可穿戴手势识别控制器

    设备体积大小只有2.3 cm×1.4 cm×0.8 cm，通过5 V锂电池为系统供电，控制器的实物图正、反面如图2所示，穿戴于食指的第二个关节上。

3 手势识别算法

3.1 手势数据预处理

    微惯性传感器能够采集动态的手势数据，但由于敏感原件的固有特性会产生随机噪声，所以采用卡尔曼滤波方法(Kalman)对获取的加速度、角速度数据等进行平稳去噪处理。卡尔曼滤波方法仅需知道前一时刻的估算值和当前测量值，通过时间更新和观测更新方程不断迭代获得当前状态信息和滤波增益[9]，相比于小波变换[10]、傅里叶变换方法节省了数据的存储空间和算法的编译时间。通过设定观测噪声协方差和过程噪声协方差矩阵相近的取值，可以剔除手势数据中的高频噪声，角速度的滤波效果如图3所示。

其中，L为手势长度，wxi、wyi、wzi为手势在X、Y、Z轴上的角速度，axi、ayi、azi分别为手势在三轴上的加速度，g为重力加速度。

    (3)角速度能量最大轴：每个轴角速度能量计算方法如式(3)所示，角速度能量最大轴为分别计算各轴角速度总和之后比较得出的最大者，即max(Ewx，Ewy，Ewz)所在的坐标轴。

    (5)姿态角变化量Δa：控制器在运动起点与终点时的三轴姿态角的分别差值的总和，如下式：

    第一层：敲击手势持续时间短，产生手势数据个数少且运动剧烈程度小，因此根据手势长度、手势能量两个特征量阈值区分出敲击类手势。

    第二层：翻转手势主要是绕X轴作旋转运动，角速度能量主要集中于X轴，所以利用X轴是否为角速度能量最大轴即可识别出翻转手势。

    第三层：划叉、晃动、划钩、甩动手势间的手势长度、手势能量、加速度波峰数特征量都有一定的交集，所以利用Fisher线性分类算法将4种手势分为两类：f=43×L+65×E+124×P-29 900，当f>0为划叉和晃动类手势，反之为划钩和甩动类手势。

    第四层：分析晃动和划叉手势的起止点的三轴姿态角数据，得出划叉比晃动手势的姿态角变化量大，以此区分这两类手势。甩动手势是绕Z坐标轴作单方向的旋转运动，满足单符号角速度特征，因此和划钩手势进行区分。

4 实验结果

    考虑到用时最短的敲击手势频率小于10 Hz，只要采样频率大于手势动作的2～3倍就可以获得完整的动作数据信息，所以本设计分别以不同的频率进行数据采样，按照以上识别算法进行平均识别时间和准确率测试如表2所示。随着采样频率增加，采集数据增加，编译时间增加和准确率提高，但当采样频率过大时则采集数据过多导致计算量增大反而影响准确率，实时性降低。为保证算法的实时性和控制计算量，将控制器的采样频率设为50 Hz，分类算法的编译和识别可以在0.085 s内完成，不会影响设备的下次数据采样。

    其中的误差主要是由于甩动手势在操作前有极短的反方向运动过程而不满足单符号角速度特征，易被识别为划钩手势；当甩动力度过大时，手势能量和波峰数增加，将导致Fisher函数值大于零，且甩动手势的姿态角变化量较小，所以也可能被划分为晃动手势。同理，当晃动手势动作幅度过小时，分类器出现误差，且不具有单符号角速度特性，有被识别为划钩手势的可能。划钩手势力度过大和因姿态角变化量较大将被识别为划叉类，操作划叉手势力度过小时和不具有单符号角速度特征将被分类为划钩手势。

5 结论

    本文提出了一种具有手势识别功能的可穿戴控制器的设计方法。控制器充分运用了惯性传感器的加速度计和陀螺仪的输出数据，依据特征量提取的方法对手势数据进行分析，成功实现了对6种手势的识别，确保了分类算法的准确率。该设计方法首先对控制器进行设备姿态更新，消除了以往仅使用加速度计对设备姿态的限制，提高了设备的用户体验性和实用性。而且使用者无需经过训练提取模板，减小了个体差异引起的误差，同时该手势识别算法省去了传统算法中模板匹配过程的计算量，确保了算法的简单性。

参考文献

[1] 王万良，杨经纬，蒋一波．基于运动传感器的手势识别[J]．传感技术学报，2011，24(12)：1723-1727．

[2] Liu Yu.Inertial sensor-based mobile phone gesture recognition[J].application of Electronic Technique，2011，37(12)：76-79.

[3] 黄启友，戴永，胡明清．基于陀螺传感器的三维手势识别方案[J]．计算机工程，2011，37(22)：72-76.

[4] Yin Liang，Dong Mingzhi，Duan Ying.A high-performance training-free apPRoach for hand gesture recognition with accelerometer[J].Multimedia Tools and Applications，2014(1)：843-864．

[5] Jun-Ki Min，Bongwhan Choe，Sung-Bae Cho.A selective template matching algorithm for short and intuitive gesture UI for accelerometer built-in mobile phones[C].IEEE Second World Congress on Nature and Biologically Inspired Computing.Fukuoka，2010：660-665．

[6] SCHLLOMER T.Gesture recognition with a Wii controller[C].Proceedings of the 2nd International Conference on Tangible and Embedded Interaction.Bonn，2008：11-14.

[7] Xu Ruize，Zhou Shengli，WEN J，et al.MEMS accelerometer based nonspecific-user hand gesture recognition[J].IEEE Sensors Journal，2012，12(5)：1166-1173.

[8] 黄刘松，储岳中，张学锋．基于加速度传感器的乒乓球击球动作识别[J]．传感器与微系统，2016，35(1)：56-58．

[9] 张海鹏，房建成．MEMS陀螺仪短时漂移特性试验研究[J]．中国惯性技术学报，2007，15(2)：100-104．