基于可穿戴设备惯性感应器的手势识别研究与应用

摘要

随着可穿戴设备的不断推广，越来越多的人开始使用如智能手表、智能手环等可穿戴设备，也越来越多的技术被应用在这种智能设备上。可穿戴设备具有许多的功能，如运动监测、睡眠监测、通知提醒、时间显示、身份认证、支付以及手势识别等。手势识别是人机交互中的一种重要的交互手段，通过手势识别可以代替原始的用户界面以及图形用户界面执行更快更便捷的操作。 目前手势识别的数据收集形式主要用两种，一种是基于图像视频数据，另一种则基于惯性传感器的数据，而可穿戴设备自然是利用设备上的惯性传感器的数据，基于惯性传感器的三轴加速度数据进行了手势识别的相关研究。 手势识别的整个流程大致分为原始数据的采集，对原始数据的预处理，以及最后手势的识别。其中在预处理的过程中有很多细节可能会对最终的识别效果有举足轻重的影响，所以通过降噪处理、有效数据的截取等细节的比较，进而分析如何使处理后的识别率更高。 对其中的动态时间规整（DTW）进行一定的改善，通过与K最紧邻分类算法的结合可实现准确率更高的识别方法，并且通过设置最优K值使识别准确率达到更高，还对筛选后的标准模板库验证其普适性。

目录

第一个书签之前

摘 要

Abstract

1绪 论

1.1课题背景

1.2 国内外研究情况

1.2.1 手势识别的发展

1.2.2 手势识别算法的研究状况

1.2.3 DTW算法的研究状况

1.3论文主要研究工作

2手势识别系统概述

2.1系统硬件概述

2.2系统软件概述

2.3系统工作流程

2.4本章小结

3数据采集和预处理

3.1数据采集

3.2数据预处理

3.2.1降噪处理

3.2.2截取有效手势数据段

3.2.3压缩有效数据

3.2.4数据量化

3.3本章小结

4手势识别

4.1K最近邻算法

4.1.1 K-NN算法原理

4.1.2 K-NN算法特点

4.2基于DTW算法的手势识别

4.2.1 DTW算法的基本原理

4.2.2 传统DTW算法的优化

4.3结合K-NN算法和DTW算法的手势识别

4.3.1 K-NN与DTW的结合

4.3.2 不同K值的对识别准确率影响

4.3.3 K值的选取

4.4本章小结

5测试实验与分析

5.1实验环境

5.2实验方案

5.3实验手势集

5.4实验结果与分析

5.4.1预处理细节比较

5.4.2识别算法细节比较

5.4.3与现有相关研究对比

5.5本章小结

6总结与展望

6.1课题工作总结

6.2课题展望

致 谢

参考文献