基于Leap Motion手勢(shì)識(shí)別的多自由度機(jī)器人控制技術(shù)研究.pdf

1、隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，人與物之間的交互活動(dòng)日益頻繁，利用很自然的方式——人的手勢(shì)動(dòng)作，去與物進(jìn)行連接，用簡單的手勢(shì)動(dòng)作代替紛繁復(fù)雜的操作與機(jī)器人進(jìn)行交互，而基于光學(xué)的手勢(shì)識(shí)別已成為研究熱點(diǎn)，為利用Leap Motion進(jìn)行手勢(shì)識(shí)別、多自由度機(jī)器人控制技術(shù)研究提供了可能。本文主要包括兩個(gè)部分：一是手勢(shì)識(shí)別算法的研究，二是利用識(shí)別到的手勢(shì)動(dòng)作實(shí)現(xiàn)機(jī)器人的控制，讓機(jī)器人執(zhí)行特定的動(dòng)作。主要研究工作如下：
　　(1)分析了各種體感傳感

2、器的優(yōu)缺點(diǎn)，選用Leap Motion作為本文的傳感器，分析了國內(nèi)外的手勢(shì)識(shí)別算法，最終確定用機(jī)器學(xué)習(xí)的方法對(duì)手勢(shì)動(dòng)作識(shí)別進(jìn)行研究。
　　(2)對(duì)于靜態(tài)手勢(shì)動(dòng)作，提出了基于虛擬球半徑和基于力度值兩種特征。利用提出的k-meansplus算法求出特征閾值ST：基于虛擬球半徑的手勢(shì)識(shí)別，握拳動(dòng)作的ST1=45.57315，伸展動(dòng)作的ST2=58.8543?；诹Χ戎档氖謩?shì)識(shí)別，握拳動(dòng)作的ST3=0.805725，伸展動(dòng)作的ST4=0.

3、126575。相比于k-means算法，k-meansplus算法在基于虛擬球半徑特征中，握拳手勢(shì)動(dòng)作正確率提高16％，伸展手勢(shì)動(dòng)作正確率提高13%。基于力度值的特征中，握拳手勢(shì)動(dòng)作正確率提高41%，伸展手勢(shì)動(dòng)作正確率提高12%。
　　(3)對(duì)于手指數(shù)量識(shí)別，一是利用k-meansplus算法對(duì)圖像進(jìn)行了二分類，分類效果好。二是基于骨骼模型識(shí)別手指數(shù)量，五個(gè)手指伸出與彎曲關(guān)節(jié)點(diǎn)信息不同，通過給伸出手指分配密鑰的方式，實(shí)時(shí)檢測(cè)動(dòng)態(tài)密

4、鑰數(shù)組ArrayList的長度，數(shù)組長度就是手指的數(shù)量。
　　(4)對(duì)于動(dòng)態(tài)手勢(shì)識(shí)別問題，采用HMM，通過EM迭代求出最優(yōu)參數(shù)prior(2n)、transmat(2n)、obmat(2n)，利用最大對(duì)數(shù)似然的方法確定出手勢(shì)動(dòng)作所屬的類別，對(duì)Roll、Yaw、Pitch手勢(shì)動(dòng)作進(jìn)行測(cè)試，取得了較高的識(shí)別率。
　　(5)對(duì)于相似的手勢(shì)動(dòng)作，使用引入松弛變量?和懲罰因子C的SVM，測(cè)試不同懲罰因子C在不同的核函數(shù)下各自的識(shí)別率，

5、得出選擇高斯核函數(shù)作為本文的手勢(shì)識(shí)別SVM方法的核函數(shù)，并且在其它相似手勢(shì)動(dòng)作提前不知道是否線性可分的情況下，優(yōu)先選用高斯核函數(shù)。
　　(6)設(shè)計(jì)與開發(fā)了手勢(shì)識(shí)別系統(tǒng)，對(duì)手勢(shì)動(dòng)作進(jìn)行測(cè)試，體現(xiàn)了系統(tǒng)具有實(shí)時(shí)性、識(shí)別手勢(shì)動(dòng)作多樣性、識(shí)別率高、快速性等特點(diǎn)。
　　(7)設(shè)計(jì)與開發(fā)了多自由度機(jī)器人控制系統(tǒng)，將識(shí)別的手勢(shì)動(dòng)作應(yīng)用于機(jī)器人的控制中，進(jìn)行了搬運(yùn)物體測(cè)試，完全依靠手勢(shì)動(dòng)作完成了機(jī)器人的控制，真正實(shí)現(xiàn)了人與機(jī)器人之間的人機(jī)交