[发明专利]一种基于CAE-SVM的机器人手势识别方法

说明书

本发明的目的是提出一种基于CAE‑SVM的机器人手势识别方法，本发明针对手势信号具有多样化、多义性等特征，在提取手势特征时存在一定的盲目性和随意性，难以识别等问题，提出了以CAE提取表面肌电信号的深层特征，再利用SVM对手势特征进行识别，最后将手势的动作类型用于控制机器人手臂动作。

技术领域

本发明涉及机器人手势识别领域，特别设计基于CAE-SVM的机器人手势识别方法。

背景技术

随着人机交互和人工智能的迅猛发展，人机交互技术由最开始的通过命令行及操作指令控制计算机到图形交互界面控制计算机，再到多传感器融合交互的人机交互新模式。新的人机交互模式通过多传感器采集的语音、手势、表情、眼动等信号与机器交互，并完成交互任务。其中手势识别是人机交互中的一个重要组成部分。

表面肌电信号(surface Electronmyography,sEMC)是肌肉活动产生的非平稳生物电信号，该信号可以反映了手腕、手指的精细动作。手势识别技术主要分为三步：手势信号采集、提取特征、手势判别。然而手势具有多样化、多义化等特征，并且在不同的时间以及空间上的上存在差异性，还有手势信号出现的干扰噪声，选取手势特征的盲目性和随意性，这都是影响手势识别的重要因素。

压缩自编码(Contractive Autoencoder，CAE)是一种正则自编码器。采用雅可比矩阵F范数的平方作为误差约束项，通过雅可比矩阵F提取样本数据在各个方向的特征，实现数据降维。相比于自编码算法，压缩自编码提高了对于输入数据中的扰动的鲁棒性，能在一定程度上消除输入数据的噪声。

支持向量机(Support Vector Machine,SVM)，属于机器学习范畴。SVM算法的学习策略是找到分类样本的“间隔最大化”，也就是找出能够使得分类类别间距最大化的最优超平面，算法的本质是在特征空间中的最大线性分类器。SVM算法把样本的低维特征通过核函数映射到高维特征空间上，可使得SVM的适用范围扩展到非线性可分的领域中。SVM有着非线性映射、很强的鲁棒性、对样本量需求小、能划分特征空间的最优超平面等优点，因此可以使用SVM的方法解决手势分类的问题。

发明内容

为了解决上述存在问题。本发明提供一种基于CAE-SVM的机器人手势识别方法，采用SVM代替CAE顶层的Softmax分类器，既结合了CAE较好的深层特征提取能力，也结合了SVM算法泛化能力强、分类精度高等优点，实现对机器人的手势识别，最后将识别的手势用于控制机器人手臂的工作状态。

本发明提供基于CAE-SVM的机器人手势识别方法的技术方案如下：

步骤1：使用肌电采集传感器采集的表面肌电信号样本，同时制作样本数据库，并划分训练样本和测试样本；

步骤2：构建CAE模型，确定CAE模型隐含层的层数、隐含层神经元的数目，压缩系数λ；

步骤3：将表面肌电信号送入CAE网络中，提取表面肌电信号的深层特征；

步骤4：将提取的肌电信号深层特征输入到SVM模型中进行分类；

步骤5：将CAE-SVM模型输出的类别控制机器人动作。

作为本发明进一步改进，所述步骤2中CAE网络结构设置如下：

CAE网络结构设置为1000-500-300-6的网络结构，压缩系数λ为0.003，最大迭代次数设置为300，学习率设置为0.05，激活函数设置为Sigmoid，误差函数采用均方根误差。

作为本发明进一步改进，所述步骤3中表面肌电信号的深层特征提取如下：

从训练好的CAE模型隐含层中提取深层特征，原始数据到提取深层特征的步骤分为:编码过程和解码过程；