基于Leap Motion的動態(tài)手勢識別研究.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)的人與計算機(jī)交互工具已經(jīng)越來越難以滿足人們的交互需求。人們更多的希望能夠簡單的通過手勢來實(shí)現(xiàn)與計算機(jī)的交流，從而使這種交互方式更加的方便快捷。所以對動態(tài)手勢識別的研究在當(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)時的采集操作人手指的坐標(biāo)，加速度，方向

2、等動態(tài)手勢的運(yùn)動信息。通過對采集到的動態(tài)手勢數(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，使所有采集到的動態(tài)手勢數(shù)據(jù)能夠在空間尺度上保持統(tǒng)一。緊接著對空間尺度統(tǒng)一的動態(tài)手勢數(shù)據(jù)進(jìn)行手勢特征的提取。同一動態(tài)手勢包含兩種手勢特征，分別為表示空間位置的坐標(biāo)特征和表示手勢運(yùn)動方向的筆畫特征。本文通過Leap Motion對動態(tài)手勢數(shù)據(jù)的采集和特征提取，共生成了2大組26小組共5200個手勢特征的動態(tài)手勢特征數(shù)據(jù)庫。
　　本文中從兩個方向展開

3、了對動態(tài)手勢識別的研究。首先，本文通過在HMM模型的基礎(chǔ)上對利用單個特征進(jìn)行的動態(tài)手勢識別試驗的結(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。通過對本文規(guī)定的動態(tài)手勢（26個英文字母的動態(tài)手勢）數(shù)據(jù)的識別試驗結(jié)果表明該方法對訓(xùn)練樣本的平均識別率為98.48％，對測試樣本的識別率為94.92％，此外每個手勢的平均識別時間為0.18s。其次，本文利用PM1K芯片作為動態(tài)手勢識別的分類器搭建了一個動態(tài)手勢識別系統(tǒng)，在這個芯

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