基于惯性传感器的手机手势识别

摘   要： 关键词： 惯性传感器; 人机交互; 手势识别; 融合算法
       日常生活中人与人之间的交流除了语言、文字、图片等之外，手势等动作的交流也是一种必不可少的方式，甚至在某些特定的场合，手势交流会起着主导的作用。但是在人与手机等手持设备的人机交互方式上，往往只有传统的键盘与触屏方式，这两种交互方式都是通过文字为媒介实现的。为了提高手持设备的便捷性，其他形式的交互方式显得必不可少。而随着MEMS技术与工艺的进步，微型陀螺仪与加速度计的出现无疑为扩展人机交互方式提供了一种新思路。目前，对于基于惯性传感器的手持设备的姿态识别已经引起了越来越多的的公司与机构的关注。在目前，基于MEMS的惯性传感器已经在大量的工业产品中得到了应用，例如从2007年开始热销的iPhone手机与任天堂的Wii游戏机等产品中就应用到了微加速度计。由微加速度计所带来的前所未有的用户体验代表着一种新的人机交互方式的开始，而此种方式的核心内容之一就是快速而精确地识别出手机当前的姿态。对此，近年来已经有很多人进行了大量的工作，例如，Jang与 Park在2004年将手持设备测得的加速度信号分为静态的和动态的，并给出了相应的识别方法[1]，Ferscha和Resmritas则将手势基于一定的规则分为了基本手势与组合手势，并以此建立相应的手势数据库[2-3]。目前的研究绝大部分都是基于在手持设备中集成微加速度计而来，因而设备的应用与姿态的检测就存在很大的局限性。微陀螺仪的加入在很大程度上解决了这个问题。在本文的研究中，就探讨了一种基于微加速度计与微陀螺仪的手机姿态识别方法。测试中采用了ST的三轴数字式加速度计LIS331DLH,量程为±2 g，16 bit，灵敏度为16 384 LSB/g；微陀螺仪采用Epson公司的XV-3500CB,为模拟传感器，16 bit,灵敏度为0.4 mV/deg/s，量程±600 deg/s。
1 手势动作识别的预处理
　    一般来讲，刚体的运动可以分为随质心的平动以及绕质心的转动[4]，换言之，知道刚体质心（或刚体上某一点）的加速度向量(a=ax+ay+az)与角速度向量(ω=ωx+ωy+ωz)后就可以计算出该刚体的运动状态。在日常应用中，手机等手持设备往往可以视为一个刚体，通过集成于手持设备中的三轴加速度计与三轴陀螺仪就可以准确地感知手机等的运动状态(在没有考虑传感器误差的情况下)。本文的工作正是基于三轴加速度计与三轴陀螺仪输出的六个自由度的数据。
　    实际中，手机的动作根据传感器感知结果可分为敲击（Tap）、旋转甩动（Rotation Shake）、甩动（Shake）、直线运动（Linear Move）、非直线运动(Nonlinear  Move)等几个动作，动作区分如图1所示。为了准确识别这些动作，就需要提取出这些动作的特征，而且这些特征要在信号表现上具有明显的差异性。以加速度计为例，当加速度计信号产生剧烈突变时,可能的手机手势是Tap或Rotation Shake等，但进一步分析后可以得知Tap的加速度尖峰会比较短暂(大约在5 ms以内)，与之相反，Rotation Shake的加速度尖峰就要长得多(大约在40 ms左右)。因此，可以把尖而短的加速度信号看作是Tap的特征信号。
   
   
     通过大量动作试验，可以获得到各种动作对应的传感器信号，通过分析可以设定出大致的各种动作所对应的信号特征，进而根据此特征对手持设备的当前状态进行判断。具体判断流程如图2所示。