基于惯性传感技术的裁判员手势跟踪研究
基于视觉技术的手势跟踪与动作识别算法
Ｇｅ ｓ ｔ ｕｒ ｅ Ｔｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｎｄ Ｍｏ ｔ ｉ ｏ ｎ Ｒｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｖｉ ｓ ｉ ｏ ｎ Ｔｅ ｃ ｈ ｎｏ ｌ ｏ ｇ ｙ
Ｘ Ｉ Ｏ Ｎ Ｇ Ｊ ｕ ｎ — ｔ ａ ｏ ， Ｌ Ｉ Ｕ Ｚ ｉ － ｊ ｉ ａ ｎ ， Ｓ Ｕ Ｎ Ｂ ａ ｏ ． ｘ ｉ ａ ， Ｙ Ｕ Ｓ ｈ ｏ ｕ — ｈ ｕ ａ ，Ｃ Ｈ Ｅ Ｎ Ｊ ｉ ａ ｎ — ｇ ｕ ｏ
ｓ ｐ ｅ ｅ ｄ ｏ ｆ ｅ ａ ｃ ｈ ｆ ｒ ａ ｍｅ ｉ ｍａ ｇ ｅ ’ Ｓ ｈ ａ ｎ ｄ ｍｏ ｖ ｅ ｍｅ ｎ ｔ ｓ ．ｔ ｈ ｅ ｎ ｔ ｈ ｅ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｉｎ ｆ ｉ ｔ ｅ ｓ ｔ ａ ｔ ｅ ｍａ ｃ ｈ ｉ ｎ ｅ ｍｏ ｄ ｅ ｌ ｗａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｔ ｈ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｈ ａ ｎ ｄ ｍｏ ｖ ｅ ｍｅ ｎ ｔ ｓ ，ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｔ ｈ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ｅ ｄ ｍｏ ｔ ｉ ｏ ｎ ｓ ｎｄ ａ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｍｏ ｔ ｉ ｏ ｎ ｔ ｅ ｍｐ ｌ ａ ｔ ｅ ｓ ，ａ ｎ ｄ ｔ ｈ ｅ Ｈａ ｕ ｓ ｄ ｏ ｒ ｆ ｆ ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ
ａ ： ｔ ｈ ｅ Ｅ ｕ ｃ ｌ ｉ ｄ ｅ ａ ｎ ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ ｔ ｒ ａ ｎ ｓ ｆ ｏ Ｉ Ｉ ／ １ ｍｅ ｔ ｈ ｏ ｄ ｗ ａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｃ ｌ ａ ｃ ｕ ｌ ａ ｔ ｅ ｔ ｈ ｅ ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ ｂ ｅ ｔ ｗ ｅ ｅ ｎ ｔ ｈ ｅ ａ ｄ ｊ ａ ｃ ｅ ｎ ｔ ｔ ｗ ｏ ｈ ａ ｎ ｄ ｔ ｒ ａ ｊ ｅ ｃ ｔ ｏ ｒ ｙ ｐ ｏ ｉ ｎ ｔ ｓ ａ ｎ ｄ
基于三轴加速度传感器的手势识别_刘蓉
基于三轴加速度传感器的手势识别刘 蓉a ，刘 明b(华中师范大学 a. 物理科学与技术学院；b. 计算机科学系，武汉 430079)摘 要：针对手势交互中手势信号的相似性和不稳定性，设计实现一种基于三轴加速度传感器的手势识别方案。
采用MMA7260加速度传感器采集主手腕的手势动作信号，根据手势加速度信号的特点，进行手势动作数据窗口的自动检测、信号去噪和重采样等预处理，通过提取手势动作的关键特征，构造离散隐马尔可夫模型，实现手势动作识别。
实验结果证明该方案的识别精度较高。
关键词：加速度传感器；手势识别；人机交互；信号处理；离散隐马尔可夫模型Gesture Recognition Based on Three-axial AccelerometerLIU Rong a , LIU Ming b(a. College of Physical Science and Technology; b. Department of Computer Science, Central China Normal University, Wuhan 430079, China) 【Abstract 】Aiming at similarity and instability of gesture activity signal in gesture interaction, a gesture recognition scheme based on three-axial accelerometer is presented. It utilizes a MMA7260 accelerometer to capture the acceleration signal of dominant wrist. An activity detection algorithm is used to auto determine the data stream which containing interesting motion according to the features of gesture activity signal. After denoising and resampling the acceleration data streams, gesture features are extracted, and Discrete Hidden Markov Model(DHMM) is built for gesture recognition. Experimental results demonstrate the effectiveness of the scheme.【Key words 】accelerometer; gesture recognition; human-computer interaction; signal processing; Discrete Hidden Markov Model(DHMM) DOI: 10.3969/j.issn.1000-3428.2011.24.047计 算 机 工 程 Computer Engineering 第37卷 第24期V ol.37 No.24 2011年12月December 2011·人工智能及识别技术· 文章编号：1000—3428(2011)24—0141—03文献标识码：A中图分类号：TP391.411 概述手势交互是近几年人机交互领域的研究热点，与传统人机交互模式相比，基于手势的交互更自然便捷。
手势识别与跟踪技术研究
手势识别与跟踪技术研究手势识别与跟踪技术是一种通过计算机视觉和图像处理技术来识别和跟踪人体手势的技术。
随着人机交互技术的发展，手势识别与跟踪技术成为了一种新型的人机交互方式，可以广泛应用于虚拟现实、游戏、智能家居等领域。
本文将介绍手势识别与跟踪技术的研究内容、方法和应用，并探讨其未来发展方向。
手势识别与跟踪技术的研究内容包括静态手势识别、动态手势识别和手势跟踪。
静态手势识别是指通过对手的姿态进行分析和识别，来判断手势的含义。
动态手势识别则是根据手势的运动轨迹和速度等特征进行识别。
手势跟踪是通过对手的位置和运动进行实时追踪，以实现与用户的实时交互。
手势识别与跟踪技术的研究方法主要包括基于视觉特征、基于深度学习和基于传感器的方法。
基于视觉特征的方法主要通过提取手的外形和纹理等特征来进行手势识别和跟踪。
基于深度学习的方法则是利用神经网络来学习和提取手势的特征，以提高识别和跟踪的准确性和鲁棒性。
基于传感器的方法则是借助于传感器设备，如摄像头、雷达等，来获取手势的信息，并进行分析和处理。
手势识别与跟踪技术在很多领域都有广泛的应用。
在虚拟现实领域，手势识别与跟踪技术可以用于控制虚拟场景中的物体和角色，增强用户对虚拟环境的交互感。
在游戏领域，手势识别与跟踪技术可以实现更加自然和直观的游戏操作方式，提升游戏的娱乐性和沉浸感。
在智能家居领域，手势识别与跟踪技术可以用于智能设备的控制，如通过手势操作灯光、电视等家居设备，实现更加智能化的家居体验。
随着硬件技术的进步和算法的不断创新，手势识别与跟踪技术有着广阔的发展前景。
未来的研究方向主要包括提高识别和跟踪的准确性和鲁棒性，探索更加高效和可靠的数据处理算法，以及研究更加优化和智能化的交互方式。
此外，还可以结合其他技术，如人脸识别、语音识别等，实现更加全面和多样化的人机交互体验。
总之，手势识别与跟踪技术是一种新型的人机交互方式，具有广泛的应用前景。
通过对手势的识别和跟踪，可以实现更加自然、直观和智能化的人机交互，提升用户的体验和满意度。
2023年度国家体育总局科技创新项目选题指南
国家队科研攻关项目
中国速度滑冰运动员夏季训练模型的构建研究
45
国家队科研攻关项目
冬奥车橇类项目出发阶段动作技术模型及其评价标准的研究与应用
46
国家队科研攻关项目
冷环境下冬季项目运动员专项运动表现与生理学监控指标关系模型研究
47
国家队科研攻关项目
运动积分建立规则研究
48
国家队科研攻关项目
巴黎奥运会备战信息情报精细化研究
84
科技成果转化项目
自行车运动指导与负荷监测分析平台
85
科技成果转化项目
射击项目扳机压力分布传感数字化监控
86
科技成果转化项目
射击射箭类项目人体姿态参数数据采集和算法优化及实时反馈应用研究
87
科技成果转化项目
智慧选箭系统研发
88
科技成果转化项目
射箭技术训练快速分析与反馈系统的研制
89
科技成果转化项目
104
科技成果转化项目
基于AI技术的排球运动训练监测与负荷评价系统研究
105
科技成果转化项目
竞技排球关键技术的数字化分析与应用
106
科技成果转化项目
竞技攀岩两项全能运动员3D+AI 科学辅助训练系统
107
科技成果转化项目
基于多动作捕捉技术及运动学分析的国家攀岩队运动表现智能即时评估系统研发
108
科技成果转化项目
202
序号
项目类型
选题名称
1
国家队科研攻关项目
场地自行车运动员骑行姿态诊断与改进研究
2
国家队科研攻关项目
基于临界功率应用的场地自行车训练监控与方法优化
3
国家队科研攻关项目
基于惯性测量单元的动态手势识别系统
基于惯性测量单元的动态手势识别系统随着科技的进步，人们对于智能化设备的需求也越来越大，其中手势识别技术已经成为了一个不可或缺的领域。
手势识别技术的应用范围非常广泛，可以应用于家庭智能化系统、智能交通、医疗等多种领域。
而基于惯性测量单元的动态手势识别系统是目前比较流行的一种技术，它能够实现高精度的手势识别，同时能够增加互动性和使用便捷性。
一、惯性测量单元技术基于惯性测量单元的动态手势识别系统主要依靠集成在设备内部的加速度计和陀螺仪来实现精确的手势识别。
加速度计可以测量加速度、速度和位移等动态数据，而陀螺仪则可以测量角速度、角度和旋转等动态数据。
这两个设备可以快速感知手势的移动和旋转等动态信息，从而实现手势的识别和运动轨迹的追踪。
二、动态手势识别系统的实现基于惯性测量单元的动态手势识别系统主要包含三个部分：数据采集、手势分析和运动控制。
数据采集模块主要是通过加速度计和陀螺仪等传感器来获取手势的运动数据，这些数据可以实时传输至计算机或者移动设备中进行分析。
手势分析模块主要是对数据进行处理和分析，识别出手势的各个部分，并且识别手势的运动轨迹。
此外，手势分析模块还需要进行手势的分类和识别，通过建立手势模型、分类器和识别算法来实现手势的识别和分类。
运动控制模块主要是通过识别手势的运动轨迹和方向，来实现对设备的控制。
例如，进行上下平移、旋转等控制操作。
三、动态手势技术的应用基于惯性测量单元的动态手势技术已经成功应用于多个领域中，例如医疗、智能家居、智能车辆等。
在医疗领域中，手势技术可以快速实现医疗操作的控制，例如手术操作中的远程控制和定位。
在智能家居领域中，手势技术可以实现智能家居设备的控制，例如开关灯、调节温度等。
在智能车辆领域中，手势技术可以实现驾驶员的手势操作控制，例如切换音乐、接听电话等。
基于惯性测量单元的动态手势技术实现了高精度、实时、快速的手势识别，成功地应用于多种领域中，它不仅能够提高人机交互的便捷性和互动性，而且可以大大提高设备的智能化程度，是现代科技领域中的重要组成部分。
《基于无线惯性传感的人体运动捕捉技术》范文
《基于无线惯性传感的人体运动捕捉技术》篇一一、引言人体运动捕捉技术作为一项重要的人机交互手段，被广泛应用于医疗康复、运动分析、游戏娱乐和虚拟现实等多个领域。
无线惯性传感技术因其便捷性、实时性和无损性等特点，在人体运动捕捉领域展现出巨大潜力。
本文旨在探讨基于无线惯性传感的人体运动捕捉技术，分析其原理、应用及未来发展趋势。
二、无线惯性传感技术原理无线惯性传感技术主要通过使用加速度计、陀螺仪和磁力计等传感器，捕捉人体的运动数据。
这些传感器能够实时测量并传输人体运动的加速度、角速度和磁场强度等数据，进而推算出人体的姿态、动作及运动轨迹。
三、人体运动捕捉技术基于无线惯性传感的人体运动捕捉技术，主要通过在人体关键部位布置传感器，实时捕捉并传输运动数据。
通过对这些数据的处理和分析，可以重建出人体的运动状态，实现对人体运动的精确捕捉。
四、应用领域1. 医疗康复：无线惯性传感技术可用于康复训练、神经功能评估和运动功能恢复等领域。
通过捕捉患者的运动数据，医生可以了解患者的康复情况，制定更有效的康复方案。
2. 运动分析：体育教练和运动员可通过无线惯性传感技术，实时分析运动员的动作数据，提高训练效果和竞技水平。
3. 游戏娱乐：在游戏领域，无线惯性传感技术可用于虚拟现实游戏、动作捕捉和游戏角色控制等方面，为玩家带来更加真实的游戏体验。
4. 虚拟现实：在虚拟现实中，通过无线惯性传感技术可以实时捕捉用户的动作和姿态，实现更加自然的交互方式。
五、技术优势与挑战无线惯性传感技术的优势在于其便捷性、实时性和无损性。
然而，该技术也面临一些挑战，如传感器噪声、数据同步和算法精度等问题。
为了进一步提高无线惯性传感技术的性能，需要不断优化传感器性能、改进数据处理算法和提高系统集成度。
六、未来发展趋势未来，基于无线惯性传感的人体运动捕捉技术将朝着更高精度、更低延迟和更广泛的应用领域发展。
一方面，随着传感器技术的不断进步，无线惯性传感器的性能将得到进一步提升，能够更准确地捕捉人体运动数据。
一种非接触式的手势识别装置
一种非接触式的手势识别装置罗于恒;王洋;刘伟【摘要】研究了一种非接触式的手势识别装置,其基于STM32F103ZET6主控芯片,以FDC2214电容传感器作为检测单元,具有训练和判决2种工作模式。
训练模式下测试人员在测试区域比划手势,得到的数据经数字滤波等预处理、学习与存储。
每种手势训练3次即可对测试人员手势进行判决。
该系统可以有效地利用STM32F103ZET6的低功耗特性及强大的运算处理能力,并且能够最大程度地利用FDC2214各个通道的功能,实现资源的优化配置,一定程度上节约作业成本。
【期刊名称】《科技与创新》【年(卷),期】2018(000)021【总页数】2页(P55-56)【关键词】非接触式传感器;数据滤波;训练学习;手势识别【作者】罗于恒;王洋;刘伟【作者单位】[1]重庆交通大学机电与车辆工程学院,重庆400074;;[1]重庆交通大学机电与车辆工程学院,重庆400074;;[1]重庆交通大学机电与车辆工程学院,重庆400074【正文语种】中文【中图分类】TP2305手势识别是计算机科学和语言技术中的一个主题，通过数学算法来识别人类手势。
随着科学技术发展，手势识别技术也在逐渐成熟，手势识别重点在于对手势动作的跟踪以及后续的计算机数据处理。
手势动作数据的采集主要是通过光学和传感器2种方式来实现的，本文采用一款高灵敏度的FDC2214电容传感器采集不同手势动作的数据，经过训练与学习、手势识别推测算法、统计样本特征、深度学习等技术完成对不同手势动作的判决。
以增强型ARM内核的STM32和FDC2214传感器为基础，将单块电容板作为平行板电容器的一块极板，而手可以看成平行板电容器的另一块极板，两极板中空气是一种电介质。
其原理是通过手形的变化使得两极板重叠的面积变化，进而电容数值大小的改变的。
传感测量值与手掌和极板的重叠面成正比，与手掌和传感平面的距离成反比。
递归式单极模型是一阶惯性低通滤波方法的其中一种实现模型。
基于惯性传感器MPU6050的手势识别方法
基于惯性传感器MPU6050的手势识别方法张平;刘祚时【摘要】Aiming at problem that gesture recognition method based on acceleration does not make full use of data of gyro to classify and recognize gesture,a method for gesture recognition based on MPU6050 sensor is proposed. Through extracting acceleration signal and attitude angle signal,reflect on gesture characteristic quantity.Gestures are presorted by decision tree. Gestures are recognized according to acceleration and attitude angle changing regulation.The gesture verification test is carried out on ten experimenters,average recognition rate is 96.4% and recognition time is less than 0.005 s. The method has certain reference value for gesture recognition based on inertial sensor with digital motion processor(DMP).%针对基于加速度规律的手势识别方法未充分利用陀螺仪的数据进行手势分类和识别的问题,提出了一种基于MPU6050惯性传感器的特征提取手势识别方法,通过提取加速度和姿态角信号在手势上的特征量,利用决策树对手势进行预分类,结合加速度和姿态角的变化规律完成了手势的具体识别.依据预定义手势选择10位试验对象进行测试,获得了96.4%的平均识别率,识别时间小于0.005 s.方法对基于自带数字运动处理器的惯性传感器的手势识别具有一定的参考价值.【期刊名称】《传感器与微系统》【年(卷),期】2018(037)001【总页数】5页(P46-49,53)【关键词】MPU6050;手势识别;特征提取;数字运动处理器【作者】张平;刘祚时【作者单位】江西理工大学机电工程学院,江西赣州341000;江西理工大学机电工程学院,江西赣州341000【正文语种】中文【中图分类】TP391.40 引言基于惯性传感器手势识别一直以来是人机交互领域的重要研究方向[1]。
基于李代数的人体手臂惯性动作捕捉算法
基于李代数的人体手臂惯性动作捕捉算法刘丹;王鑫;片锦香【摘要】In order to realize the real time tracking of human arm motion,a method for realizing the tracking of human arm motion with an inertial sensor was proposed.With the quaternion information obtained by the inertial measurement unit (IMU),the joint positions of wrist,elbow and shoulder were obtained.The inertial data were transmitted to a host computer through bluetooth wireless communication method.Through adopting the OptiTrack optical motion tracking device with millimeter level motion tracking accuracy,the position data of human arm were obtained and taken as the reference position data. The position information in the IMU coordinate system was transformed into the information in the OptiTrack coordinate system for comparison.The results show that the proposed method is suitable for the motion tracking in the free motion environment,and has higher motion tracking accuracy.%为了实现实时人体手臂动作捕捉，提出了一种利用惯性传感器实现人体手臂动作捕捉的方法。
一种基于MEMS惯性传感器的手势识别方法
一种基于MEMS惯性传感器的手势识别方法肖茜;杨平;徐立波【期刊名称】《传感技术学报》【年(卷),期】2013(026)005【摘要】随着手机等移动电子设备的发展,应用于嵌入式平台的基于MEMS惯性传感器的手势识别成为一个研究热点.提出了一种简单有效的手势识别方法:通过分析手势的运动学特征,在线实时提取手势的加速度和角速度信号特征量,截取手势信号段,利用决策树分类器进行预分类,根据手势信号的变化规律实时识别具体的手势.该方法在20位实验者中获得了96％的平均准确率,手势识别时间小于0.01s.实验结果表明该算法在嵌入式平台下能快速准确地识别手势,满足了实时人机交互的要求.%With the development of smart mobile devices,such as mobile phones,gesture recognition based on MEMS inertial sensor and embedded system has become a research hotspot.A simple but effective gesture recognition method is proposed here.In gesture defined phase,14 gestures are defined,and divided into three categories based on the similarity linguistic and operating.In gesture segmentation phase,the gesture was captured with the kinematic features share by all gestures.In gesture recognized phase,the captured gestures are pre-classified by a two-stage decision tree classifier with the acceleration and angular velocity kinematic features of the various categories of gestures respectively.Experiment among 20 experimenters achieved an average accuracy of 96％.Gesture recognition time is less than 0.01 s.The results show that the proposedmethod can recognize gestures rapidly and accurately under embedded system and it meet the requirements of real-time human-computer interaction.【总页数】5页(P611-615)【作者】肖茜;杨平;徐立波【作者单位】电子科技大学机械电子工程学院,成都611731;电子科技大学机械电子工程学院,成都611731;电子科技大学机械电子工程学院,成都611731【正文语种】中文【中图分类】TP391.41【相关文献】1.一种基于惯性传感器的帕金森病冻结步态识别方法研究 [J], 王琰;汪丰;章文斌;孙丰;龚大伟;郑慧芬2.基于惯性传感器MPU6050的手势识别方法 [J], 张平;刘祚时3.一种基于连续波雷达的手势识别方法 [J], 孙延鹏;艾俊;屈乐乐4.一种基于惯性传感器和气压计的爬山与爬楼梯分类识别方法 [J], 王丰5.一种新型的基于滑膜阻尼的电容式双向MEMS惯性传感器(英文) [J], 董林玺;颜海霞;钱忺;孙玲玲因版权原因，仅展示原文概要，查看原文内容请购买。
网络化手势运动跟踪系统设计
网络化手势运动跟踪系统设计摘要：设计了一种基于微机电惯性传感器的数据手套。
根据惯性导航和刚体动力学原理，构建了基于微型传感器的体感网络，并通过多传感器数据的融合解算以获取运动姿态信息，实现对手指各关节运动数据的捕获。
结合计算机图形技术构建三维虚拟手捕获系统进行性能对比评估，实验结果表明：所设计的系统具有良好的稳定性和适应性，能够对手运动信息进行实时有效地捕获。
关键词：运动捕获; 惯性导航; 刚体动力学; 惯性传感器手势作为日常生活中人们广泛使用的一种自然而直观、易于学习和高效的交流方式，有很强的表意能力，伴随虚拟现实技术的发展，虚拟手成为了一种新的人机接口应用，利用高效的数据手套可以有效地捕获手势动作参数，实时获取手部动作的信息，可在人机交互过程中完成操作和交流等功能，有效地拓宽了人机交互通道，在体育、医学、军事等方面有着广阔的应用前景［1］。
手势动作测量系统在工程和科学技术领域常用的检测系统主要有光学式［2，3］和机械式［4］两大类。
光学式对背景、光线等外部环境依赖性强; 机械式设计结构复杂，成本昂贵，且使用存在不便。
MEM惯性传感器可实现对运动信息的检测，为手势动作信息的捕获带来了新的基础工具和应用环境］5~ 7］, 具有结构设计简单，价格低廉，安装和使用便捷等优点，且不受光线影响。
本文针对现有技术中存在的不足,提出了一种基于惯性传感器的数据手套实现方案,利用安装在手套内部的微惯性传感器来组成传感器网络,根据惯性导航和刚体动力学原理［8］对各节点采集的数据进行姿态融合计算,并通过计算机图形技术构建虚拟手模型,将解算的结果映射到模型中对应的关节处,完成数据驱动,以便实时捕捉和还原手势的动作信息。
1数据手套系统结构数据手套可实时有效地捕获手势的动作，并以姿态信息对其各关节进行表示，主要由安装在手套内部的多个微惯性传感器和嵌入式中央处理器构成。
这些惯性传感器合理地布局于手套相关的运动部位，通过数据计算可以得出对应手关节的姿态信息，并结合计算机虚拟手模型精确地还原使用者手势的运动情况。
一种基于MEMS惯性传感器的手势识别方法cg13000098
第26卷第5期2013年5月传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol.26 No.5May 2013项目来源:电子科技大学中央高校基本科研基金项目(A03008023401006)收稿日期:2013-01-30 修改日期:2013-04-20A Gesture Recognition Method Based on MEMS IMU *XIAO Qian ,YANG Ping *,XU Libo(Department of Mechatronics Engineering ,University of Electronic Science and Technology of China ,Chengdu 611731,China )Abstract :With the development of smart mobile devices ,such as mobile phones ,gesture recognition based on MEMS inertial sensor and embedded system has become a research hotspot.A simple but effective gesture recognition method is proposed here.In gesture defined phase ,14gestures are defined ,and divided into three categories based on the similarity linguistic and operating.In gesture segmentation phase ,the gesture was captured with the kinematic features share by all gestures.In gesture recognized phase ,the captured gestures are pre⁃classified by a two⁃stage decision treeclassifier with the acceleration and angular velocity kinematic features of the various categories of gesturesrespectively.Experiment among 20experimenters achieved an average accuracy of 96%.Gesture recognition time is less than 0.01s.The results show that the proposed method can recognize gestures rapidly and accurately under embedded system and it meet the requirements of real⁃time human⁃computer interaction.Key words :gesture recognition ;Human interaction ;feature extraction ;MEMS inertial sensorEEACC :7230 doi :10.3969/j.issn.1004-1699.2013.05.004一种基于MEMS 惯性传感器的手势识别方法*肖 茜,杨 平*,徐立波(电子科技大学机械电子工程学院,成都611731)摘 要:随着手机等移动电子设备的发展,应用于嵌入式平台的基于MEMS 惯性传感器的手势识别成为一个研究热点㊂提出了一种简单有效的手势识别方法:通过分析手势的运动学特征,在线实时提取手势的加速度和角速度信号特征量,截取手势信号段,利用决策树分类器进行预分类,根据手势信号的变化规律实时识别具体的手势㊂该方法在20位实验者中获得了96%的平均准确率,手势识别时间小于0.01s ㊂实验结果表明该算法在嵌入式平台下能快速准确地识别手势,满足了实时人机交互的要求㊂关键词:手势识别;人机交互;特征提取;微惯性传感器中图分类号:TP391.41 文献标识码:A 文章编号:1004-1699(2013)05-0611-05 智能手机等移动电子设备已成为人们日常生活中不可缺少的交流和通讯设备㊂智能电子设备具有可编程能力,同时嵌入多种低成本MEMS 传感器,如加速度计㊁陀螺仪等,因而有很多新颖的应用服务[1];其中手势识别作为一种智能化的人机交互技术越来越受到人们的关注[2]㊂手势识别主要有两种实现方式,一种是基于视觉的识别技术,该技术发展比较早也相对成熟[3],但对设备和环境要求严格,使用局限性较大㊂另一种是基于传感器的识别技术,该技术不受环境㊁光线的影响,目前也已经取得了很多研究成果㊂刘珠峰㊁周良等人[4]提出一种基于特征提取和训练的隐性马尔可夫模型的手势识别方法㊂Zhu Chun ,Sheng Weihua [5]提出一种基于神经网络的隐性马尔可夫模型识别方法㊂荆雷,马文君等人[6]提出一种通过采用动态时间规整(DTW )算法计算手势间相似度的模板匹配方法㊂由于用户的个体差异,同一手势信号存在着较大差异,难以建立准确的手势模版和隐性马尔可夫模型;而神经网络算法需要大量的训练数据,DTW 算法的计算量较大,实时性会减低㊂鉴于此,提出了一种基于MEMS 惯性传感器的特征提取识别方法,传 感 技 术 学 报第26卷通过提取手势运动学特征,即加速度和角速度特征量和变化规律来识别手势㊂该算法满足了嵌入式系统中的人机交互对实时性㊁准确性及连续性的要求,同时提高用户适用性㊂定义的14个手势完全没有设备姿态的限制,用户可以在任意设备姿态下操作这些手势㊂1 手势定义手势是指通过手臂的移动或者旋转[7]产生的各种姿势和动作,是一种自然㊁直观㊁易于学习的人机交互手段[8]㊂手势定义的基本原则是:动作简单㊁自然,便于操作;手势信号特征明显,易于识别㊂基于上述要求,在没有基础运动的前提下定义了如表1所示的三大类共14种手势㊂表1 手势定义手势类别手势动作手势说明翻转手握设备,以手臂为中心轴顺时针或逆时针旋转90°,单次或双次甩动手握设备,以手肘为原点,手臂向上或向下甩动,单次或双次手握设备,以手肘为原点,手臂向左或向右甩动,单次或双次晃动手握设备,以手肘为原点,手臂上下或左右晃动设备三次及以上2 手势识别算法手势识别系统框图如图1所示㊂手势识别模块的总体目标是构建一个健壮的分类器,对手势进行实时分类和识别㊂从图1中可以看出,主要工作包括数据预处理㊁信号段提取㊁特征提取和利用分类器对手势分类㊁后期处理并对结果进行评估㊂图1 手势识别模块2.1 信号预处理由于微惯性器件的主要误差来源于随机游走和零偏不稳定性[9],在传感器设备长时间工作的情况下会产生较大的漂移,需要对传感器信号进行校准和预处理㊂惯性传感器校准的重要因素是:刻度因数(SF)和零偏[10];因此,采用了六位置测试标定法[11]㊂首先将设备固定在一个平整的表面,并将该装置分别沿X,Y,Z轴水平向上和向下放置,共六种状态,每种状态下加速度计敏感轴的输出只包含重力加速度㊂其刻度因数SF acc和零偏B acc的计算方法如下所示㊂SF acc=V+g-V-g2g(1)B acc=V+g+V-g2(2)其中V+g和V-g是加速度计各轴在重力方向和其负方向上的输出电压㊂加速度的校准式如式(3)所示:a=9.8(V acc-B acc)SF acc(3)其中V acc是加速度计的输出信号,a为真实加速度值㊂对于陀螺仪的校准,在其静止时测量每个轴的平均时间偏置T[12]bias㊂T bias取决于陀螺仪的质量,可用Allan方差分析获得[13]㊂陀螺仪的刻度因数SF gyro(V/rad)可通过式(4)得到㊂SF gyro=V gyro-B gyroωrate(4)其中V gyro(V)是陀螺仪在标准输入ωtrate(rad/s)时的输出;B gyro(V)是陀螺仪的零偏;其校准方程如下:ω=V gyro-B gyroSF gyro(5)一次手势信号的持续长度为0.3s~1s,则手势信号的频率在1Hz~4Hz之间,信号的采样频率为100Hz,因此可通过低通滤波器来去除高频噪声㊂考虑到移动电子设备的计算容量,选择了三阶巴特沃斯低通滤波器,其上限截止频率为10Hz㊂2.2 手势信号截取手势识别的第一步是准确检测手势起点和终点,从而实时截取有效的手势信号段[14]㊂手势的加速度和角速度信号如图2(a)和(b)所示㊂如图2所示:没有手势动作时,加速度信号和角速度信号相对平稳;手势动作开始时,加速度信号和角速度信号变化剧烈㊂信号的差分可显出信号变化的剧烈程度,因此用来在线实时检测手势的起点和终点㊂计算方法如式(6)㊁(7)㊁(8)和(9)所示,其中Δa k是第k点的加速度差分;Δωk是第k点的角速度差分;为了消除环境噪声和用户无意识的抖动等偶然因素,采用了取N点差分值的平均值M ak和Mωk作为k点的差分㊂216第5期肖 茜,杨 平等:一种基于MEMS 惯性传感器的手势识别方法 图2 手势起点检测Δa k =|a x K -a x K -1|+|a y K -a y K -1|+|a z K -a z K -1|(6)M a k =1N∑ki =k -NΔa i(7) Δωk =|ωx K -ωx K -1|+|ωy K -ωy K -1|+|ωz K -ωz K -1|(8)M ωk =1N ∑ki =k -NΔωi (9)①若M a k ≥a th ,则认为k 点是手势加速度信号的起点;若M a k ≤a th ,则认为k 点是手势加速度信号的终点;②若M ωk ≥ωth ,则认为k 点为手势角速度信号的起点;若M ωk ≤ωth ,则认为k 点为手势角速度信号的终点㊂其中a th 和ωth 分别为加速度和角速度信号的起点终点检测阈值㊂只有在同时检测到加速度起点(终点)和角速度起点(终点),或两者间隔时间小于0.1s 时才认为是手势起点(终点)㊂检查到手势起点后开始储存传感器数据,直到检查到终点为止㊂2.3 手势特征提取在手势识别中,手势分类的关键是提取能够准确描述手势运动学特性的特征量,它直接关系到分类的准确性和难易程度㊂在选择特征向量时有以下几条标准:(1)尽量降低计算复杂度;(2)要进行特征的相关性分析,有相关的则要剔除[15]㊂因此,在遵守这两条准则的前提下提取出下面几种特征量㊂①手势长度LL =t 终点-t 起点(10)②手势信号段平均能量E a ㊁E ωE a =1L∑Li =1(a 2x i+a 2y i+a 2z i) (11)E ω=1L∑Li =1(ω2x i+ω2y i+ω2z i)(12)其中L 为手势长度㊂a x i ,a y i ,a z i 分别X ,Y ,Z 轴的加速度值,ωx i ,ωy i ,ωz i 分别为X ,Y ,Z 轴的角速度值㊂③波峰数P计算波峰数时,首先比较X ,Y ,Z 信号的平均能量,找到能量最大轴,用该轴信号来计算波峰数㊂为去除一些偶然因素的影响,采用以下方法:首先遍历手势信号数据,寻找其与横轴相交的点C 1㊁C 2㊁C 3 ,如图3所示,然后在相邻的交点间计算信号最大值或则最小值,并与设定的上限阈值或下限阈值比较,大于上限阈值或小于下限阈值的点数(N a max ㊁N a min ㊁N ωmax ㊁N ωmin )达到设定的阈值时,才将波峰数+1㊂图3 能量最大轴波峰数计数方法④波峰波谷次序在计算波峰波谷次序时,通过截取手势起始点后的0.2s 的手势信号,保证在截取的信号段只会出现一次波峰或一次波谷;分别计算大于上限阈值点数N max 和小于下限阈值的点数N min ,比较N max 和N min 的大小,就可得出波峰波谷次序㊂2.4 手势分类算法在提取手势特征量后,需要通过有效的分类算法对各类手势进行分类㊂决策树分类算法将一个复杂的多类分类问题转化为若干个简单的分类问题来解决,因而可以减小分类的难度㊂因此采用决策树分类器进行分类,如图4所示㊂①分类器第一层:晃动类手势运动学特征主要集中在加速度信号,动作持续时间较长,能量远大于其他两类手势,波峰数大于等于3;因此用手势能量和波峰数分离出晃动类手势㊂②分类器第二层:由于甩动类手势运动学特征316传 感 技 术 学 报第26卷主要集中在加速度信号,翻转类手势运动学特征主要集中在角速度信号,而单独的使用加速度特征㊁角速度特征都不能达到很高的分类准确率㊂因此采用最小平方误差准则函数来分离这两类手势㊂图4 手势分类决策树在训练阶段,采集10个用户操作的翻转类手势各8次,甩动类手势各4次,采用这64组数据进行训练,得到的权向量为[5,-9,13],判别函数为:J =5N a max -9N ωmax +13,若J >0则为甩动类手势,若J <0则为翻转类手势㊂其中N a max 为加速度能量最大轴信号大于上限阈值点数,N a max 为角速度能量最大轴信号大于上限阈值点数㊂在测试阶段,另选10人测试识别器的效果,识别结果如图5所示㊂图5 最小平方误差准则函数识别结果2.5 各类手势识别2.5.1 方向识别波峰波谷次序能够反映手势的方向特性,因此采用该特征就可以识别出手势的方向㊂由于翻转手势信号的角速度信号特征比较明显,因此首先计算各轴角速度信号平均能量,能量最大轴为翻转轴,再计算翻转轴的波峰波谷次序㊂对于翻转类手势先出现波谷为顺时针翻转,先出现波峰则为逆时针翻转㊂甩动类手势信号的加速度信号特征比较明显,因此通过计算加速度计X ,Y ,Z 轴信号平均能量,识别出能量最大轴;若能量最大轴为X 轴为上下甩动,先出现波峰则为向下甩动,先出现波谷则为向上甩动;若能量最大轴为Z 轴为左右甩动,先出现波峰则为向左甩动,先出现波谷则为向右甩动㊂晃动类手势与甩动类手势相似,由加速度信号计算出能量最大轴;直接由能量最大轴就可识别方向,若能量最大轴为X 轴为上下晃动,若能量最大轴为Z 轴为左右晃动㊂2.5.2 次数识别波峰数能够反映手势的往复次数特性㊂通过翻转轴或能量最大轴的波峰数就能识别出翻转类手势和甩动类手势的次数㊂3 实验结果为了验证算法对个体差异的适应性和准确率,挑选了20名实验者(男㊁女各10名)在满足手势定义的要求下,以他们各自习惯的方式和力度操作各个手势各100次㊂实验统计结果如表2所示,其中G 1~G 14分表代表顺时针翻转一次㊁顺时针翻转两次㊁逆时针翻转一次㊁逆时针翻转两次㊁向上甩动一次㊁向上甩动两次㊁向下甩动一次㊁向下甩动两次㊁向左甩动一次㊁向左甩动两次㊁向右甩动一次㊁向有甩动两次㊁上下晃动㊁左右晃动,R 1~R 14为各个实验者的识别结果㊂表2 实验结果G 1G 2G 3G 4G 5G 6G 7G 8G 9G 10G 11G 12G 13G 14R 1928R 22917R 3496R 44195R 5982R 61963R 7694R 86292R 9991R 101972R 11298R 122296R 13100R 14100 从表2中可以看出,个别手势的识别率稍低㊂一是实验者以其习惯的方式操作手势,操作手势时容易造成抖动㊂二是未涉及设备姿态识别,使用数据时没有去除重力㊂部分手势的识别率达到了100%,该算法的平均识别率也在96%以上㊂416第5期肖 茜,杨 平等:一种基于MEMS惯性传感器的手势识别方法 4摇结论本文针对基于MEMS惯性传感器的手势识别任务提出一种基于嵌入式系统的计算量小㊁个体适应性强的方法㊂该方法结合陀螺仪的输出数据,消除了仅用加速度计对设备姿态的限制,实现了任意设备姿态下的手势识别,且识别准确率较高㊂但是要求实验者在没有任何基础运动的前提下操作手势;算法未涉及设备姿态识别,在使用加速度数据时没有去除重力,这影响了识别准确率;且陀螺仪的输出数据也没有得到充分的利用㊂在今后的进一步研究中,可结合加速度计和陀螺仪的数据识别设备的姿态,去除重力的影响,从而进一步提高识别准确率;而加入基础运动的手势识别也是一个重要的研究内容㊂参考文献:[1] Lane Nicholas D,Miluzzo Emiliano,Lu Hong,et al.A Survey ofMobile Phone Sensing[J].IEEE Commun.Mag,2010:140-150.[2]陈超,孟剑萍.基于手势识别的人机交互技术[J].计算机与数字工程,2012,10(40):137-142.[3]孔俊其,王辉,张广泉.基于加速度识别的姿态交互研究[J].苏州大学学报:工科版,2009,(29)2:23-27.[4]刘珠峰,周良,丁秋林.基于隐性马尔可夫模型的手势识别设计和优化[J].计算机应用研究,2011,28(6):2386-2388.[5]Zhu Chun,Sheng Weihua.Online Hand Gesture Recognition UsingNeural Network Based Segmentation[C]//IEEE International Conference on Intelligent Robots and Systems,St.Louis,USA, 2009:2415-2420.[6]荆雷,马文君,常丹华.基于动态时间规整的手势加速度信号识别[J].传感技术学报,2012,2(1):72-76.[7]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.[8]胡友树.手势识别技术综述[J].中国科技信息,2005(2):42.[9]赵思浩,陆明泉,冯振明.MEMS惯性器件误差系数的Allan方差分析方法[J].中国科学,2010,42(5):672~675.[10]Ang W T,Khosal P K,Riviere C N.Nonlinear Regression Model ofa Low-g MEMS Accelerometer[J].IEEE Sensor,2007,7:81-88.[11]Song Lijun,Qin Yongyuan.Six Position Testing of MEMSAccelerometer[J].Measurement and Control Technology,2009, 28:11-14.[12]Johann Boren,Lauro Ojeda,Surat Kwamuang.Heuristic Reductionof Gyro Drift For Personnel Tracking System[J].Journal of Navigation,2009,62:41-58.[13]IEEE Standards,IEEE Standard Specification Format Guide andTest Procedure for Single⁃Axis Laser Gyros,2006.[14]Choi Jiho,Song Kyohyun,Lee Seongil.Enabling a Gesture basedNumeric Input on Mobile Phones[C]//IEEE International Conference on Consumer Electronics.Xi’an,China,2011:151 -152.[15]边肇祺,张学工.模式识别[M].2版.北京:清华大学出版社,2000:176-209.肖 茜(1988-),女,汉族,四川人,电子科技大学硕士研究生,研究方向为基于惯性传感器的手势识别技术,xi⁃aoqian1207@;杨 平(1963-),男,汉族,四川人,电子科技大学机械电子工程学院教授,硕士研究生导师,研究方向为机电系统计算机测控理论与技术㊁移动机器人控制技术;ping@;徐立波(1989-),男,汉族,湖北人,电子科技大学硕士研究生,研究方向为基于惯性传感器的手势识别技术;xu⁃liboxiaohui@㊂516。
基于三维加速度传感器的手势识别及交互模型研究的开题报告
基于三维加速度传感器的手势识别及交互模型研究的开题报告一、研究背景与意义手势识别技术在人机交互中具有重要的应用价值。
随着三维加速度传感器的不断发展和应用，基于三维加速度传感器的手势识别技术已经成为研究热点之一。
三维加速度传感器可以测量手部在三维空间内的运动和轨迹，实现手势运动的实时跟踪和识别，在虚拟现实、智能家居、医疗等领域都有广泛的应用。
此外，基于三维加速度传感器的手势交互技术也受到越来越多的关注。
手势交互技术可以实现人与计算机之间的直接交互，极大地提高了用户的使用体验。
例如，在虚拟现实中，手势交互技术可以实现用户对虚拟环境的真实控制，并实现与虚拟环境中的物体进行交互；在智能家居中，手势交互技术可以使用户通过手势控制家居设备，提高生活的舒适性和便利性。
因此，本研究旨在基于三维加速度传感器，探索更加精细的手势识别和交互技术，提高人机交互的效率和体验。
二、研究内容和思路1、基于三维加速度传感器的手势数据采集和处理本研究将采用三维加速度传感器获取手势数据，并进行处理和优化。
首先，设计合适的手势采集方案，实现对手势数据的实时采集和记录。
然后对采集到的数据进行预处理，包括数据清洗、滤波和降噪等操作，提高手势数据的准确性和可靠性。
2、基于机器学习算法的手势识别模型建立本研究将探索机器学习算法在手势识别中的应用。
首先，建立手势识别模型，包括特征提取、特征选择和模型训练等步骤。
然后，选择适当的机器学习算法，如支持向量机、决策树、神经网络等，对手势数据进行分类学习，实现对手势的准确识别。
3、基于手势识别的交互模型设计和实现本研究将基于手势识别算法，设计并实现手势交互模型。
首先，定义手势与交互操作的映射关系，如手势“上滑”可以对应屏幕上的向上滑动等操作。
然后，通过控制软件程序的响应，实现对手势的实时响应和交互，提高人机交互的便捷性和效率。
三、研究目标和创新点1、建立基于三维加速度传感器的手势识别和交互框架，探索更加细致、精准的手势识别和交互技术。
一种改进的CAMSHIFT手势跟踪算法
一种改进的CAMSHIFT手势跟踪算法
吴晓娟;翟海亭;王磊;徐力群
【期刊名称】《山东大学学报：工学版》
【年(卷),期】2004(34)6
【摘要】在基于视觉的手势分析中 ,手势跟踪是一个关键环节 .从实时性的角度考虑 ,提出了一种改进的CAMSHIFT(ContinuouslyAdaptiveMeanShift)算法 ,实现了对动态手势的实时跟踪 .实验表明 ,该算法快速准确可靠 ,并且较好地处理了跟踪过程中大面积肤色干扰及手势被遮挡等问题 ,对复杂场景的检测与跟踪也取得了较好的效果 .同时 ,该算法还适用于其它具有特定颜色目标的跟踪 .
【总页数】5页(P120-124)
【关键词】动态手势跟踪;颜色概率分布;搜索窗;CAMSHIFT算法
【作者】吴晓娟;翟海亭;王磊;徐力群
【作者单位】山东大学信息科学与工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种结合颜色纹理直方图的改进型Camshift目标跟踪算法 [J], 初红霞;谢忠玉;王科俊
2.一种改进的Camshift和Kalman相结合的运动目标跟踪算法 [J], 黄晓丽;杨国为;吴少龙
3.一种改进的CAMShift跟踪算法及人脸检测框架 [J], 杨超;蔡晓东;王丽娟;朱利伟
4.一种改进的CamShift运动目标跟踪算法 [J], 薛桐;任世卿
5.一种基于改进CAMshift的多特征跟踪算法 [J], 李晓波; 徐国强; 杨秀宇; 赵广源因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
行 交 互 。实 验 结 果 表 明 ，该 手 势 控 制 器 能
跟 踪 裁 判 员 手 姿 势 ，进 而 控 制 虚 拟 手 完 成 虚 拟 手势等交
基于惯性传感技术的裁判员手势跟踪研究
刘 彬 ！，王 慧
(上海建桥学院，上 海 201306)
: 摘 要 针 对 快 速 捕 捉 赛 场 中 裁 判 员 手 势 判 决 跟 踪 问 题 ，依 靠 图 像 的 动 态 手 势 跟 踪 虚 拟 现 实 交 互 技 术 ，研
制 了 一 种 基 于 惯 性 传 感 技 术 的 裁 判 员 手 势 控 制 器 ，并 进 行 了 相 关 实 验 验 证 。该 手 势 控 制 器 由 安 装 在 手 部 、小臂
Abstract：For the rapid capture game referee decision gesture tracking problem, by tracking virtual reality interactive dynamic gesture image, developed a referee controller based on gesture inertial sensing technology, and the related experimental verification. The gesture controller is composed of 13 sensor nodes, which are installed in the hand, the arm and the arm. It can be used for the computer to quickly capture the referee^s penalty for the game, and then interact with the objects in the virtual space. The experi mental results show that the gesture controller can accurately track the referee^s hand gesture, and then control the virtual hand, complete virtual interactive gestures and other operations.
第 37卷 第 # 期
刘 彬 等 :基于惯性传感技术的裁判员手势跟踪研究
147
而 且 这 些 研 究 大 多 针 对 静 态 手 势 识 别 。从 交 互 的 角
度 来 看 ，静 态 手 势 识 别 适 用 于 指 令 式 操 作 ，属 于 单
向 输 入 ，一 般 用 于 流 程 控 制 ;动 态 手 势 跟 踪 适 用 于
指 的 动 来 共 完 成 的 。 此 ， 手 掌 分 ，每 根
的 手势跟踪是 实
术
实现的，
有快速跟踪裁判员手的
， 是 实现
！7]， 且
到赛场摄像
视场
的。
，
感 术 (MEMS)的不断
， 式作
术
为研究 [8]。
对
感 术 在 手 势 跟 踪 的研究主要
中在主从 [9]、人 交 互 !10]
!11]等领 域 ，
收稿日期：2017-10-11 作者简介:刘 彬 (1979—），男 ，山东济宁人，硕士，讲师 : ，研究方向 体育教育训练学。 # 通讯联系人，E-mail:weko8664@
间并与之交互的三维环境模拟系统，是视觉表达最
为 完 美 的 艺 术 表 现 形 式 ，具 有 很 强 的 沉 浸 感 '且 已
经在军事
仿 真 、教学等从军事到民用等
到
用[3]。裁判员手势 具 有 速
的，
主要为
据 手 的 手势 叫
的 手势跟踪[ 5 ] 。 据手
手势 ， 是手势
在
，
态手势， 且 感
！6]。3
Key words：virtual interaction;referee gesture;inertial sensing
〇 引言
裁判员作为体育比赛中负责赛场只需的任务，
其主要依靠手势行使规则赋予的职权!1]。针对裁判
员手势的跟踪研究是快速判断比赛结果的重要依
据 。虚拟现实(Virtual Reality，VR )作为目前虚拟空
交 互 式 操 作 ，可 用 于 操 作 虚 拟 空 间 中 的 角 度 出 发 ，针 对 裁 判 员 动 态
手 势 跟 踪 ，提 出 了 一 种 基 于 惯 性 传 感 技 术 的 手 势 控
制 器 ，并 加 入 了 振 动 反 馈 。该 控 制 器 不 仅 可 以 为 虚
互。
关 键 词 ：虚 拟 交 互 ;裁 判 员 手 势 ;惯 性 传 感
中 图 分 类 号 :TP212
文献标识码:A
Research on Referee Gesture Tracking Based on Inertial Sensor Technology
Liu Bin",Wang Hui
(Shanghai Jianqiao University，Shanghai 201306，China)
拟 现 实 提 供 手 势 跟 踪 ，而 且 可 以 提 供 触 觉 反 馈 ，使
得 虚 拟 交 互 变 得 更 加 真 实 自 然 ，且 快
裁判员
对赛事判决。
1 整体方案设计
常 常 根 据 中 节 指 来 算 出 ，而 不 需 要 远 节 指 骨
上 安 装 传 感 器 。大 栂 指 的 动 是 由 远 节 指 近 节
第 37卷 第 2 期 2 0 18年 3月
计算技术与自动化
Computing Technology and Automation
文章 编 号 ：1003-6199(2018)02-0146-07
Vol.37,No.2 Jun. 2 0 18 D01:10.16339/ki.jsjsyzdh.201802030