基于穿戴设备的斜直线凌空手势尺度识别
最近在做一个 手势识别项目，手势为斜直线，目的是通过算法来计算斜直线手势的尺度。一开始用的是惯性导航算法来做计算，但是发现基于 可穿戴设备这类低精度的惯性传感器有着诸多的缺点，因此并不适合于用惯性导航算法来做计算。因此进而采用机器学习算法来对不同尺度的凌空手势尺度进行识别，发现识别效果良好，因此将过程分享给大家交流。
一、硬件系统搭建
本项目是基于惯性传感器来收集手势数据。一般的，惯性传感器有分为消费电子级、车载级和航天级。当然的，他们价格就有着非常大的差距，消费电子级一般用于手机、可穿戴设备等上面，一般价格不超过100块。例如常用的MPU6050和MPU9250传感器，分别只有8块和20块左右，详细请见拼多多。但是这样的传感器一般用于计算物体的姿态角，很难用于计算物体在三维空间中的位移，因此还有的研究是用CH100高精度传感器，这类传感器是可以用于物体移动轨迹的追踪，且相对于MPU6050和MPU9250来说更加的稳定和可靠。言归正传，此处手势识别采用的是消费电子级MPU6050传感器，下面将介绍该传感器的硬件情况。
1、加速计
一般的，加速计是用于测量物体自身受到的比力，市面上有单轴、两轴加速计或者三轴加速计，此处项目用的是三轴加速度计。在可穿戴设备中，三轴加速计的方向有着固定的指向。其中x轴的正方向指向手掌，y轴的正方向垂直于手掌，z轴垂直于上述两轴并指向天。随着手部的运动，加速计三轴的数据会随着手的姿态变动而变动。
2、陀螺仪
陀螺仪一般指的是三轴，也有x、y和z轴，其中x轴的正方向指向手掌，y轴的正方向垂直于手掌，z轴垂直于上述两轴并指向天，跟加速计的坐标基本一致。陀螺仪主要可以测到手势的三个加速度信息，通过角速度进行积分也可以获得手势的三个欧拉角，但是这三个欧拉角并不准确，因此获取欧拉角的方法通常也不是这计算。
3、磁力计
磁力计也有x、y和z轴，其中x轴的正方向指向手掌，y轴的正方向垂直于手掌，z轴垂直于上述两轴并指向天，跟加速计的坐标基本一致。磁力计一般用于测量物体所受磁场的磁强度，一般用磁力计的信息在惯性导航算法里面做坐标变换，用于去求取物体的偏航角信息。因此此处的手势识别暂时不需要用到。
4、手机的九轴数据获取
当然了，我们可以直接利用手机获取加速计和陀螺仪信息，如果我们没有MPU6050传感器的话。利用手机获取传感器信息，一般需要搭建一个APP，但是对于非计算机专业的学生来说很费力，这里推荐一个快速制作手机APP的方法给大家使用。
APP inventor官网
APP inventor 开发指南
通过上述的app软件便可以直接开发app并获取数据，通过将数据发送到云服务器端，再利用python可以将数据爬取下来做计算。云服务器一般用免费的TinyWebDB服务器，每个人都可以注册一个属于自己的服务器来存储数据和图片。
TinyWebDB服务器
5、采集频率
一般的，采集频率设置为50Hz。在可穿戴设备中，采集频率过高都会造成过高的功耗，因此采集频率一般在25-50即可。
二、软件系统搭建
数据收集系统大概如下图所示，将加速计和陀螺仪信息通过串口发送到上位机PC端或者ardunio端都可以。
1、数据预处理方法
数据预处理指的是采用某种方法把原始数据里面一些杂质过滤，尽可能留下原始运动信息。因此过滤手势的运动噪声对于手势识别精准度来说显得十分重要。
（1）滑动窗口法
在过滤数据前，一般先用滑动窗口法对手势活动端进行截取，该方法一般用于实时手势识别中。滑动窗口有两个参数，一个是窗口的大小，另一个是窗口每次移动的步长。根据手势活动的观察，可以知道手势活动的最大数据量，此处采用256个数据点作为窗口的大小，窗口每次移动的步长为128。
此时截取到窗口后，要对窗口里面的数据进行分析，判断是不是有效的活动段，一般有能量、均值、方差和波峰波谷等方法。通过上述方法便可获取到有效的活动段数据。
（2）小波降噪
小波理论具有较好的时频信息处理，采用小波降噪可以有效的过滤手势在运动过程中的噪声，比如人体在运动过程在中一般会存在分形噪声。此处利用小波基db6进行4层分解，最终获得较为平滑干净的手势运动信息。蓝色线为原始数据，红色线为滤波后的数据。但是小波降噪往往需要很多的时间处理，实时性不是那么强，因此可以采用下面的组合：均值+低通滤波器。
（3）均值滤波和低通滤波
均值滤波指的是利用一个定长的数据块在原始数据上进行滑动，将窗口里面的数据求和在平均，最后将平均值代替当前数据块中中值的数据值。低通滤波器是通过设定一个频率阈值，将高于这个频率阈值的频率分量置为0，从而达到滤波的作用。
采用均值+低通滤波来过滤手势运动中的噪声，其性能跟小波降噪相当，但是时间消耗却少了很多。因此该方式也是值得应用。
2、特征提取
采用机器学习对手势进行识别，其特征选择显得十分重要。一般特征选的好，那么会有着较高的识别精度。本项目的手势几乎一致，只是在幅度上有着区别，因此选择特征需要在幅度和能量上做区分。
（1）时域
在时域下，本项目主要选取了最大值、最小值、均值、方差、能量和、上四分位点和下四分位点。
（2）频域
在频域中，主要选取峰值频率、标准差频率、方差频率、频率和等。
3、数据集设置
在这个项目中，主要是收集了斜直线手势，每条斜直线代表一种尺度的矩形框大小。如下图所示，等边矩形框的边长间距从10cm至60cm，因此共计6条斜直线手势。我收集了五名志愿者的手势
