基于体感识别技术的两轮自平衡小车，通过3D摄像头识别人体肢体的动作，控制小车完成相应的动作，具体动作有前进、后退、停止、左转弯、右转弯。本设计以陀螺仪和加速度计作为传感器，采用32位ARM作为主控制器，通过电机驱动电路驱动直流电机实现两轮自平衡小车的姿态控制。
控制器通过AD读取传感器的信号，经过滤波算法滤波后进行数据的融合得到小车的姿态，控制算法根据小车的姿态计算出PWM信号，再通过闭环反馈控制，使小车稳定运行。
基于景深的骨骼跟踪原理
本章首先阐述了对于人体部位有着良好区分度的景深图像局域梯度特征，后面将以此为基础获取人体骨骼信息。由区域梯度特征值可得到28维向量，但是由于对每一维向量分量的阀值不清楚，并且对于28维来说，各个维度分类阀值可以有非常多的组合种类，因此不能直接通过简单的试验就确定这些阀值。机器学习的方法是一种训练出分类的阀值从而解决问题可行性高的途径，因此本章后部分对分类器进行了概述，然后针对人体识别问题对准确性和实时性的要求，着重讨论决策树以及随机森林的处理思想。
3.1景深图像局域梯度特征
在图像特征提取中，一个好的特征不仅要求能够对各种样本有很高的区分度，而且要尽可能的减少特征维数以及计算的工作量。
在基于可见光的人体识别特征提取中，点特征和梯度特征是两大最常见的特征。这能够给景深图像人体特征获取提供一些启发。梯度特征比如Laplace-Gaussian算子 、Canny算子 和方向梯度直方图 （HOG）等。由前两种算子，可以比较好的检测图像中所有边缘处的点，检测原理为判断灰度值变化较大的点，由此可以检测出轮廓信息。但是由这两种方法处理很可能将图像分割成为几个彼此不连通的区域块，对于复杂场景下的人体识别还要进一步进行图像处理以排除其他噪声的干扰，若选用经典的形态学方法并结合阈值进行图像分割，虽然可以除一部分的细小噪声，但也有可能同时破坏掉被检测目标的形态。 是人体识别和检测中非常经典的方法，它的优点是检测效果好，处理精度高。但缺点是维数高，计算开销非常大，一般要达到几千维，因此很难保证实时处理。另一方面来看，常见的 ,点特征角点 等方法。虽然维度不是很高，但是在背景比较凌乱的情况下点特征难以适应人体形态的多变，并且点特征需要聚类等操作，在一定程度上增加了解决问题的难度。由此可知，单纯的采用点特征或者梯度特征都不能很好的解决问题。
分类器是指在机器学习中用来判断新的观测数据属于子类类型的工具。理论上来看，解决分类问题的算法有很多种，从不同的角度可以将这些算法划归为不同类型。从层次角度划分，有单独分类器和组合分类器。经典的单独的分类器有贝叶斯网络 、K 邻近算法、人工神经网络 、支持向量机 、决策树 等方法。如果将多种分类器算法组合起来进行运用，一般称值为集成学习算法。比如Bagging 和Boosting方法 等。
对人体部位实时分类这种问题，计算的准确率和速度都是有要求的。决策树可以保证速度，同时也有较高的精度。因为使用二叉结构的决策树分类样本使，仅仅需要对参数进行比较，而且比较的次数不会超过决策树的高度。另一方面为了保证准确率和抑制过拟合问题，可结合Bangging算法或者是Boosting算法。决策树和Bagging算法相结合专业上成为随机森林 。决策树和Boosting算法相结合叫做交替决策树 。从理论上分析，交替决策树比随机森林拥有更高的正确率，这是因为Boosting算法可以针对某些“最难区分样本”，并且不必担心拟合方面的困扰，能够更充分的发挥组合分类器的优势。确定集成学习算法需要从计算速度、准确率、扩展性、间接性和鲁棒性等方面全面考虑。考察样本不难发现，多数样本具有相似性，从算法的简洁性和实时性方面考虑，本文选择了随机森林算法作为分类器的算法，主要是因为使用随机森林算法计算相对简单。下文讲重点讲述决策树和Bangging算法。
3.3 决策树
决策树的本质是以实例为基础的归纳学习算法。使用此种分类规则，可将无次序、无规则的元组推测出新的属性类别。还方法采用由上至下逐步比较的方法，利用二叉树可递归的性质，很容易在计算机上实现该种算法。决策过程由从二叉树的根节点到也节点路径表示。在1986年，Quinlan提出了著名的ID3算法 ，又在1993年，Quinlan又将ID3算法改进为C4.5（See4.5）算法 。该算法被广泛认为非常经典，并运用到各种实例中。在后来的发展中，又有人对C4.5算法做了进一步改进为SLIQ算法，主要是优化了元素读取效率和内存数据容量等问题。在SLIQ算法中，使用了预先排序的技术，先将数据按照属性的大小进行排序，然后再读入内存进行训练，因此提高了训练和分类的效率，结合广度优先算法，可以对大容量数据样本训练。
全部资料51hei下载地址：
体感小车.zip
(12.6 MB, 下载次数: 25)
|
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
淘帖
顶
踩
