CN208569551U - 一种基于手势识别手套的可学习数据采集系统 - Google Patents
一种基于手势识别手套的可学习数据采集系统 Download PDFInfo
- Publication number
- CN208569551U CN208569551U CN201821049409.2U CN201821049409U CN208569551U CN 208569551 U CN208569551 U CN 208569551U CN 201821049409 U CN201821049409 U CN 201821049409U CN 208569551 U CN208569551 U CN 208569551U
- Authority
- CN
- China
- Prior art keywords
- pins
- pin
- chip microcontroller
- connect
- data
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于手势识别手套的可学习数据采集系统涉及可穿戴智能设备领域。目前光学式动作捕捉精度高,但成本高,且受场地限制;惯性式动作捕捉单一的加速度传感器数据无法保证高精。本系统解决以上问题,包括九轴姿态传感器、弯曲度传感器、外围模数转换电路、单片机、蓝牙芯片和上位机,弯曲度传感器为多个,多个弯曲传感器设置于手套上五个手指上;弯曲度传感器与所述外围模数转换电路电性连接,外围模数转换电路与单片机电性连接,九轴姿态传感器与单片机电性连接,单片机与蓝牙芯片电性连接,蓝牙芯片与上位机连接。
Description
技术领域
本实用新型涉及可穿戴智能设备,具体涉及一种基于手势识别手套的可学习数据采集系统本实用新型本实用新型。
背景技术
目前主流的手语教学系统是通过摄像机等设备捕获使用者手势状态,通过识别手部轮廓或使用者手部标记的高亮点对手势进行识别。这种方法一般对环境光要求较高,且需要配备一定的摄像设备,使用相对不够便捷。由于人,手结构复杂动作灵活对于手势识别难度较高,且手语动作具有多义性,所以基于体感的手语识别设备较难取得突破性进展。
目前主流的体感游戏控制设备是通过手持传感器并配合按键来实现简单的游戏控制,如挥舞,打击等动作,主要应用于VR游戏。这种方法只能检测整个传感器的移动状态,并不能实际的完成对于玩家手部动作的抓取与识别,无法更加真实的让玩家通过自身的动作完成游戏中抓取,各种手势的具体而复杂的动作。
机械手臂是近几十年发展起来一种高科技的自动化设备。当前机械臂的控制方式多为通过操作杆或按键进行控制,或对机械臂进行编程以实现自动控制,但传统的机械手臂控制方式效率低,在一些特定领域进行较细致的操作时会有诸多不便。体感技术作为一种高效的人机交互方式,区别于按键和触摸等传统的交互方式,体感技术提升了操作的直观性、准确性、灵活性。目前的体感技术主要分为光学式和惯性式动作捕捉两类,光学式动作捕捉精度高,但成本高,且受场地限制;早期的惯性式动作捕捉主要采用加速度传感器采集人体动作数据,但单一的加速度传感器数据无法保证高精。随着更多微型化、低功耗电子器件的大幅发展,积极促进了可穿戴设备的研究及其可行性。
发明内容
本实用新型为了解决上述问题提供一种基于九轴姿态传感器模块和弯曲度传感器的可穿戴手语教学系统,成本低且数据高精。
本实用新型通过以下技术方案来实现上述目的:
一种基于手势识别手套的可学习数据采集系统,其特征在于:包括九轴姿态传感器、弯曲度传感器、外围模数转换电路、单片机、蓝牙芯片和上位机,弯曲度传感器为多个,多个弯曲传感器设置于手套上五个手指上;
所述弯曲度传感器与所述外围模数转换电路电性连接,所述外围模数转换电路与所述单片机电性连接,所述九轴姿态传感器与所述单片机电性连接,所述单片机与所述蓝牙芯片电性连接,所述蓝牙芯片与上位机连接。
进一步,包括一个STM32F103单片机、三个LM358芯片,一个HC-05蓝牙模块,一个JY-901九轴姿态传感器模块,五个弯曲传感器和五个电阻构成;第一个弯曲传感器的一端接Vin1,另一端接LM358-1的3管脚(正极)和分压电阻r1的一端;电阻r1的另一端接LM358-1的4管脚(GND);LM358-1的1管脚(Vout1)接LM358-1的2管脚(负极),并接STM32F103单片机的PA1管脚;第二个弯曲传感器的一端接Vin2;另一端接LM358-1的8管脚(正极)和分压电阻r2的一端;电阻r2的另一端接LM358-1的4管脚(GND);LM358-1的6管脚(Vout2)接LM358-1的7管脚(负极),并接STM32F103单片机的PA2管脚;第三个弯曲传感器的一端接Vin3,另一端接LM358-2的3管脚(正极)和分压电阻r3的一端;电阻r3的另一端接LM358-2的4管脚(GND);LM358-2的1管脚(Vout3)接LM358-2的2管脚(负极),并接STM32F103单片机的PA3管脚;第四个弯曲传感器的一端接Vin4,另一端接LM358-2的3管脚(正极)和分压电阻r4的一端;电阻r4的另一端接LM358-2的4管脚(GND);LM358-2的6管脚(Vout4)接LM358-2的7管脚(负极),并接STM32F103单片机的PA4管脚;第五个弯曲传感器的一端接Vin5,另一端接LM358-3的3管脚(正极)和分压电阻r5的一端;电阻r5的另一端接LM358-3的4管脚(GND);LM358-3的1管脚(Vout5)接LM358-3的2管脚(负极),并接STM32F103单片机的PA5管脚;HC-05蓝牙模块的TX管脚接STM32F103单片机的PA9管脚;HC-05蓝牙模块的RX管脚接STM32F103单片机的PA10管脚;JY-901九轴姿态传感器模块的SCL管脚接STM32F103单片机的PB10管脚;JY-901九轴姿态传感器模块的SDA管脚接STM32F103单片机的PB11管脚;将STM32F103单片机、三个LM358芯片,HC-05蓝牙模块,JY-901九轴姿态传感器模块的VCC管脚,Vin1-Vin5全部接5V的直流电源;将STM32F103单片机、三个LM358芯片、HC-05蓝牙模块、JY-901九轴姿态传感器模块、五个弯曲传感器的GND管脚全部接共地端。
弯曲传感器和九轴姿态传感器共能提供17个特征数据;其中5项数据为手形数据,这五组数据的实际物理意义是手指的弯曲程度,其表达形式是电阻分压所体现出来的电压值,来自于5个弯曲传感器;12个位手的位置和方向数据,这12组数据分别为3组欧拉角数据,三组加速度数据,三组磁场以及三组陀螺仪,来自九轴姿态传感器;建立输出数据的特征库,由此确定输出的数据是哪种手势;将手势分为两类,一类是着重于手形的手势,另一类是着重于手的方向和位置的手势,在训练及识别的过程中,首先将输入的17个数据分为两部分,一部分为HS数据,既shap手型数据,指弯曲传感器输入电阻数据所代表的手指弯曲程度,另一部分为HP和HO数据,即方向数据position和位置数据orientation,指由九州姿态传感器所读取的12组相关数据;在训练过程中对所有的17个数据进行训练,建立HP&HO权值;在识别的过程中,将使用HS权值先识别输入的HS数据,识别之后得到输出数据,在特征库中进行对比,若发现其是着重于手形的手势,就会直接输出,若不属于,则再利用HP&HO权值进行识别。
其中训练过程为BP神经网络的学习训练过程,分为以下几个阶段:
(1)设置一个隐层;将输入层和隐层之间的连接权值设为Wij,将隐层和输出层之间的连接权值设为Wjk,随机给各个权值Wij和Wjk赋予一个初始权值,要求各权值互不相等,在(-1,1)之间取值;
(2)对样本集中每一个样本,确定网络的实际输出值Op;
(3)计算实际输出Op和相应的理想输出Yp之间的差;
(4)按极小误差方式调整权值;
(5)判断最大迭代次数是否大于一个预先给定的次数,没有达到则转至(2);
每组样本有m个数据,对于第p组样本,设输出值为ypj,实际输出值为Opj取其样本误差
由样本误差计算每一次迭代的偏置bp
在每次迭代中α为学习速率,应该在迭代的过程中逐渐减小;由以下算式得出学习速率
l为目前的迭代次数;
设定输入层节点数据结构为17维向量X[n],n=17;向量中的各个数据为归一化以后的结果,值域为[0,1];设置隐层节点个数,考虑最佳隐单元参考公式
k为样本数,n1为隐单元数,n为输入单元数,如果i>n1,
m为输出神经元数,a为1-10的常数;
n1=lbn
n为输入单元数;
lb是以2为底的对数。
进一步,所述蓝牙芯片为型号HC-05的蓝牙收发芯片。
进一步,所述九轴姿态传感器为型号JY-901的九轴姿态传感器。
进一步,所属单片机为型号STM32F1036单片机。
所述多个弯曲传感器设置于手套上五个手指的手背侧。
所述九轴姿态传感器设置于手背处。
所述单片机设置于手背处。
所述外围模数转换电路设置于手背处。
所述蓝牙模块设置于手背处。
所述弯曲度传感器用于测量佩戴者手指弯曲姿态信息。
所述九轴姿态传感器用于测量佩戴者手部及手臂关键运动姿态信息。
所述外围模数转换电路、单片机、蓝牙芯片,用于数据处理与传输。
所述手语数据库采用神经网络对传输数据进行识。
附图说明
图1为本实用新型一个具体实施例的结构示意图。
图中:①——⑤为五个弯曲度传感器,其中①较短,为5.80厘米,阻值的变化范围为9k~22k欧姆;②——⑤较长,为10.50厘米,阻值的变化范围为9k~22k欧姆。⑥为外围模数转换电路。⑦为STM32F103C8T6单片机。⑧为九轴姿态传感器(JY-901)。⑨为蓝牙传输模块(HC-05)。
图2为STM32F103C8T6单片机的电路原理图。
图3为模数转换电路。
图4为硬件工作流程。
图5为整体系统工作逻辑图。
图6为整体硬件连接电路图。
具体实施方式
以下结合附图和实施例对本实用新型的技术方案作进一步的解释,但是以下的内容不用于限定本实用新型的保护范围。
如图1所示,本实施例提供一种基于手势识别手套的可穿戴手语教学系统,包括手势识别手套模块①——⑤为五个弯曲度传感器,其中①较短,为5.80厘米,阻值的变化范围为9k~22k欧姆;②——⑤较长,为10.50厘米,阻值的变化范围为9k~22k欧姆。⑥为外围模数转换电路。⑦为STM32F103单片机。⑧为九轴姿态传感器(JY-901)。⑨为蓝牙传输模块(HC-05);其中:所述手势识别手套模块设有五个弯曲度传感器①——⑤以及九轴姿态传感器(JY-901)⑧用于采集佩戴者手势姿态及运动轨迹信息;所述外围模数转换电路⑨用于处理五个弯曲度传感器①——⑤输出电压值,并与单片机模块⑦进行数据传输;所述单片机⑦用于处理所述多个传感器采集的信息;所述蓝牙模块(HC-05)⑨与单片机⑦进行数据传输,并将数据发送给上位机。
本实施例中,数据库采用了BP网络进行手势的学习和识别。弯曲传感器和九轴姿态传感器共能提供17个特征数据。我们在系统中建立特征库,输入特征数据,训练BP网络,并用训练好的BP网络来识别和理解所要求识别的手势含义。
BP网络是一种多层前馈神经网络,网络由输入层、隐层和输出层节点组成,结构中每一神经元用一个节点表示,隐层可以是一层,也可以是多层,前层至后层节点之间通过连接权值相联结。BP神经网络学习时,输入信号从输入层经过隐层传向输出层(正向传播),若输出层得到期望的输出,则学习算法结束;否则,转至反向传播。反向传播就是将误差信号(样本输出与网络输出之差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值,使误差信号减小。
BP网络的传递函数要求必须是可微的,通常应用的有Sigmoid型对数。它具有如下形式:
其导数为:
由于传递函数是处处可微的,所以对于BP网络来说,一方面,所划分的区域不再是一个线性划分,而是由一个非线性超平面组成的区域,它是比较平滑的曲面,因而它的分类比线性划分更准确,容错性也比线性划分更好;另一方面,网络可以严格采用梯度下降法进行学习,权值修正的解析式也十分明确。
在本项目中,弯曲传感器和九轴姿态传感器共能提供17个特征数据。其中5项数据为手形(Hand Shape,HS)数据,来自于5个弯曲传感器;12个位手的位置(Hand Position,HP)和方向(Hand Orientation,HO)数据,来自九轴姿态传感器。我们将在系统中建立输出数据的特征库,由此确定输出的数据是哪种手势。我们将手势分为两类,一类是着重于手形的手势,例如数字1-10,这类手势在实际生活中应用最广,只需要手形即可理解,手的方向和位置属于无效信息。另一类是着重于手的方向和位置的手势,例如一些复杂的手语。考虑到在实际应用中两类手势几乎没有重叠,在训练及识别的过程中,首先将输入的17个数据分为两部分,一部分为HS数据,另一部分为HP和HO数据,针对着重手形的手势只需针对HS数据进行训练,建立HS权值,针对着重手的方向和位置的手势,需要在训练过程中对所有的17个数据进行训练,建立HP&HO权值。在识别的过程中,将使用HS权值先识别输入的HS数据,识别之后得到输出数据,在特征库中进行对比,若发现其是着重于手形的手势,就会直接输出,若不属于,则再利用HP&HO权值进行识别,以此来简化识别过程,降低识别难度,加快识别速率。
BP神经网络的学习训练过程分为以下几个阶段。
(6)本项目中设置一个隐层。将输入层和隐层之间的连接权值设为Wij,将隐层和输出层之间的连接权值设为Wjk,随机给各个权值Wij和Wjk赋予一个初始权值,要求各权值互不相等,且都为一较小的非零数,可在(-1,
1)之间取值。
(7)对样本集中每一个样本,确定网络的实际输出值Op。
(8)计算实际输出Op和相应的理想输出Yp之间的差。
(9)按极小误差方式调整权值。
(10)判断最大迭代次数是否大于一个预先给定的次数,没有达到则转至
(2)。
其中第(1)(2)称为向前传播阶段,第(3)(4)为向后传播阶段,两个阶段的工作一般应受到精度要求的控制,设每组样本有m个数据,对于第p组样本,设输出值为ypj,实际输出值为opj可取其样本误差
由样本误差可以计算每一次迭代的偏置bp
在每次迭代中α为学习速率,应该在迭代的过程中逐渐减小。在本项目中,针对着重手形的手势的训练,因为数据量较小,可以将学习速率的下降可以更慢一些,以达到较为准确的输出。针对着重手的方向和位置的手势,可以将学习速率的下降可以较快。因此可以由以下算式得出学习速率
l为目前的迭代次数。
本系统中设定输入层节点数据结构为17维向量X[n],n=17。向量中的各个数据为归一化以后的结果,值域为[0,1]。设置隐层节点个数,可以考虑最佳隐单元参考公式
k为样本数,n1为隐单元数,n为输入单元数,如果i>n1,
m为输出神经元数,a为1—10的常数。
n1=lbn
n为输入单元数。
lb是以2为底的对数。
在本实施例中,数据分析采用了MLLR算法,从手套上的数据传感器中我们可以得到左手手形(Left Hand Shape,LHS)、左手位置(Left Hand Position,LHP)、左手方向(Left Hand Orientation,LHO)、右手手形(Right Hand Shape,RHS)、右手位置(RightHand Position,RHP)、右手方向(Right Hand Orientation,RHO)。将传送的一个数据集定义为一个样本,例如S1={LHS1,LHP1,LHO1},S2={RHS1,RHP1,RHO1}。通常一段手语由多个动作组成,每一个动作可以视为一个“词根”。因此我们可以将手语词汇分解为一个一个“词根”,获得手语的码本数据,这样可以大大减少识别样本的数量。手套传输的数据是多数据流的时序信号,不同数据流之间相关性较小,同一数据流之内相关性较强,因此可以将手语数据划分为多个数据流,每个数据流即为某一个传感器连续发送的信号,需要对每个手语词根训练一个连续HMM,然后对这些HMM的状态进行聚类,经过多数据流的均值聚类之后,不同的两个手语词样本的相似片段会被划分为同一类,这样就可以使用部分手语词数据得到全部手语词的码本数据。
经过以上步骤的可以得到手语的模型库,我们将其称为非特定人模型。但是个体手语数据存在差异,因而对同一词汇采集到的手语数据也存在差别,我们将其称为特定人数据。这个时候我们需要用户输入一定的自适应数据来调整已有的模型库。MLLR算法利用训练充分的非特定人模型和少量的特定人数据,以最大似然准则对初始模型参数进行调整,使得新的模型产生这些数据的概率最大。MLLR算法通过计算一组变换矩阵来减少初始模型参数同自适应数据之间的差异,变换矩阵的作用在于能够将初始模型混合成分的均值进行变换,使得变换后的模型能够产生自适应数据的概率更大。
如果W代表一个n×(n+1)的变换矩阵(n代表特征数据维数),用ξ代表初始模型混合成分的扩展均值向量,则自适应后的均值μ为
μ=Wξ
其中ξ=(μ1,μ2,μ3,......μn,ω)T,ω是常数1。
电路由一个STM32F103单片机、三个LM358芯片,一个HC-05蓝牙模块,一个JY-901九轴姿态传感器模块,五个弯曲传感器和五个电阻构成。第一个弯曲传感器的一端接Vin1,另一端接LM358-1的3管脚(正极)和分压电阻r1的一端;电阻r1的另一端接LM358-1的4管脚(GND);LM358-1的1管脚(Vout1)接LM358-1的2管脚(负极),并接STM32F103单片机的PA1管脚。第二个弯曲传感器的一端接Vin2;另一端接LM358-1的8管脚(正极)和分压电阻r2的一端;电阻r2的另一端接LM358-1的4管脚(GND);LM358-1的6管脚(Vout2)接LM358-1的7管脚(负极),并接STM32F103单片机的PA2管脚。第三个弯曲传感器的一端接Vin3,另一端接LM358-2的3管脚(正极)和分压电阻r3的一端;电阻r3的另一端接LM358-2的4管脚(GND);LM358-2的1管脚(Vout3)接LM358-2的2管脚(负极),并接STM32F103单片机的PA3管脚。第四个弯曲传感器的一端接Vin4,另一端接LM358-2的3管脚(正极)和分压电阻r4的一端;电阻r4的另一端接LM358-2的4管脚(GND);LM358-2的6管脚(Vout4)接LM358-2的7管脚(负极),并接STM32F103单片机的PA4管脚。第五个弯曲传感器的一端接Vin5,另一端接LM358-3的3管脚(正极)和分压电阻r5的一端;电阻r5的另一端接LM358-3的4管脚(GND);LM358-3的1管脚(Vout5)接LM358-3的2管脚(负极),并接STM32F103单片机的PA5管脚。HC-05蓝牙模块的TX管脚接STM32F103单片机的PA9管脚;HC-05蓝牙模块的RX管脚接STM32F103单片机的PA10管脚。JY-901九轴姿态传感器模块的SCL管脚接STM32F103单片机的PB10管脚;JY-901九轴姿态传感器模块的SDA管脚接STM32F103单片机的PB11管脚。将STM32F103单片机、三个LM358芯片,HC-05蓝牙模块,JY-901九轴姿态传感器模块的VCC管脚,Vin1-Vin5全部接5V的直流电源。
从手套上的数据传感器中我们可以得到左手手形(Left Hand Shape,LHS)、左手位置(Left Hand Position,LHP)、左手方向(Left Hand Orientation,LHO)、右手手形(Right Hand Shape,RHS)、右手位置(Right Hand Position,RHP)、右手方向(Right HandOrientation,RHO)。将传送的一个数据集定义为一个样本,传统的数据集中会将左右手的同类型数据放在一个样本中,但是手语中两只手的动作差距较大,因此将左右手的数据分别放置于两个数据集中,使得这个数据集在后期处理中更加适用于手语翻译和手势识别,例如S1={LHS1,LHP1,LHO1},S2={RHS1,RHP1,RHO1}。通常一段手语由多个动作组成,每一个动作可以视为一个“词根”。因此我们可以将手语词汇分解为一个一个“词根”,获得手语的码本数据,这样可以大大减少识别样本的数量。手套传输的数据是多数据流的时序信号,不同数据流之间相关性较小,同一数据流之内相关性较强,因此可以将手语数据划分为多个数据流,每个数据流即为某一个传感器连续发送的信号,需要对每个手语词根训练一个连续HMM,然后对这些HMM的状态进行聚类,经过多数据流的均值聚类之后,不同的两个手语词样本的相似片段会被划分为同一类,这样就可以使用部分手语词数据得到全部手语词的码本数据。
经过以上步骤的可以得到手语的模型库,我们将其称为非特定人模型。但是个体手语数据存在差异,每个人手的大小、手臂长短粗细、身体高矮胖瘦和打手语时动作幅度、位置、风格、手型变换频率等存在差别,因而对同一词汇采集到的手语数据也存在差别,我们将其称为特定人数据。这个时候我们需要用户输入一定的自适应数据来调整已有的模型库。MLLR算法利用训练充分的非特定人模型和少量的特定人数据,以最大似然准则对初始模型参数进行调整,使得新的模型产生这些数据的概率最大。MLLR算法通过计算一组变换矩阵来减少初始模型参数同自适应数据之间的差异,变换矩阵的作用在于能够将初始模型混合成分的均值进行变换,使得变换后的模型能够产生自适应数据的概率更大。
如果W代表一个n×(n+1)的变换矩阵(n代表特征数据维数),用ξ代表初始模型混合成分的扩展均值向量,则自适应后的均值μ为
μ=Wξ
其中ξ=(μ1,μ2,μ3,......μn,ω)T,ω是常数1。
为得到变换矩阵的鲁棒估计,MLLR将均值向量进行捆绑。共享同一变换矩阵的均值集合称为一个回归类,相似的回归类继续捆绑,逐渐形成一个以回归类为节点的回归类树。自适应时根据自适应数据的数量决定在回归类树的哪一层级进行自适应:在数据较少时,在回归树的接近根部的层级进行自适应;在数据较多时,在回归树的接近叶节点的层级进行自适应。对于一个特定的变换矩阵Wm,被对应的R个混合成分{m1,m2,......mn}共享,通过期望最大化算法可得
其中为t时刻mr成分的似然值。通过求解此式,可以计算得到变换矩阵Wm,从而对非特定人模型进行参数变换。
Claims (2)
1.一种基于手势识别手套的可学习数据采集系统,其特征在于:包括九轴姿态传感器、弯曲度传感器、外围模数转换电路、单片机、蓝牙芯片和上位机,弯曲度传感器为多个,多个弯曲传感器设置于手套上五个手指上;
所述弯曲度传感器与所述外围模数转换电路电性连接,所述外围模数转换电路与所述单片机电性连接,所述九轴姿态传感器与所述单片机电性连接,所述单片机与所述蓝牙芯片电性连接,所述蓝牙芯片与上位机连接。
2.根据权利要求1所述的系统,其特征在于:
包括一个STM32F103单片机、三个LM358芯片,一个HC-05蓝牙模块,一个JY-901九轴姿态传感器模块,五个弯曲传感器和五个电阻构成;第一个弯曲传感器的一端接Vin1,另一端接LM358-1的3管脚和分压电阻r1的一端;电阻r1的另一端接LM358-1的4管脚;LM358-1的1管脚接LM358-1的2管脚,并接STM32F103单片机的PA1管脚;第二个弯曲传感器的一端接Vin2;另一端接LM358-1的8管脚和分压电阻r2的一端;电阻r2的另一端接LM358-1的4管脚;LM358-1的6管脚接LM358-1的7管脚,并接STM32F103单片机的PA2管脚;第三个弯曲传感器的一端接Vin3,另一端接LM358-2的3管脚和分压电阻r3的一端;电阻r3的另一端接LM358-2的4管脚;LM358-2的1管脚接LM358-2的2管脚,并接STM32F103单片机的PA3管脚;第四个弯曲传感器的一端接Vin4,另一端接LM358-2的3管脚和分压电阻r4的一端;电阻r4的另一端接LM358-2的4管脚;LM358-2的6管脚接LM358-2的7管脚,并接STM32F103单片机的PA4管脚;第五个弯曲传感器的一端接Vin5,另一端接LM358-3的3管脚和分压电阻r5的一端;电阻r5的另一端接LM358-3的4管脚;LM358-3的1管脚接LM358-3的2管脚,并接STM32F103单片机的PA5管脚;HC-05蓝牙模块的TX管脚接STM32F103单片机的PA9管脚;HC-05蓝牙模块的RX管脚接STM32F103单片机的PA10管脚;JY-901九轴姿态传感器模块的SCL管脚接STM32F103单片机的PB10管脚;JY-901九轴姿态传感器模块的SDA管脚接STM32F103单片机的PB11管脚;将STM32F103单片机、三个LM358芯片,HC-05蓝牙模块,JY-901九轴姿态传感器模块的VCC管脚,Vin1-Vin5全部接5V的直流电源;将STM32F103单片机、三个LM358 芯片、HC-05蓝牙模块、JY-901九轴姿态传感器模块、五个弯曲传感器的GND管脚全部接共地端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201821049409.2U CN208569551U (zh) | 2018-07-04 | 2018-07-04 | 一种基于手势识别手套的可学习数据采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201821049409.2U CN208569551U (zh) | 2018-07-04 | 2018-07-04 | 一种基于手势识别手套的可学习数据采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN208569551U true CN208569551U (zh) | 2019-03-01 |
Family
ID=65491107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201821049409.2U Expired - Fee Related CN208569551U (zh) | 2018-07-04 | 2018-07-04 | 一种基于手势识别手套的可学习数据采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN208569551U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664129A (zh) * | 2018-07-04 | 2018-10-16 | 北京工业大学 | 一种基于手势识别手套的可学习数据采集系统及实现方法 |
CN112971773A (zh) * | 2021-03-12 | 2021-06-18 | 哈尔滨工业大学 | 基于手掌弯曲信息的人手运动模式识别系统 |
-
2018
- 2018-07-04 CN CN201821049409.2U patent/CN208569551U/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664129A (zh) * | 2018-07-04 | 2018-10-16 | 北京工业大学 | 一种基于手势识别手套的可学习数据采集系统及实现方法 |
CN112971773A (zh) * | 2021-03-12 | 2021-06-18 | 哈尔滨工业大学 | 基于手掌弯曲信息的人手运动模式识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Dynamic hand gesture recognition based on signals from specialized data glove and deep learning algorithms | |
CN109079794B (zh) | 一种基于人体姿态跟随的机器人控制与示教方法 | |
CN108664129A (zh) | 一种基于手势识别手套的可学习数据采集系统及实现方法 | |
CN208569551U (zh) | 一种基于手势识别手套的可学习数据采集系统 | |
Diliberti et al. | Real-time gesture recognition using 3D sensory data and a light convolutional neural network | |
CN107346207B (zh) | 一种基于隐马尔科夫模型的动态手势切分识别方法 | |
CN105919599B (zh) | 基于磁传感器的手指运动检测识别系统及方法 | |
Alam et al. | Trajectory-based air-writing character recognition using convolutional neural network | |
CN112883922B (zh) | 基于CNN-BiGRU神经网络融合的手语识别方法 | |
Sooai et al. | Comparison of recognition accuracy on dynamic hand gesture using feature selection | |
Liu et al. | Real-time robotic mirrored behavior of facial expressions and head motions based on lightweight networks | |
CN109857322A (zh) | 一种基于安卓的画笔宽度控制方法和装置 | |
JP6623366B1 (ja) | 経路認識方法、経路認識装置、経路認識プログラム、及び経路認識プログラム記録媒体 | |
CN116469173A (zh) | 基于多层次特征提取的多样化人体运动预测系统及方法 | |
CN111240485A (zh) | 基于Kinect骨骼信息的篮球裁判手势识别的方法 | |
CN108255303B (zh) | 一种基于自制数据手套的手势识别方法 | |
Chen et al. | A fusion recognition method based on multifeature hidden markov model for dynamic hand gesture | |
CN114663982B (zh) | 一种基于多特征融合的人手轨迹预测与意图识别方法 | |
CN116030499A (zh) | 一种基于机器视觉和深度学习的手部活动记录系统 | |
CN116543452A (zh) | 手势识别、手势交互方法及装置 | |
CN112102358B (zh) | 一种无侵入动物行为特征观测方法 | |
CN111230872B (zh) | 一种基于多传感器的物体递交意图识别系统及方法 | |
CN113869255A (zh) | 一种基于四元数的空中笔势识别方法 | |
CN112507940A (zh) | 一种基于差分指导表示学习网络的骨骼动作识别方法 | |
Bandyopadhyay | a study on Indian sign language recognition using deep learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190301 Termination date: 20210704 |
|
CF01 | Termination of patent right due to non-payment of annual fee |