基于子动作特征矩阵与DTW算法的手臂动作识别方法

为了建立助残手控制与手臂运动之间的联系,结合惯性测量单元,提出了一种基于子动作特征矩阵和动态时间规整(DTW)算法的手臂动作识别方法.首先建立手臂连杆运动模型,使用正向运动学理论解算出手臂末端的空间位置;接着分析了手臂末端角速度、空间位置变化,发现连续的手臂动作可根据动作的活跃程度拆解为若干子动作,并构造子动作特征矩阵;最后采用基于子动作特征矩阵的DTW算法,对6种生活中常见的手臂动作进行分类识别.实验结果表明,与传统基于时间序列的DTW动作识别方法相比,基于子动作特征矩阵的方法识别准确率由96.9%提高至99.4%,识别耗时减少到0.1s之内,更具实用价值.

基于高阶累积量和改进GRNN的CSI手臂行为识别

为了挖掘信道状态信息(channel state information, CSI)在手臂行为识别中的非线性深层特征,提高识别准确度,提出了一种基于高阶累积量和改进广义回归神经网络(generalized regression neural network, GRNN)的CSI手臂行为识别算法。离线阶段,将在不同手臂动作下采集的细粒度CSI幅度和相位差作为基信号,并利用平均绝对偏差改进的spearman rank相关系数选择敏感性强的子载波;针对CSI中的非线性非高斯信息,在所选子载波中提取高阶累积量特征;在灰狼算法(grey wolf optimizer, GWO)优化的GRNN神经网络中训练出能有效处理非线性问题的GWO-GRNN动作识别模型。在线阶段,利用训练好的识别模型对输入的CSI数据进行手臂动作的判别。通过仿真实验验证,该算法的手臂行为识别准确度为95.83%,高于目前相关算法所达到的准确度,具有明显的识别优势。

基于混合高斯模型的储物柜存取货行为检测方法

针对储物柜存取货物场景的实际情况和人员行为的特点,提出一种通过融合时间调整机制控制前景融入背景的改进型混合高斯建模检测方法,并引入手臂识别机制。融合时间调整机制减小了由于人员停止运动而错误决策为背景的可能性;手臂识别算法模型有效地识别人员伸手动作。实验结果表明,该方法可以简单有效地从连续的图像序列中检测出人员在储物柜场景下的存取货物行为。