車(chē)內(nèi)手勢(shì)控制系統(tǒng)作為一種新的車(chē)內(nèi)人機(jī)交互方式,在市場(chǎng)上受到越來(lái)越多的關(guān)注。在駕駛過(guò)程中,使用傳統(tǒng)按鈕或者觸屏來(lái)操作中控設(shè)備會(huì)分散駕駛者的注意力,增加危險(xiǎn)系數(shù)。而使用手勢(shì)來(lái)控制,駕駛者可以不需要用眼睛看按鈕或者觸屏,從而獲得更自然的人機(jī)交互體驗(yàn)。目前已經(jīng)量產(chǎn)上市的車(chē)載手勢(shì)系統(tǒng)采用了深度攝像頭,配有一塊專(zhuān)用芯片來(lái)計(jì)算圖像算法。此方案的劣勢(shì)在于深度攝像頭的成本非常高,而且需要再加上一塊專(zhuān)用芯片的成本,所以只能應(yīng)用在百萬(wàn)級(jí)別的豪華車(chē)型上。主流的中低端市場(chǎng)對(duì)手勢(shì)識(shí)別功能同樣有強(qiáng)烈的需求。如果可以使用廉價(jià)的,不帶景深的攝像頭,在每輛汽車(chē)都有的中控設(shè)備上運(yùn)行算法,那么就可以大大降低方案整體成本。廉價(jià)的攝像頭比較容易找到,問(wèn)題是主流市場(chǎng)上不同中控設(shè)備的芯片計(jì)算能力差別很大,擁有更強(qiáng)計(jì)算能力的芯片可以使用更復(fù)雜的算法,來(lái)取得更豐富的功能和更好的識(shí)別結(jié)果。而計(jì)算能力最弱的設(shè)備也需要簡(jiǎn)單的算法來(lái)實(shí)現(xiàn)一些基本的功能。所以根據(jù)計(jì)算能力的不同,需要有不同的算法方案來(lái)適配這些設(shè)備。本文重點(diǎn)是研究適合這些嵌入式設(shè)備的手勢(shì)識(shí)別算法。綜合成本和不同芯片平臺(tái)計(jì)算能力的限制,本文選用了一款低成本的紅外攝像頭。嘗試了基于輪廓的算法,機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)的算法,找出了最適合CPU平臺(tái)和GPU平臺(tái)的算法。第一種嘗試是完全基于傳統(tǒng)形態(tài)學(xué)算法的方案。本文擴(kuò)展了對(duì)旋轉(zhuǎn)手勢(shì)的支持。此方案對(duì)計(jì)算量要求最小,可以輸出基于手掌位置和手指?jìng)�(gè)數(shù)的簡(jiǎn)單手勢(shì)信息。算法會(huì)有背景抑制方面的一些困擾,最終通過(guò)調(diào)整的紅外LED的發(fā)射功率取得了相對(duì)較好的圖像分割效果。針對(duì)深度神經(jīng)網(wǎng)絡(luò)計(jì)算量太大的問(wèn)題,本文提出了第二種結(jié)合LBP檢測(cè)器和CNN分類(lèi)網(wǎng)絡(luò)的手勢(shì)檢測(cè)方法,相比之前的一些算法[1]有更好的檢測(cè)效果。此方法先基于LBP特征訓(xùn)練一個(gè)級(jí)聯(lián)分類(lèi)器,用來(lái)提取手的位置,再訓(xùn)練一個(gè)小的分類(lèi)網(wǎng)絡(luò)來(lái)識(shí)別手型,用掃描框的方法得到手的位置后,把手的候選框傳入分類(lèi)網(wǎng)絡(luò),得到具體的手型信息。由于系統(tǒng)僅需要支持單手操作,所以在得到多個(gè)候選框的情況下,本文采用了一些算法來(lái)排序候選框的優(yōu)先級(jí),然后根據(jù)優(yōu)先級(jí)的高低來(lái)運(yùn)行分類(lèi)網(wǎng)絡(luò)。這樣不但加速了整體速度,而且保證每幀圖片上分類(lèi)網(wǎng)絡(luò)的執(zhí)行次數(shù)可控,保證了實(shí)時(shí)性能。級(jí)聯(lián)分類(lèi)器和低分辨率的小型分類(lèi)網(wǎng)絡(luò),相比深度神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)計(jì)算量少了很多,在沒(méi)有GPU加速的系統(tǒng)中,也可以達(dá)到實(shí)時(shí)的處理速度。第三種方法創(chuàng)新應(yīng)用了最新的實(shí)時(shí)物體檢測(cè)網(wǎng)絡(luò)YOLOv2來(lái)同時(shí)識(shí)別手勢(shì)的類(lèi)型和位置。本文試驗(yàn)了不同的參數(shù),在精確度和速度之間作出平衡。在有GPU加速的平臺(tái)上,這種方法的準(zhǔn)確度遠(yuǎn)遠(yuǎn)超過(guò)了前兩種算法,YOLOv2的背景抑制能力很強(qiáng),很少有誤檢測(cè)的情況發(fā)生。這種方法對(duì)平臺(tái)計(jì)算能力的要求最高,在計(jì)算能力允許的情況下,可以獲得最佳的效果。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：U463.6;TP391.41
【部分圖文】：

車(chē)內(nèi)手勢(shì)控制系統(tǒng)的設(shè)計(jì)聯(lián)分類(lèi)器的檢測(cè)方法來(lái)實(shí)現(xiàn)，此方法效果準(zhǔn)確率稍差，但是可以在 CPU 上了與這兩種機(jī)器學(xué)習(xí)的算法做比較，本文還實(shí)現(xiàn)了基于輪廓計(jì)算的檢測(cè)算顯示，在相同的數(shù)據(jù)集上，機(jī)器學(xué)習(xí)的方法顯著優(yōu)于傳統(tǒng)的基于輪廓的檢測(cè)勢(shì)的定義 傳統(tǒng)車(chē)內(nèi) HMI 操作的幾個(gè)問(wèn)題統(tǒng)的車(chē)內(nèi) HMI 使用按鈕、旋鈕或者觸屏來(lái)操作中控界面。在車(chē)輛行駛過(guò)程線(xiàn)將不可避免地離開(kāi)行駛路面。例如最常用的音量和空調(diào)溫度調(diào)節(jié)，通常到調(diào)節(jié)按鈕的位置，然后才能開(kāi)始調(diào)節(jié)。而更復(fù)雜的操作引起的注意力滯，例如從列表中選擇歌曲等，需要駕駛員撥動(dòng)旋鈕或者在觸屏上點(diǎn)擊才能目。如果結(jié)合設(shè)計(jì)良好的手勢(shì)操作，駕駛員就可以完全不需要查看車(chē)內(nèi)的。

車(chē)內(nèi)手勢(shì)控制系統(tǒng)的設(shè)計(jì)與2 實(shí)驗(yàn)環(huán)境和性能指標(biāo)上一章已經(jīng)描述了需要解決的主要問(wèn)題。在開(kāi)始具體研究之前，需要先定義一標(biāo)準(zhǔn)。包括攝像頭安裝位置,算法驗(yàn)證平臺(tái)的配置等，并定義一些驗(yàn)證指標(biāo)。 車(chē)內(nèi)的裝配位置根據(jù)一些客戶(hù)的需求，把紅外攝像頭安裝在中控屏幕上方。如圖 2-1 箭頭所這樣，駕駛員可以方便地操作設(shè)備。攝像頭的 FOV（Field of View）覆蓋了0cm 的區(qū)域，覆蓋的區(qū)域比較大，駕駛者即使不看設(shè)備，也能順利地進(jìn)行隔空操

3 基于 OpenCV 的實(shí)現(xiàn)研究的硬件環(huán)境。本章開(kāi)始討論具體的算法設(shè)計(jì)和文用 OpenCV 實(shí)現(xiàn)了基于傳統(tǒng)計(jì)算機(jī)視覺(jué)形態(tài)學(xué)算法指位置的生成是正面朝向攝像頭的。如圖 3-1 所示。由于攝像操作姿勢(shì)。所以算法定義為只接受這個(gè)角度的輸入。這種方法只能識(shí)別手掌的位置和手指的數(shù)量�；l(fā)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

10 劉高宇;;深度神經(jīng)網(wǎng)絡(luò)在煤質(zhì)數(shù)據(jù)分析與預(yù)測(cè)中的應(yīng)用[J];電腦知識(shí)與技術(shù);2019年28期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2832752