|
|
基于體感識(shí)別技術(shù)的兩輪自平衡小車，通過(guò)3D攝像頭識(shí)別人體肢體的動(dòng)作，控制小車完成相應(yīng)的動(dòng)作，具體動(dòng)作有前進(jìn)、后退、停止、左轉(zhuǎn)彎、右轉(zhuǎn)彎。本設(shè)計(jì)以陀螺儀和加速度計(jì)作為傳感器，采用32位ARM作為主控制器，通過(guò)電機(jī)驅(qū)動(dòng)電路驅(qū)動(dòng)直流電機(jī)實(shí)現(xiàn)兩輪自平衡小車的姿態(tài)控制。
控制器通過(guò)AD讀取傳感器的信號(hào)，經(jīng)過(guò)濾波算法濾波后進(jìn)行數(shù)據(jù)的融合得到小車的姿態(tài)，控制算法根據(jù)小車的姿態(tài)計(jì)算出PWM信號(hào)，再通過(guò)閉環(huán)反饋控制，使小車穩(wěn)定運(yùn)行。
0.png (67.58 KB, 下載次數(shù): 72)
下載附件
2019-4-5 03:56 上傳
基于景深的骨骼跟蹤原理
本章首先闡述了對(duì)于人體部位有著良好區(qū)分度的景深圖像局域梯度特征，后面將以此為基礎(chǔ)獲取人體骨骼信息。由區(qū)域梯度特征值可得到28維向量，但是由于對(duì)每一維向量分量的閥值不清楚，并且對(duì)于28維來(lái)說(shuō)，各個(gè)維度分類閥值可以有非常多的組合種類，因此不能直接通過(guò)簡(jiǎn)單的試驗(yàn)就確定這些閥值。機(jī)器學(xué)習(xí)的方法是一種訓(xùn)練出分類的閥值從而解決問(wèn)題可行性高的途徑，因此本章后部分對(duì)分類器進(jìn)行了概述，然后針對(duì)人體識(shí)別問(wèn)題對(duì)準(zhǔn)確性和實(shí)時(shí)性的要求，著重討論決策樹以及隨機(jī)森林的處理思想。
3.1景深圖像局域梯度特征
在圖像特征提取中，一個(gè)好的特征不僅要求能夠?qū)Ω鞣N樣本有很高的區(qū)分度，而且要盡可能的減少特征維數(shù)以及計(jì)算的工作量。
在基于可見光的人體識(shí)別特征提取中，點(diǎn)特征和梯度特征是兩大最常見的特征。這能夠給景深圖像人體特征獲取提供一些啟發(fā)。梯度特征比如Laplace-Gaussian算子 、Canny算子 和方向梯度直方圖 （HOG）等。由前兩種算子，可以比較好的檢測(cè)圖像中所有邊緣處的點(diǎn)，檢測(cè)原理為判斷灰度值變化較大的點(diǎn)，由此可以檢測(cè)出輪廓信息。但是由這兩種方法處理很可能將圖像分割成為幾個(gè)彼此不連通的區(qū)域塊，對(duì)于復(fù)雜場(chǎng)景下的人體識(shí)別還要進(jìn)一步進(jìn)行圖像處理以排除其他噪聲的干擾，若選用經(jīng)典的形態(tài)學(xué)方法并結(jié)合閾值進(jìn)行圖像分割，雖然可以除一部分的細(xì)小噪聲，但也有可能同時(shí)破壞掉被檢測(cè)目標(biāo)的形態(tài)。 是人體識(shí)別和檢測(cè)中非常經(jīng)典的方法，它的優(yōu)點(diǎn)是檢測(cè)效果好，處理精度高。但缺點(diǎn)是維數(shù)高，計(jì)算開銷非常大，一般要達(dá)到幾千維，因此很難保證實(shí)時(shí)處理。另一方面來(lái)看，常見的 ,點(diǎn)特征角點(diǎn) 等方法。雖然維度不是很高，但是在背景比較凌亂的情況下點(diǎn)特征難以適應(yīng)人體形態(tài)的多變，并且點(diǎn)特征需要聚類等操作，在一定程度上增加了解決問(wèn)題的難度。由此可知，單純的采用點(diǎn)特征或者梯度特征都不能很好的解決問(wèn)題。
分類器是指在機(jī)器學(xué)習(xí)中用來(lái)判斷新的觀測(cè)數(shù)據(jù)屬于子類類型的工具。理論上來(lái)看，解決分類問(wèn)題的算法有很多種，從不同的角度可以將這些算法劃歸為不同類型。從層次角度劃分，有單獨(dú)分類器和組合分類器。經(jīng)典的單獨(dú)的分類器有貝葉斯網(wǎng)絡(luò) 、K 鄰近算法、人工神經(jīng)網(wǎng)絡(luò) 、支持向量機(jī) 、決策樹 等方法。如果將多種分類器算法組合起來(lái)進(jìn)行運(yùn)用，一般稱值為集成學(xué)習(xí)算法。比如Bagging 和Boosting方法 等。
對(duì)人體部位實(shí)時(shí)分類這種問(wèn)題，計(jì)算的準(zhǔn)確率和速度都是有要求的。決策樹可以保證速度，同時(shí)也有較高的精度。因?yàn)槭褂枚娼Y(jié)構(gòu)的決策樹分類樣本使，僅僅需要對(duì)參數(shù)進(jìn)行比較，而且比較的次數(shù)不會(huì)超過(guò)決策樹的高度。另一方面為了保證準(zhǔn)確率和抑制過(guò)擬合問(wèn)題，可結(jié)合Bangging算法或者是Boosting算法。決策樹和Bagging算法相結(jié)合專業(yè)上成為隨機(jī)森林 。決策樹和Boosting算法相結(jié)合叫做交替決策樹 。從理論上分析，交替決策樹比隨機(jī)森林擁有更高的正確率，這是因?yàn)锽oosting算法可以針對(duì)某些“最難區(qū)分樣本”，并且不必?fù)?dān)心擬合方面的困擾，能夠更充分的發(fā)揮組合分類器的優(yōu)勢(shì)。確定集成學(xué)習(xí)算法需要從計(jì)算速度、準(zhǔn)確率、擴(kuò)展性、間接性和魯棒性等方面全面考慮。考察樣本不難發(fā)現(xiàn)，多數(shù)樣本具有相似性，從算法的簡(jiǎn)潔性和實(shí)時(shí)性方面考慮，本文選擇了隨機(jī)森林算法作為分類器的算法，主要是因?yàn)槭褂秒S機(jī)森林算法計(jì)算相對(duì)簡(jiǎn)單。下文講重點(diǎn)講述決策樹和Bangging算法。
3.3 決策樹
決策樹的本質(zhì)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法。使用此種分類規(guī)則，可將無(wú)次序、無(wú)規(guī)則的元組推測(cè)出新的屬性類別。還方法采用由上至下逐步比較的方法，利用二叉樹可遞歸的性質(zhì)，很容易在計(jì)算機(jī)上實(shí)現(xiàn)該種算法。決策過(guò)程由從二叉樹的根節(jié)點(diǎn)到也節(jié)點(diǎn)路徑表示。在1986年，Quinlan提出了著名的ID3算法 ，又在1993年，Quinlan又將ID3算法改進(jìn)為C4.5（See4.5）算法 。該算法被廣泛認(rèn)為非常經(jīng)典，并運(yùn)用到各種實(shí)例中。在后來(lái)的發(fā)展中，又有人對(duì)C4.5算法做了進(jìn)一步改進(jìn)為SLIQ算法，主要是優(yōu)化了元素讀取效率和內(nèi)存數(shù)據(jù)容量等問(wèn)題。在SLIQ算法中，使用了預(yù)先排序的技術(shù)，先將數(shù)據(jù)按照屬性的大小進(jìn)行排序，然后再讀入內(nèi)存進(jìn)行訓(xùn)練，因此提高了訓(xùn)練和分類的效率，結(jié)合廣度優(yōu)先算法，可以對(duì)大容量數(shù)據(jù)樣本訓(xùn)練。
0.png (69.62 KB, 下載次數(shù): 83)
下載附件
2019-4-5 03:59 上傳
全部資料51hei下載地址：
體感小車.zip
(12.6 MB, 下載次數(shù): 25)
2019-4-4 11:22 上傳
點(diǎn)擊文件名下載附件
論文和源程序 下載積分: 黑幣 -5
|
|
QQ好友和群
QQ空間
騰訊微博
騰訊朋友
收藏
淘帖
頂
踩
