[發(fā)明專利]一種基于CAE-SVM的機(jī)器人手勢(shì)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010014564.6
• 申請(qǐng)日: 2020-01-07
• 公開(kāi)（公告）號(hào): CN111241982B
• 公開(kāi)（公告）日: 2023-04-28
• 發(fā)明（設(shè)計(jì)）人: 應(yīng)明峰;莫曉暉;杭阿芳;吳敏;苗甜銀;司立眾;陳淼;高峰
• 申請(qǐng)（專利權(quán)）人: 金陵科技學(xué)院
• 主分類號(hào): G06F18/24
• 分類號(hào): G06F18/24;G06F18/2411
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 朱欣欣

本發(fā)明的目的是提出一種基于CAE?SVM的機(jī)器人手勢(shì)識(shí)別方法，本發(fā)明針對(duì)手勢(shì)信號(hào)具有多樣化、多義性等特征，在提取手勢(shì)特征時(shí)存在一定的盲目性和隨意性，難以識(shí)別等問(wèn)題，提出了以CAE提取表面肌電信號(hào)的深層特征，再利用SVM對(duì)手勢(shì)特征進(jìn)行識(shí)別，最后將手勢(shì)的動(dòng)作類型用于控制機(jī)器人手臂動(dòng)作。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器人手勢(shì)識(shí)別領(lǐng)域，特別設(shè)計(jì)基于CAE-SVM的機(jī)器人手勢(shì)識(shí)別方法。

背景技術(shù)

隨著人機(jī)交互和人工智能的迅猛發(fā)展，人機(jī)交互技術(shù)由最開(kāi)始的通過(guò)命令行及操作指令控制計(jì)算機(jī)到圖形交互界面控制計(jì)算機(jī)，再到多傳感器融合交互的人機(jī)交互新模式。新的人機(jī)交互模式通過(guò)多傳感器采集的語(yǔ)音、手勢(shì)、表情、眼動(dòng)等信號(hào)與機(jī)器交互，并完成交互任務(wù)。其中手勢(shì)識(shí)別是人機(jī)交互中的一個(gè)重要組成部分。

表面肌電信號(hào)(surface?Electronmyography,sEMC)是肌肉活動(dòng)產(chǎn)生的非平穩(wěn)生物電信號(hào)，該信號(hào)可以反映了手腕、手指的精細(xì)動(dòng)作。手勢(shì)識(shí)別技術(shù)主要分為三步：手勢(shì)信號(hào)采集、提取特征、手勢(shì)判別。然而手勢(shì)具有多樣化、多義化等特征，并且在不同的時(shí)間以及空間上的上存在差異性，還有手勢(shì)信號(hào)出現(xiàn)的干擾噪聲，選取手勢(shì)特征的盲目性和隨意性，這都是影響手勢(shì)識(shí)別的重要因素。

壓縮自編碼(Contractive?Autoencoder，CAE)是一種正則自編碼器。采用雅可比矩陣F范數(shù)的平方作為誤差約束項(xiàng)，通過(guò)雅可比矩陣F提取樣本數(shù)據(jù)在各個(gè)方向的特征，實(shí)現(xiàn)數(shù)據(jù)降維。相比于自編碼算法，壓縮自編碼提高了對(duì)于輸入數(shù)據(jù)中的擾動(dòng)的魯棒性，能在一定程度上消除輸入數(shù)據(jù)的噪聲。

支持向量機(jī)(Support?Vector?Machine,SVM)，屬于機(jī)器學(xué)習(xí)范疇。SVM算法的學(xué)習(xí)策略是找到分類樣本的“間隔最大化”，也就是找出能夠使得分類類別間距最大化的最優(yōu)超平面，算法的本質(zhì)是在特征空間中的最大線性分類器。SVM算法把樣本的低維特征通過(guò)核函數(shù)映射到高維特征空間上，可使得SVM的適用范圍擴(kuò)展到非線性可分的領(lǐng)域中。SVM有著非線性映射、很強(qiáng)的魯棒性、對(duì)樣本量需求小、能劃分特征空間的最優(yōu)超平面等優(yōu)點(diǎn)，因此可以使用SVM的方法解決手勢(shì)分類的問(wèn)題。

發(fā)明內(nèi)容

為了解決上述存在問(wèn)題。本發(fā)明提供一種基于CAE-SVM的機(jī)器人手勢(shì)識(shí)別方法，采用SVM代替CAE頂層的Softmax分類器，既結(jié)合了CAE較好的深層特征提取能力，也結(jié)合了SVM算法泛化能力強(qiáng)、分類精度高等優(yōu)點(diǎn)，實(shí)現(xiàn)對(duì)機(jī)器人的手勢(shì)識(shí)別，最后將識(shí)別的手勢(shì)用于控制機(jī)器人手臂的工作狀態(tài)。

本發(fā)明提供基于CAE-SVM的機(jī)器人手勢(shì)識(shí)別方法的技術(shù)方案如下：

步驟1：使用肌電采集傳感器采集的表面肌電信號(hào)樣本，同時(shí)制作樣本數(shù)據(jù)庫(kù)，并劃分訓(xùn)練樣本和測(cè)試樣本；

步驟2：構(gòu)建CAE模型，確定CAE模型隱含層的層數(shù)、隱含層神經(jīng)元的數(shù)目，壓縮系數(shù)λ；

步驟3：將表面肌電信號(hào)送入CAE網(wǎng)絡(luò)中，提取表面肌電信號(hào)的深層特征；

步驟4：將提取的肌電信號(hào)深層特征輸入到SVM模型中進(jìn)行分類；

步驟5：將CAE-SVM模型輸出的類別控制機(jī)器人動(dòng)作。

作為本發(fā)明進(jìn)一步改進(jìn)，所述步驟2中CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置如下：

CAE網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為1000-500-300-6的網(wǎng)絡(luò)結(jié)構(gòu)，壓縮系數(shù)λ為0.003，最大迭代次數(shù)設(shè)置為300，學(xué)習(xí)率設(shè)置為0.05，激活函數(shù)設(shè)置為Sigmoid，誤差函數(shù)采用均方根誤差。

作為本發(fā)明進(jìn)一步改進(jìn)，所述步驟3中表面肌電信號(hào)的深層特征提取如下：

從訓(xùn)練好的CAE模型隱含層中提取深層特征，原始數(shù)據(jù)到提取深層特征的步驟分為:編碼過(guò)程和解碼過(guò)程；