与现有的技术相比,提高了交互的自然性、准确性、智能性,也使得整个指向性选择系统的可靠性得以提升。
附图说明
图1为本发明整体详细步骤图示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例中,一种基于现实空间的指向性区域划分技术方法,由图1给出,包括以下步骤:
步骤S1,使用optitrack动捕镜头以及motive软件记录用户进行指向性任务时的空间坐标数据,以获取进行指向任务的反馈数据;
步骤S2,提取原始数据中目标端坐标,以及指向端坐标,对所提取的特征进行数据预处理;
步骤S3,对指向角度范围、指向落点与目标距离进行权重分析;
步骤S4,将期望及协方差矩阵权重值作为输入,对应的区域划分作为输出的神经网络模型,经过神经网络模型输出后,得到了基于指向分布的区域划分算法;
步骤S5,利用该算法提出基于指向性操作的空间划分技术,根据周围设备实时进行区域划分,方便用户进行指向性交互。
其中,S1中对于单点指向数据记录2000条、多点指向数据记录2000条以及手部抖动的数据记录10000条。
其中,S2中预处理包括坐标数据即手部设备的前端、后端和目标点的三维坐标,且前端、后端和目标点的三维坐标记为X、Y、Z,剔除缺失X、Y、Z坐标信息的数据。
其中,S3中分析指向角度以及指向目标落点作为特征,分析指向角度特征信息为计算以后端坐标为角顶点,前端与后端连线与目标点与后端连线的夹角,指向目标落点特征信息为计算前端与后端连线与目标点与后端连线垂直切面的交点的拟合区域。
其中,S4中的神经网络模型包括以下数据:
S401,使用了五层全连接神经网络;S402,使用实验收集的12000条数据作为训练集,2000条数据作为测试集;S403,隐含层激活函数为relu函数;S404,输出层激活函数为softmax函数;S405,损失函数为交叉熵损失函数
具体的,步骤一,使用optitrack动捕镜头以及motive软件记录用户进行指向性任务时的空间坐标数据,以获取进行指向任务的反馈数据,其中对于单点指向数据记录2000条、多点指向数据记录2000条以及手部抖动的数据记录10000条;
步骤二,提取原始数据中目标端坐标,以及指向端坐标,对所提取的特征进行数据预处理,其中预处理包括:坐标数据即手部设备的前端、后端和目标点的三维坐标,且前端、后端和目标点的三维坐标记为X、Y、Z,剔除缺失X、Y、Z坐标信息的数据;
步骤三,对指向角度范围、指向落点与目标距离进行权重分析,分析指向角度以及指向目标落点作为特征,分析指向角度特征信息为计算以后端坐标为角顶点,前端与后端连线与目标点与后端连线的夹角,指向目标落点特征信息为计算前端与后端连线与目标点与后端连线垂直切面的交点的拟合区域,其中A表示指向端到目标的距离,θ表示指向夹角,
因为(1)所有端点集都通过了X轴和Y轴的正态性检验,即X和Y都是正态分布的,以及(2)假设两个变量X和Y是独立的可能是合理的,因为其中任何一个变量的出现都不可能影响另一个变量的出现概率。因此,指向选择的端点分布很可能遵循二元高斯函数:
二元高斯分布期望为μ,协方差矩阵为∑;
将期望及协方差矩阵权重值作为输入,对应的区域划分作为输出的神经网络模型,经过神经网络模型输出后,得到了基于指向分布的区域划分算法,关于神经网络模型的介绍如下:(1)使用了五层全连接神经网络;(2)使用实验收集的12000条数据作为训练集,2000条数据作为测试集;(3)隐含层激活函数为relu函数;(4)输出层激活函数为softmax函数;(5)损失函数为交叉熵损失函数。
步骤五,根据以上所得出的区域划分技术,我们设计了基于用户基于指向性操作的空间划分技术,最终的目标是实现一种利用设备映射合理响应空间而非需要精确指向选择设备即可来完成操作的自然交互方式,并且通过合理的空间划分解决用户进行无光标指向任务时因手部抖动以及设备间位置干扰无法高效完成操作的问题。
综上所述,对于UWB指向技术相关的应用还属于探索阶段,是对少数设备之间互联的简单利用,并未对未来接入设备量增长后空间拥挤及选择准确性的影响给出解决方案,对于设备的空间映射区间没有进行合理设计和规范化,对于用户而言,需要对指向性选择的易用性和操作感上做出巨大妥协,而本技术是通过分析用户真实的指向性选择任务所映射的空间热区,并结合上下文信息的主动区域划分策略,通过对区域的合理划分,使用户可以自然的进行指向性操作,用户只需要指向设备的区域就可以选中设备进行操作:
本方法中运用深度学习的方法来处理手部抖动数据、采集点位置坐标信息、对映射点进行区间聚类,对区间范围进行预测分析,与现有的技术相比,提高了交互的自然性、准确性、智能性,也使得整个指向性选择系统的可靠性得以提升。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于现实空间的指向性区域划分技术方法,其特征在于,包括以下步骤:
步骤S1,使用optitrack动捕镜头以及motive软件记录用户进行指向性任务时的空间坐标数据,以获取进行指向任务的反馈数据;
步骤S2,提取原始数据中目标端坐标,以及指向端坐标,对所提取的特征进行数据预处理;
步骤S3,对指向角度范围、指向落点与目标距离进行权重分析;
步骤S4,将期望及协方差矩阵权重值作为输入,对应的区域划分作为输出的神经网络模型,经过神经网络模型输出后,得到了基于指向分布的区域划分算法;
步骤S5,利用该算法提出基于指向性操作的空间划分技术,根据周围设备实时进行区域划分,方便用户进行指向性交互。
2.根据权利要求1所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述S1中对于单点指向数据记录2000条、多点指向数据记录2000条以及手部抖动的数据记录10000条。
3.根据权利要求1所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述S2中预处理包括坐标数据即手部设备的前端、后端和目标点的三维坐标,且前端、后端和目标点的三维坐标记为X、Y、Z,剔除缺失X、Y、Z坐标信息的数据。
4.根据权利要求1所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述S3中分析指向角度以及指向目标落点作为特征。
5.根据权利要求4所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述分析指向角度特征信息为计算以后端坐标为角顶点,前端与后端连线与目标点与后端连线的夹角。
6.根据权利要求4所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述指向目标落点特征信息为计算前端与后端连线与目标点与后端连线垂直切面的交点的拟合区域。
7.根据权利要求1所述的一种基于现实空间的指向性区域划分技术方法,其特征在于,所述S4中的神经网络模型包括以下数据:
S401,使用了五层全连接神经网络;S402,使用实验收集的12000条数据作为训练集,2000条数据作为测试集;S403,隐含层激活函数为relu函数;S404,输出层激活函数为softmax函数;S405,损失函数为交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143031.9A CN113873437B (zh) | 2021-09-28 | 2021-09-28 | 一种基于现实空间的指向性区域划分技术方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143031.9A CN113873437B (zh) | 2021-09-28 | 2021-09-28 | 一种基于现实空间的指向性区域划分技术方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113873437A CN113873437A (zh) | 2021-12-31 |
CN113873437B true CN113873437B (zh) | 2022-09-16 |
Family
ID=78992049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143031.9A Active CN113873437B (zh) | 2021-09-28 | 2021-09-28 | 一种基于现实空间的指向性区域划分技术方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113873437B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10759052B2 (en) * | 2017-07-28 | 2020-09-01 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Method and apparatus for robotic launch and capture of a UAV |
CN111931670B (zh) * | 2020-08-14 | 2024-05-31 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
CN112396887B (zh) * | 2020-10-26 | 2022-01-11 | 华中科技大学 | 基于声源定位和面部检测的pbl课堂记录方法和系统 |
-
2021
- 2021-09-28 CN CN202111143031.9A patent/CN113873437B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113873437A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Hybrid first and second order attention Unet for building segmentation in remote sensing images | |
CN112925989B (zh) | 一种属性网络的群体发现方法及系统 | |
CN110531313A (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN108831161A (zh) | 一种基于无人机的交通流量监测方法、智能系统及数据集 | |
CN110348288A (zh) | 一种基于77GHz毫米波雷达信号的手势识别方法 | |
Jiang et al. | Hyperspectral image classification with spatial consistence using fully convolutional spatial propagation network | |
CN106355604A (zh) | 图像目标跟踪方法与系统 | |
CN111414953A (zh) | 点云分类方法和装置 | |
CN114509785A (zh) | 三维物体检测方法、装置、存储介质、处理器及系统 | |
CN113133022B (zh) | 一种基于构建mimo多径的下载速率提升方法和系统 | |
CN110163294A (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN112580479A (zh) | 一种基于空洞卷积神经网络的地磁式室内定位系统 | |
CN106447698A (zh) | 一种基于距离传感器的多行人跟踪方法和系统 | |
CN113378691B (zh) | 基于实时用户行为分析的智能家居管理系统及方法 | |
CN114724021A (zh) | 一种数据的识别方法、装置、存储介质及电子装置 | |
CN113873437B (zh) | 一种基于现实空间的指向性区域划分技术方法 | |
Yue et al. | Simulation and prediction of land use change in Dongguan of China based on ANN cellular automata-Markov chain model | |
Ikram et al. | Real time hand gesture recognition using leap motion controller based on CNN-SVM architechture | |
Wen et al. | Application of improved YOLOv7-based sugarcane stem node recognition algorithm in complex environments | |
Zhang et al. | Three-dimensional branch segmentation and phenotype extraction of maize tassel based on deep learning | |
CN112995902B (zh) | 一种远距离广域网定位方法、装置、设备及存储介质 | |
Ayinla et al. | SALLoc: An Accurate Target Localization In Wifi-Enabled Indoor Environments Via Sae-Alstm | |
Wang et al. | A lightweight high-resolution RS image road extraction method combining multi-scale and attention mechanism | |
CN112633376A (zh) | 基于深度学习的点云数据地物分类方法、系统与存储介质 | |
Hossain et al. | Prediction of Flood in Bangladesh using different classifier model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |