基于Leap Motion的動(dòng)態(tài)手勢(shì)識(shí)別研究.pdf

1、在過去的數(shù)十年里鼠標(biāo)和鍵盤一直都是人與計(jì)算機(jī)交互的主要工具，人們已經(jīng)熟練掌握并很好的利用這些工具。但是隨著多媒體技術(shù)的快速發(fā)展，這種傳統(tǒng)的人與計(jì)算機(jī)交互工具已經(jīng)越來(lái)越難以滿足人們的交互需求。人們更多的希望能夠簡(jiǎn)單的通過手勢(shì)來(lái)實(shí)現(xiàn)與計(jì)算機(jī)的交流，從而使這種交互方式更加的方便快捷。所以對(duì)動(dòng)態(tài)手勢(shì)識(shí)別的研究在當(dāng)下有著重要的意義。
　　本文使用Leap公司最新研發(fā)的體感控制器-Leap Motion實(shí)時(shí)的采集操作人手指的坐標(biāo)，加速度，方向

2、等動(dòng)態(tài)手勢(shì)的運(yùn)動(dòng)信息。通過對(duì)采集到的動(dòng)態(tài)手勢(shì)數(shù)據(jù)信息進(jìn)行空間轉(zhuǎn)換和統(tǒng)一規(guī)格化等處理操作，使所有采集到的動(dòng)態(tài)手勢(shì)數(shù)據(jù)能夠在空間尺度上保持統(tǒng)一。緊接著對(duì)空間尺度統(tǒng)一的動(dòng)態(tài)手勢(shì)數(shù)據(jù)進(jìn)行手勢(shì)特征的提取。同一動(dòng)態(tài)手勢(shì)包含兩種手勢(shì)特征，分別為表示空間位置的坐標(biāo)特征和表示手勢(shì)運(yùn)動(dòng)方向的筆畫特征。本文通過Leap Motion對(duì)動(dòng)態(tài)手勢(shì)數(shù)據(jù)的采集和特征提取，共生成了2大組26小組共5200個(gè)手勢(shì)特征的動(dòng)態(tài)手勢(shì)特征數(shù)據(jù)庫(kù)。
　　本文中從兩個(gè)方向展開

3、了對(duì)動(dòng)態(tài)手勢(shì)識(shí)別的研究。首先，本文通過在HMM模型的基礎(chǔ)上對(duì)利用單個(gè)特征進(jìn)行的動(dòng)態(tài)手勢(shì)識(shí)別試驗(yàn)的結(jié)果和數(shù)據(jù)特點(diǎn)進(jìn)行總結(jié)，從而提出了一種基于HMM模型的雙通道模型。通過對(duì)本文規(guī)定的動(dòng)態(tài)手勢(shì)（26個(gè)英文字母的動(dòng)態(tài)手勢(shì)）數(shù)據(jù)的識(shí)別試驗(yàn)結(jié)果表明該方法對(duì)訓(xùn)練樣本的平均識(shí)別率為98.48％，對(duì)測(cè)試樣本的識(shí)別率為94.92％，此外每個(gè)手勢(shì)的平均識(shí)別時(shí)間為0.18s。其次，本文利用PM1K芯片作為動(dòng)態(tài)手勢(shì)識(shí)別的分類器搭建了一個(gè)動(dòng)態(tài)手勢(shì)識(shí)別系統(tǒng)，在這個(gè)芯

4、片內(nèi)部以硬件方式實(shí)現(xiàn)RBF算法。在動(dòng)態(tài)手勢(shì)識(shí)別試驗(yàn)中由于PM1K能夠?qū)崿F(xiàn)真正的并行運(yùn)算，所以其執(zhí)行識(shí)別的速度將會(huì)比軟件更具有優(yōu)勢(shì)。通過7組動(dòng)態(tài)手勢(shì)的識(shí)別試驗(yàn)結(jié)果表明該系統(tǒng)對(duì)120維特征的動(dòng)態(tài)手勢(shì)的識(shí)別能夠達(dá)到平均每0.001171s識(shí)別一個(gè)，且對(duì)試驗(yàn)數(shù)據(jù)的平均識(shí)別率達(dá)到96.57％?？偟膩?lái)說本文將一些新的工具應(yīng)用于動(dòng)態(tài)手勢(shì)識(shí)別的研究并從軟件和硬件方面進(jìn)行了研究，分別取得了識(shí)別精度和速度上的提升，對(duì)基于手勢(shì)的人機(jī)交互應(yīng)用有一定的使用價(jià)值。