基于Leap Motion和支持向量机的手势识别

为了使手势识别在更多的领域得到推广及应用,提出了基于Leap Motion体感设备实时跟踪技术获取手势三维空间坐标信息的方法,并从中分别提取角度信息和相对坐标信息,构建手势特征数据,建立手势识别模型。对特征数据进行归一化处理后,利用支持向量机(SVM)分类器进行训练、建模和分类,实现手势识别。实验结果表明:以角度数据和坐标数据作为手势特征的方法可行,平均识别率分别为96.6%和91.8%。通过对比可以得出:以角度数据作为特征值具有较高的准确性和鲁棒性,并避免了单纯依照一种特征值产生的局限性。

基于多Leap Motion传感器的机械手手势控制系统

为了实现对工业机械手的手势控制,并针对单个Leap Motion传感器在使用时因手指或者手掌遮挡而导致识别率降低的缺点,提出了基于多Leap Motion传感器,用于人手数据采集的新型控制系统。该系统采用基于主成分分析法的数据融合技术对该多传感器数据进行数据融合以得到人手姿态完整的信息,再将该融合数据送入SVM多分类器进行手势姿态识别。实验结果表明该系统能准确地检测人手完整信息,避免了使用单个Leap Motion传感器因视觉干扰或者不可避免的遮挡导致手势姿态数据不准确的问题,提高了手势识别率,可以准确、有效地实现对机械手进行控制。

基于Leap motion的钢琴弹奏手指运动曲线的测量与分析

针对建立手指触键运动自适应曲线的完整描述,提出了一种基于Leap motion空间3D体感传感器的新型测量方法。首先引入手指运动偏角的概念,建立手指触键运动模型并分布对齐坐标系;然后,根据新型测量方法,进行手指触键动作捕捉与运动特征点选取;最后运用不同的拟合模式在置信区间为95%的条件下处理手指触键动作数据,建立手指触键运动特征描述自适应函数。该函数针对不同长度的人手可为其提供准确的钢琴弹奏触键运动曲线。该研究为钢琴弹奏教育服务型机器人教学平台中的手指触键运动曲线自适应判别系统的建立提供理论支持。

基于Leap Motion的动态手势识别

动态手势识别作为人机交互的一个重要方向,在各个领域具有广泛的需求。相较于静态手势,动态手势的变化更为复杂,对其特征的充分提取与描述是准确识别动态手势的关键。为了解决对动态手势特征描述不充分的问题,利用高精度的Leap Motion传感器对手部三维坐标信息进行采集,提出了一种包含手指姿势和手掌位移的特征在内的、能够充分描述复杂动态手势的特征序列,并结合长短期记忆网络模型进行动态手势识别。实验结果表明,提出的方法在包含16种动态手势的数据集上的识别准确率为98.50%;与其他特征序列的对比实验表明,提出的特征序列,能更充分准确地描述动态手势特征。

基于Leap Motion的体感遥控小车设计

Leap Motion是一款用于识别手部细微动作的3D体感传感器,能够以超过290帧/s的速度追踪人体手部的动作。通过PC对Leap Motion进行实际开发,将采集到的手势数据转换成控制指令,并通过ATK-ESP8266构建无线网络环境,将控制指令传递给遥控小车。遥控小车以STM32F407ZGT6为主MCU,由3个直流伺服电机进行驱动,通过CAN总线建立MCU与3个伺服驱动器之间的通讯,并构建遥控小车的闭环控制算法,最终实现通过人体的简单动作手势对遥控小车进行准确控制。

Jogging and Walking Analysis Using Wearable Sensors

Gait analysis is a process of learning the motion of human and animal by using wearable sensor approach and vision approach. This analysis is mainly used in medical and sports field where the study of body parts is crucial. 3-space sensor is a sensor consists of accelerometer, gyroscope sensor and compass sensor, built in one device. In this study, 3-space sensor is used to collect data of walking and jogging motion, of a test subject running on a treadmill. Angular velocity of the test subject’s arm and the angle of subject’s leaping motion are the two main components under investigation. Data are analyzed and processed with Principal of Component Analysis (PCA) technique. This method aims to combine and reduce the number of variables of the raw data. The Quiver function is used in order to generate feature vectors for both motions. Furthermore, the output of the process was used to create a system that can recognize human motion on any given data. The system is highly able to differentiate both of the motions.