基于智能手机上的加速度传感器，设计并实现了手势识别系统。间序列方法用于对加速度数据样本进行建模，并对数据进行拆分和优化，包括使用提取突变来消除软加重动作的变化，阈值差分方法用于手势动作的动态自我拦截，并且特征提取用于简化数据。高识别的准确性。用模式匹配方法基于动态时移（DTW）算法执行手势检测。验结果表明，该系统方便可行，恒温阀芯识别率高。键词：加速度传感器，动态时间偏移，手势识别DOIDOI：10.11907 / rjdk.161536中图分类号：TP319文献标识码：A产品货号：1672-7800（2016）008-0062-03简介手机然而，目前基于触摸屏的二维手势操作方法和按钮的操作不能满足用户在手机操作领域越来越高的需求。者设计了一种能够识别3D空间中用户特定动作的手势识别系统，具有以下优点：手势识别直接以人手的动作为输入，消除因此中间支持低于语音识别。余因素的不必要影响：用于数据采集的加速度传感器主要与智能手机集成，成本低，灵敏度高，体积小，便于访问和使用。于加速度传感器的手势识别技术主要包括隐马尔可夫模型，模糊神经网络和模型匹配。文实现了一种基于DTW算法的动态手势识别系统。了减少不正确数据的获取，本文使用了一系列优化方法。要是使用提取突变的方法来强调数据的突变并忽略渐变数据，使用基于阈值的动态手势拦截方法来实时识别手势，提高系统对个体差异的适应性，并加强手势的连续动态捕捉。时性：使用特征提取方法，简化了手势识别分析模式，提高了手势识别的准确性。统流程系统流程如图1所示[1]。先，用户装订机执行相应的手势，并且通过智能手机的加速度传感器获取手势数据。数据处理（包括提取突变，手势拦截）之后，对获得的时间序列执行特征提取。
后通过DTW算法比较由特征提取的数据，最后获得识别结果。据采集作者通过Android手机的内置三轴加速度传感器采集数据，并将三轴加速度传感器的数据采集间隔设置为5000μs，单位为以m / s2为单位。时，需要获得每个轴的重力加速度以准备下一个特征提取的数据，从而也需要移动电话的重力传感器。重力加速度传感器的数据采集间隔设置为SENSOR_DELAY_NORMAL，即20000μs，单位为m / s2。后，对获得的三轴加速度数据进行建模[2]：数据处理提取变异对于获取用户手势数据，有必要收集加速度数据所在的点经历彻底的改变（通常是手势的标志），必须忽略修改。本数据（通常是脏数据）。文使用提取突变[3]，其重点是传感器数据的瞬时修改，并最初消除静态和慢速数据背景方法，见方程（1）。
义Alpha权重，其中：currentAcc表示经历突变突变的某个引导轴的值，x表示由引导轴返回的原始数据，preData表示通过前一个周期的突变获得的冗余值，阿尔法。为0.8。势拦截该系统使用基于阈值的动态手势拦截方法[4]，通过比较加速度变化的幅度和定义的阈值来确定手势的开始和结束。式（2）实时获得每个周期的加速度变化的总和。中x（t），y（t）和z（t）表示在时间t的x轴，y轴和z轴方向上的加速度值（即例如，当前时段），x（t-1），y（t-1），z（t-1）分别表示x轴，y轴和z轴方向上的加速度值。时间t-1（即最后一个时期）。了减少误差消除噪声，使用N个采样数据的差分结果来找到平均值，如公式（3）所示。后，阈值用于截取数据，其中固定值Start和End分别表示阈值以确定手势的开始和手势的结束。
过组合通过公式（3）获得的I，拦截过程如下：ai> start，标志手势已经开始，由三轴加速度传感器获取的数据开始被记录并转换为时间序列;我图。2表示通过方法1数据样本获取的手势，我们可以看到，在没有手势的情况下，每个方向上的加速度趋于稳定，变化很小，并且当存在手势时，它彻底改变了。征提取由于手势数据过于复杂和多变，因此不能直接作为分类标准应用。此，本文使用了特征提取方法，减少了数据处理负担，提高了手势识别的准确性。为识别手势的标准，特征的提取需要清楚地反映用户手势的运动学并且与其他手势明显不同[5]。这个假设中，本文采用可分性，可靠性和独立性的标准作为选择标准，并获得以下三个手势特征：持续时间：手势花费的时间T是最基本的手势标准。中tend是手势的结束时间，tsta是手势的开始时间。势的能量：用于执行手势E的能量。量可用于确定手势的强度。中T是时间序列的长度; axi，ayi和azi分别是x方向，y方向和z方向的加速度值; gxi，gyi和gzi分别是x方向，y方向和z方向的重力加速度。值数量：在三个方向X，Y和Z的图像的加速时间中，峰值的数量P反映了加速度的变化，考虑了不同方向上的加速度的演变。Px，Py和Pz分别是X方向，Y方向和Z方向加速度图中的峰数。势识别在手机中记录一系列标准运动模式。检测到手机有动作时，动作传感器的波形与运动波形进行比较在标准运动模板库中确定动作类型。用动态时间扭曲（DTW）算法[6]实现波形匹配。
HMM算法相比，DTW在学习阶段不需要大量数据。R = {R（1），R（2），…，R（m）}，测试模型T = {T（1），T（2），…，T（n）}，n = 1起始帧n = N，是结束帧。了比较相似性，可以计算它们之间的距离D [T，R]，距离越小，相似性越大[7]。以通过线性扩展方法，动态编程方法（DP），使用欧几里德距离，d（Ri，Tj）=（Ri-Tj）2来执行对齐。了对齐这两个序列，有必要构造n，x，m的矩阵网格，矩阵（i，j）的元素表示两个点Ri和Tj的距离d（Ri，Tj）（也就是说每个序列） R）。与T的每个点之间的相似性。离越小，相似性越大，无论顺序如何。常，使用欧几里德距离，对于失真，d（Ri，Tj）=（Ri-Tj）2（也是可理解的）。阵（i，j）的每个元素表示点Ri和Tj的对齐。以指定DP算法以搜索通过网格的若干点的路径，路径通过的网格点是计算和对齐两个序列的点。此路径不是太陡，您可以将斜率限制在0.5和2之间的值。果路径已越过网格（n，m），则以下网格（n，m）不能只有以下三种情况。A：1（n，m）=（n 1，m）; 2（n，恒温阀芯m）=（n 1，m 1）; 3（n，m）=（n，m 1）。此在实践中对此思想进行了测试：以空间手势为例，攻击动作主要是基于三轴加速度来识别，这可能很好地反映了手机强度的变化率。动和它的空间位置。势的定义：定义系统中的重要手势;手势建模：根据手势中三维加速度的大小建立模型;运动模型学习：反复收集每个运动信号数据，形成一个改进的模型;识别手势：使用DTW算法是一种计算每个模型与模型之间距离的识别方法。验数据和结果分析为了验证算法的有效性，MOTO G Android系统智能手机和索尼C6603 Android系统智能手机分别被选为实验原型1和原型2。户使用移动电话在空间中写入手势。3示出了在横坐标轴上分解的字母数字手势2的原始数据，并且训练者使用训练模型的100倍。4，5和6是沿着横坐标，纵坐标和z的模板数据加速度，在阿拉伯数字2的训练姿势的100倍之后。旦模型建立，训练者使用不同的手势来测试并使用DTW算法计算距离：结果由公式（8）确定。果D> 1500，则为否，否则，结果如表1所示。验证明内置识别算法能够识别连续动态手势。
论是基于手机内置三轴加速度计的手势识别系统，用户的手势加速度样本数据由三轴集成加速度传感器采集。并通过提取突变进行优化。户手势的动态自我拦截由阈值差异执行。取特征的长度，手势的能量和峰的数量用于评估样本。
DTW算法用于实现手势验证。验结果表明，该系统具有良好的手势识别效果，能很好地处理传感器数据的差异和不准确性。于DTW算法的局限性，对过于复杂的手势的识别不是很大，提高计算速度和算法准确性的方法还需要进一步研究。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com