穿戴式手势交互系统与识别算法研究

手势识别一直是人机交互领域的一个重要研究方向.本文开展了基于微机电系统惯性测量单元实现手势灵活控制无人机技术的研究,设计开发了手势采集装置.提出了一种基于加速度计和陀螺仪传感器数据的深度学习框架ConvBLSTM:利用四个卷积层提取原始传感器数据的局部特征,为学习动态连续手势序列的时间特性,将卷积层提取的特征再输入双向循环层来获取全局时序特征,完成了高精度的手势分类.应用到工程项目中,定义了十种无人机手势指令来控制其飞行状态.所提出的方法平均达到了99.2%的高识别精度,相比经典的支持向量机、K近邻、长短时记忆网络等模式识别方法,解决了经典模型精度低、泛化能力差等问题.本文进行了多次实验来验证算法的适用性以及手势分类的准确性,通过数据点长度准确性实验,缩短了手势识别的滑动时间窗长度,提升了无人机实时响应速度.