基于Leap Motion手勢識別的多自由度機器人控制技術研究.pdf

1、隨著物聯(lián)網(wǎng)技術的快速發(fā)展，人與物之間的交互活動日益頻繁，利用很自然的方式——人的手勢動作，去與物進行連接，用簡單的手勢動作代替紛繁復雜的操作與機器人進行交互，而基于光學的手勢識別已成為研究熱點，為利用Leap Motion進行手勢識別、多自由度機器人控制技術研究提供了可能。本文主要包括兩個部分：一是手勢識別算法的研究，二是利用識別到的手勢動作實現(xiàn)機器人的控制，讓機器人執(zhí)行特定的動作。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，選用Leap Motion作為本文的傳感器，分析了國內(nèi)外的手勢識別算法，最終確定用機器學習的方法對手勢動作識別進行研究。
　　(2)對于靜態(tài)手勢動作，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識別，握拳動作的ST1=45.57315，伸展動作的ST2=58.8543?；诹Χ戎档氖謩葑R別，握拳動作的ST3=0.805725，伸展動作的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，握拳手勢動作正確率提高16％，伸展手勢動作正確率提高13%。基于力度值的特征中，握拳手勢動作正確率提高41%，伸展手勢動作正確率提高12%。
　　(3)對于手指數(shù)量識別，一是利用k-meansplus算法對圖像進行了二分類，分類效果好。二是基于骨骼模型識別手指數(shù)量，五個手指伸出與彎曲關節(jié)點信息不同，通過給伸出手指分配密鑰的方式，實時檢測動態(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)對于動態(tài)手勢識別問題，采用HMM，通過EM迭代求出最優(yōu)參數(shù)prior(2n)、transmat(2n)、obmat(2n)，利用最大對數(shù)似然的方法確定出手勢動作所屬的類別，對Roll、Yaw、Pitch手勢動作進行測試，取得了較高的識別率。
　　(5)對于相似的手勢動作，使用引入松弛變量?和懲罰因子C的SVM，測試不同懲罰因子C在不同的核函數(shù)下各自的識別率，

5、得出選擇高斯核函數(shù)作為本文的手勢識別SVM方法的核函數(shù)，并且在其它相似手勢動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)設計與開發(fā)了手勢識別系統(tǒng)，對手勢動作進行測試，體現(xiàn)了系統(tǒng)具有實時性、識別手勢動作多樣性、識別率高、快速性等特點。
　　(7)設計與開發(fā)了多自由度機器人控制系統(tǒng)，將識別的手勢動作應用于機器人的控制中，進行了搬運物體測試，完全依靠手勢動作完成了機器人的控制，真正實現(xiàn)了人與機器人之間的人機交