《大学生创训练计划项目开题报告》由会员分享，可在线阅读，更多相关《大学生创训练计划项目开题报告（19页珍藏版）》请在金锄头文库上搜索。
1、大学生创新训练计划项目开题报告全文19页，共8600字大学生创新训练计划项目开题报告 项目级别： 国家级 省级 校级 项目编号： 项目名称： XXXX手势识别 项目负责人： 联系电话： 项目组成员： 起止年月： 2017.62018.5 指导教师： 所在学院： 计算机与信息学院 创新创业教育中心填 表 须 知1、请将项目级别对应选项的“”打“”。2、要按顺序逐项填写，内容要实事求是，表达要明确、严谨。空缺项要填“无”。可自行复印或加页，但格式、内容、大小均须与原件一致。要求一律用A4纸正反页打印，于左侧装订成册。3、项目开题报告中栏目“1至8”由学生填写，栏目“9”由教师填写，栏目“10”由学
2、院负责人填写。4、国家级项目开题报告由所在学院审查、签署意见后，一式三份（均为原件），报送创新创业教育中心。项目名称XXXX的手势识别1、项目来源及研究目的和意义随着科学技术的发展，人们不断对人机交互的水平和质量提出新的要求和挑战。手势以其直观、自然和易于学习的人机交互的优势和不需要专门的硬件配合的情况下实现智能化的信息交换和处理，受到越来越多学者的青睐和学术界的关注。鉴于手势具有直观性、自然性的特点，手势已经成为人机信息交互的一种重要手段。手势识别技术是当今人机交互领域的一项关键技术，这项技术涉及领域广泛，如:（1）用于虚拟环境的交互, 虚拟装配通过手的运动直接进行零件的装配，同时通过手势与
3、语音的合成来灵活的定义零件之间的装配关系。还可以将手势识别用于复杂设计信息的输入；（2）用于手语识别, 手语识别的研究目标是让机器“看懂”聋人的语言。手语识别和手语合成相结合，构成一个“人机手语翻译系统”，便于聋人与周围环境的交流；（3）用于多通道、多媒体用户界面；（4）用于机器人机械手的抓取，机器人机械手的自然抓取一直是机器人研究领域的难点。手势识别，尤其是基于数据手套的手势识别的研究对克服这个问题有重要的意义，是手势识别的重要应用领域之一。近几年手势识别的具体应用大多在以下几个方面：（1）智能家居，人们希望通过手势动作命令家庭电器工作；（2）用于汽车领域，人们可以用特定的手势调用汽车系统的
4、相关功能，比如启动导航系统等等；（3）用于远程控制，在特殊场合要应用远端机器或者机器人的时候，可以通过手势很好的控制它们；（4）用于娱乐，玩家通过手势控制游戏设备，能大大增加游戏趣味性，有更强的互动感等。手势识别技术中，基于传感器的手势识别和基于视觉的手势识别是当下最为常见的。但是基于传感器的手势识别需要使用者穿戴专门的设备，基于视觉的手势识别旧虽然在使用过程中能够很大程度上避免基于传感器的手势识别的局限，但却仍然受到视觉设备视距有限、视线容易受到阻挡、受光线强度影响等限制。雷达相比于其它隔空操作技术，它有着一些天然优势：比如无论白天黑夜，暴晒寒风，皆可正常工作；在体积、成本，以及功耗上都比体
5、感相机来得要更低；高频雷达测量物体距离通常可以精确到毫米级别；而低频雷达则可以做到“穿墙而过”，完全无视遮挡物的存在。这些特性让雷达，尤其是微型雷达，在未来都有着广阔的应用前景。2、国内外研究概况及发展趋势早期的手势识别是基于二维彩色图像的识别技术，所谓的二维彩色图像是指通过普通摄像头拍出场景后，得到二维的静态图像，然后再通过计算机图形算法进行图像中内容的识别。二维的手型识别只能识别出几个静态的手势动作，而且这些动作必须要提前进行预设。最近几年手势识别技术与之前的研究相比，整个手势交互系统都有较大的发展进步，提供一个自然而且有效的人机交互界面始终是人机交互研究的目的。那么手势识别以后的发展也要
6、围绕这一点。在未来的发展中，口语、手势和人脸在虚拟环境中的互补是必要的。手形有两种建模方式：基于图像的建模和基于三维的建模。基于图像的建模虽然简单高效，但是缺乏通用性。后者相比较二维手势识别，增加了一个Z轴的信息，它可以识别各种手型、手势和动作。三维手势识别也是现在手势识别发展的主要方向。不过这种包含一定深度信息的手势识别，需要特别的硬件来实现。目前常用的手势识别研究方法主要有以下几种：（1）基于摄像机为输入设备的手势识别输入设备可用单个或多个摄像头或摄像机来采集手势信息，经计算机系统分析获取的图像来识别手势。摄像头或摄像机的价格相对较低， 但计算过程较复杂，其识别率和实时性均较差。其优点是学
7、习和使用简单灵活，不干扰用户，是更自然和直接的人与计算机的交互方式。（2）以数据手套为输入设备的手势识别目前使用广泛的人机交互设备是数据手套(Data Glove)。数据手套反馈各关节的数据，并经一个位置跟踪器返回人手所在的三维坐标，从而来测量手势在三维空间中的位置信息和手指等关节的运动信息。这种系统可以直接获得人手在 3D 空间中的坐标和手指运动的参数，数据的精确度高，可识别的手势多且辨识率高。缺点是数据手套和位置跟踪器价格昂贵，有时也会给用户带来不便，如持戴的手部出汗等。（3）本报告提出的基于雷达技术的手势识别方法，属于基于无线射频的手势识别无线信号有着能够穿透墙壁、越过障碍物等优点。近年
8、来，基于无线射频的手势识别也成为了本领域研究热点。Wang W，Liu A x等人提出一种基于CSI(Channel State Information)的人体运动识别模型1，采用wifi频段信号，分析了多径效应对人体运动的影响，并且提出采样小波变换或者时频分析的方式去做人体的运动识别，在后续获得特征参数后，使用Hidden Markov Model(HMM)对不同场景进行建模。WiGest是卡耐基梅陇大学的Khaled AHarras团队做的产品2，核心在于使用WiFi信号的RSSI信息，通过小波变换将手势信号的上升沿、下降沿、脉冲等特征去识别手势。Dina Katabi团队介绍了RFCap
9、ture3，利用射频信号可以对人体进行穿墙成像，并且识别人体的局部特征进行手势识别。在国内，目前上海的博士生导师徐丰、上海复旦大学信息工程学院毕业的刘熠辰等七人已经实现了基于雷达技术来识别七种不同的手势并且将手势成像，正确率达到了929，除此之外国内还有许多学者正在钻研这项技术，但是迄今为止中国在基于雷达的手势识别应用上大多停留在实验室阶段。与前文1-3这些基于无线射频的手势识别不同，本项目基于信号的多普勒频移现象，应用FMCW雷达，FMCW是取英文Frequency Modulated Continuous Wave的词头的缩写，FMCW 技术是在雷达物位测量设备中最早使用的技术。FMCW雷
10、达将受不同手势动作影响的信号多普勒频率频移生成的手势信息进行处理，并且根据不同手势生成的手势信息图像的多普勒频移具有不同的特征，采用机器学习算法SVM算法对手势进行分类，并对不同的手势信息进行编码从而控制灯的一系列变化。手势识别的常用算法:（1）基于人工神经网络的手势识别神经网络基于统计和概率学方法的组织和判断具有抗干扰、自学习、易控制和处理高效的特点，可用于处理信息缺失的模式并进行模式推广。如果整个神经网络包括的全部神经元都是时空效能好的算法。那就可以判断手势细微部分的运动。但人工神经网络对时间序列处理能力不强。在静态手势的识别中应用较多，动态手势识别中几乎没有应用。此外，尽管对神经网络的相
11、关研究及应用已经有了几十年，但是该方法本身的复杂性使成功构建一个效果良好的神经网络对大多数人比较困难。（2）基于隐马尔可夫模型的手势识别隐马尔可夫模型（Hidden Markov Model，简称HMM）也是在手势识别中普遍使用和有效的一种技术，它能通过较少的样本训练出可靠的模型，并按模型匹配原理，寻找与测试样本最相似的状态作为识别结果，但HMM通过寻找与未知信号最相似的状态作为识别结果，表达的是类内的相似性，缺乏类间的差异性利用，模型的训练基于最大似然估计，对训练样本的数量要求较多。（3）基于几何特征的手势识别传统的几何分类法算法简单，与神经网络的方法相比，几何分类法显示出了高识别速度和可靠
12、性，其允许定义一个不同的手势类别特点的特征集，估计一个局部最优的线性分辨器，根据手势图像中提取的大量特征识别相应的手势类别。抽取的几何特征有多种类别。一类是整体统计特征，如手势图像的重心（COG）和主轴方向，另一类是基于轮廓的局部特征，包括指尖和指根。整体特征和局部特征构成一个特征向量，用于识别和跟踪手势。综上所述，在高精度的测距领域，与其他体制的雷达相比FMCW雷达主要优点有：具有较宽的多普勒频带；可以实现更宽的发射信号调频带宽，具有很高的距离分辨率；调制信号的周期远大于目标回波的时间延迟，且接收机与发射机同时工作，不存在距离测量盲区；借助于 FFT 处理差频信号，首先对差频信号进行频谱分析
13、，然后根据峰值谱线所在的位置来确定差频信号频率，系统更容易实现，大大提高了手势识别率。3、项目主要研究内容手势是人类沟通的一种自然形式。在汽车领域，可以利用手势控制车载空调，导航等，它允许司机能专注于驾驶从而改善司机的驾驶安全。在智能家居方面，人们能以手势动作命令家庭电器工作，更加方便快捷。 本项目利用信号的多普勒频移现象，应用FMCW雷达受不同手势动作影响的信号多普勒频率频移生成手势信息图像，并且根据不同手势生成的手势信息图像的多普勒频移具有不同的特征，采用机器学习算法SVM算法对手势进行分类，并将其编码，从而实现对灯开、关、亮、暗的控制。4、已完成的前期研究工作及成果4.1所需资料准备齐全
14、4.2大型实验设备已到位4.3所需软件已安装4.4工作进度表安排完善4.5已进行大致成员分工5、拟采用的研究方案和要解决的关键技术问题试验方案项目整体结构图：图1 项目整体结构图5.1、识别方法本文手势识别利用了信号的多普勒频移现象。发射端发射信号后，接收端收到回波，回波经过混频处理，再通过FFT处理转换成频域信号，将受不同手势动作影响的信号多普勒频率频移生成手势信息图像，并且根据不同手势生成的手势信息图像的多普勒频移具有不同的特征，采用机器学习算法SVM算法对手势进行特征识别，手势数据库匹配。将其不同的信号进行编码，从而控制灯的变化。5.1.1手势多普勒频移当发射信号源遇到比划手势的人体时，回波信号中将有出现多普勒频移。多普勒频移计算的数学公式如下： （1-1）如果手部运动方向或手部运动速度发生改变，多普勒频移势必会发生变化，不同手势，这两种手部运动的参数不同，多普勒频移便不同，这便可以得出结论，通过多普勒频移能够成功表达不同手势的信息。5.1.2多普勒频移处理方法获取手势信号多普勒频移
