本文選題：手勢分組 + 隱性馬爾科夫　； 參考：《哈爾濱工業(yè)大學》2017年碩士論文

【摘要】：使用可穿戴式設備進行手勢識別正在快速地成為一個研究熱點,被廣泛地應用在了行為檢測、手語識別以及人機交互方面。今天,隨著微機電系統(tǒng)(Micro Electromechanical System,MEMS)的發(fā)展使得生產(chǎn)更小、更輕便的傳感器和設備成為了可能,這些設備可以穿戴在人身上用來檢測人的行為甚至一些更小的肢體動作。當用戶在資源受限的穿戴式設備上執(zhí)行實際的手勢識別的時候,需要考慮識別精度和算法的時間復雜度。目前許多的手勢識別算法已經(jīng)被提出并采用了。隱性馬爾科夫模型(Hidden Markov Model,HMM)是目前用的比較多的手勢識別算法,HMM最早多被用于語音識別,由于手勢序列和語音序列的相似性,因此被廣泛用于手勢識別當中,且可以達到比較高的識別精度。由于HMM的高運算復雜度,導致當用戶在資源受限的移動設備上使用HMM來進行手勢識別的時候,達不到實時反應的效果,用戶體驗差,需要進行改進。HMM的運算復雜度直接與需要識別的數(shù)據(jù)集規(guī)模、觀察序列的長度以及狀態(tài)數(shù)目成正比,減少這三個參數(shù)的值能夠降低運算復雜度,但是識別精度也相應的變低了。因此有必要找出一種方法:在維持識別精度的前提下盡量減低算法運算復雜度,使其適應移動終端的運算能力。針對上述提出的問題,本文提出了一種通過對手勢進行分組來降低識別算法的運算復雜度以及通過為每個組設定不同的HMM來保持甚至提高識別精度的方法。此方法包含三部分內(nèi)容:手勢分組,組模型的建立,以及每個組里面手勢模型的建立。手勢分組使用基于K-means++的方法;組模型使用基于表格的方法;手勢模型使用HMM,同一個組內(nèi)的HMM具有相似的結(jié)構(gòu),不同組具有不同的結(jié)構(gòu)。為了驗證分組手勢識別方法的有效性,本文定義了12種手勢,這些手勢考慮到了不同的形狀、方向以及重復性,具有代表性。然后,本研究搭建了一個數(shù)據(jù)采集平臺,這個平臺包括可穿戴式的硬件平臺以及電腦端上位機平臺。通過這個平臺,本研究采集了大量的手勢數(shù)據(jù)來驗證分組手勢識別方法的有效性。實驗結(jié)果表明:在不損失識別精度的前提下,和標準的HMM相比,本文提出的對手勢進行分組手勢識別的方法的運算復雜度大大降低,驗證了方法的可行性。
[Abstract]:Gesture recognition using wearable devices is becoming a research hotspot and has been widely used in behavior detection, sign language recognition and human-computer interaction. Today, with the development of MEMS Micro Electromechanical Systems, it is possible to produce smaller, lighter sensors and devices that can be worn on people to detect human behavior and even smaller body movements. When the user performs actual gesture recognition on a wearable device with limited resources, the recognition accuracy and the time complexity of the algorithm should be considered. At present, many gesture recognition algorithms have been proposed and adopted. Hidden Markov Model HMMM (Hidden Markov Model) is one of the most widely used gesture recognition algorithms at present. Due to the similarity between gesture sequences and speech sequences, hmm is widely used in gesture recognition. And it can achieve higher recognition accuracy. Due to the high computational complexity of HMM, when users use HMM for gesture recognition on resource-constrained mobile devices, the real-time response is not achieved and the user experience is poor. The computational complexity of the improved. Hmm is directly proportional to the size of the dataset to be identified, the length and the number of states of the observation sequence. Reducing the values of these three parameters can reduce the computational complexity, but the recognition accuracy is also reduced accordingly. Therefore, it is necessary to find a way to reduce the computational complexity of the algorithm under the premise of maintaining the recognition accuracy, so that it can adapt to the computing ability of the mobile terminal. To solve the above problems, this paper proposes a method to reduce the computational complexity of the recognition algorithm by grouping the gestures and to maintain or even improve the recognition accuracy by setting different HMM for each group. The method consists of three parts: gesture grouping, group modeling, and gesture modeling within each group. Gesture grouping uses K-means based approach, group model uses tabular approach, gesture model uses HMMs, and HMM in the same group has similar structure and different groups have different structures. To verify the effectiveness of the grouping gesture recognition method 12 gestures are defined which take into account different shapes directions and repeatability and are representative. Then, a data acquisition platform is built, which includes wearable hardware platform and PC platform. Through this platform, this study collected a lot of gesture data to verify the effectiveness of the grouping gesture recognition method. The experimental results show that the computational complexity of the proposed method is greatly reduced compared with the standard HMM without loss of recognition accuracy, and the feasibility of the method is verified.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前9條

1 郝旭歡;常博;郝旭麗;;MEMS傳感器的發(fā)展現(xiàn)狀及應用綜述[J];無線互聯(lián)科技;2016年03期

2 王月明;趙士偉;張如彩;;基于人機交互的虹膜圖像采集系統(tǒng)設計[J];中國安防;2014年17期

3 王杰鋒;周治平;苗敏敏;;移動終端手勢識別中DTW匹配算法研究[J];計算機工程與應用;2015年13期

4 陳意;楊平;陳旭光;;一種基于加速度特征提取的手勢識別方法[J];傳感技術學報;2012年08期

5 荊雷;馬文君;常丹華;;基于動態(tài)時間規(guī)整的手勢加速度信號識別[J];傳感技術學報;2012年01期

6 王萬良;楊經(jīng)緯;蔣一波;;基于運動傳感器的手勢識別[J];傳感技術學報;2011年12期

7 洪淑月;施曉鐘;徐皓;;改進的小波變換HMM語音識別算法[J];浙江師范大學學報(自然科學版);2011年04期

8 張雪鳳;張桂珍;劉鵬;;基于聚類準則函數(shù)的改進K-means算法[J];計算機工程與應用;2011年11期

9 任程;戴樹嶺;;基于數(shù)據(jù)手套的逼真虛擬手的實現(xiàn)[J];系統(tǒng)仿真學報;2008年22期

相關博士學位論文 前1條

1 申慧敏;基于頭部電磁信息反演的人機交互系統(tǒng)控制指令提取方法研究[D];浙江大學;2015年

相關碩士學位論文 前2條

1 陳文;基于加速度傳感器的智能終端手勢識別關鍵技術研究[D];國防科學技術大學;2011年

2 楊筆鋒;基于改進訓練算法的HMM語音識別技術研究[D];湖南大學;2010年

，

本文編號：1877723