关键词：电容传感器；手势识别；STM32
1 引言
手势是一种人类的基本特征，是人际交往过程中不可缺少的一部分。手势识别技术的发展，为人与机器交互提供了可能。根据手势在时间和空间上的差异，手势可分为静态手势和动态手势，对静态手势的研究主要考虑手势的位置信息，而研究动态手势除了要考虑手势空间位置变化，还需要考虑手势在时序中的变化规律。同时，手势识别技术无论是在手势样本的采集，还是手势的设计上都有自己的优势，对手势识别进行深入研究有着很重要的意义。
手势识别作为一个传统的、复杂的研究领域，国内外许多专家、学者进行了大量、深入的研究和分析。有采用了基于红外传感器的动态手势识别，其实现原理是利用4个定向二极管来感知反射的红外线能量，并将该数据转换为4个方向的距离信息[1]。微软Kinect是一款消费级的姿态传感器，利用Kinect体感设备的景深图像采集技术来获取人体动作的图像，通过阈值分割技术将手和人的身体分隔开，得到手部的图像信息，然后采用卡尔曼滤波技术对动态手势动作进行处理[2-3]。SVM是一种基于支持向量机的判别方法，通过此方法做静态手势处理，利用LeapMotion（体感控制器）获取视野内手势原始数据进行特征提取，降低手语分割难度，在此基础上将提取的特征整理成文本导入MATLAB，再经过数据归一化、PCA（主成分分析技术）降维，提升识别精度和运行速度[4]。还可以通过计算机的视觉感知功能,将图像转化为数字信号，借助识别模式等理论技术，将视觉感知的功能转化为手势的语言[5-7]。
综上所述，现有技术也可以达到一定的准确度和稳定性。但与之相比，通过电容传感器将更为简单低廉，数据更易处理。本文通过猜拳和数字测试也能保证稳定性，且通过学习模式，可以识别各种对象的手势。
2 实现原理
2.1 系统结构工作原理
FDC2214能够较准确的测量出电容值的大小，与其连接的平行板电容器由铝板和测试者的手构成。测试者的手势如图1所示。
图1 手势
平行板电容决定式：
（1） 由式（1）可知，当固定距离d，测试者比划出不同的手势，两极板间的相对面积不同，电容值会不一样。再利用微处理器通过IIC总线来给FDC2214的寄存器写命令，配置其寄存器。在该芯片的外围电路的电容传感器输入引脚处连接极板电容，微处理器通过IIC的数据线读取电容的测量结果。利用电容值的大小来反映摆出的手势。
判定功能是通过设立电容的阀值作为判断的依据，在对应手势的电容允许范围内，即为对应的手势。为使之更加准确，使用两个通道，建立两个范围进行测定。因为电容的变化不是瞬时变化而是有一个过程，重点是要判断何时是未定的状态，通过与前一次状态对比变化小于一定的阈值即为稳定。因为不同人的手的大小不同，所以要根据每次从传感器得到的值来维护阈值，使之应用更加广泛。显示功能是通过上位机来实现的，通过在上位机上显示工作状态，判定结果[8]。
2.2 FDC2214电容数据推导
图2 FDC2214连接图
如图2所示，差动传感器配置的传感器电容为：
3 硬件实现
使用STM32F103RCT6微处理器作为主控芯片。它拥有丰富的资源，外设借口多，能较容易的测量和处理数据，灵活实现功能需求[9-10]。
使用铝板作为平行板电容器的极板，抗干扰能力强，稳定性较好。市场供应充足，价格便宜，容易购买。
图3 FDC2214芯片引脚图
FDC2214电容式传感器是一种低功耗、低成本且高分辨率的非接触式感测器，适用于从接近检测和手势识别到远程液位感测领域的各项应用[11]。从如图3可知，FDC2214有四组输入接口引脚，有IIC通信的时钟线和数据线的引脚。使用时，只需可把它们与CPU引脚直接相连，简单灵活，且通信方便。
4 系统软件实现
手与铝板构成的电容通过电容传感器FDC2214，利用IIC通信，传给主CPU。按键控制CPU模式，CPU结合模式和电容值给出相应的结果，以上位机显示，如图4所示。
图4 主要模块设计图
从图5可知，系统初始化后进入模式选择，选择后对于判决模式，用传感器测出的值和阈值比较得出结果。对于学习模式，通过传感器测的值对阈值进行调整。
5 数据分析
分别对石头、剪刀、布、1、2、3、4、5进行十次数据采集。可见每种手势数据集中且可以区分，如图6所示。
图5 系统总体工作流程图
对以上数据取最大值最小值，建立表1，以此定义阈值，锁存数据。为增加准确度，可以适当放宽最大最小值的范围。也可以再建立一个尺度进行限制，比如两个电容的和差的范围。
图6 手势数据图
手势识别装置如图7所示，模拟测试环境，通过搭建指定的测试区，测试者按指定要求把手放在测试板上，并且使其手势与两平行铝板的高度不小于1厘米。系统可以在1秒中给出测试结果，正确率可以达到98%以上。
图7：手势识别装置
6 结论
以嵌入式微处理器STM32与电容式感应芯片FDC2214共同构建的手势识别系统，软硬件架构合理，数据采集处理简单有效，降低了系统的功能和功耗，实现了系统的微型化与智能化，解决了手势识别的分割难，
参考文献：
[1]施向军,王星尧. 基于红外传感器和隐马尔可夫模型的动态手势识别[J]. 电子器件,2018,41(05):1286-1290.
[2] 田元,王学璠,王志锋,陈加,姚璜. 基于Kinect的实时手势识别方法[J]. 计算机工程与设计,2018,39(06):1721-1726.
[3]杨琼楠,张苗苗,杨聪锟,陈超波. 基于Kinect手势识别的智能小车控制系统设计[J]. 国外电子测量技术,2018,37(09):85-89.
[4]王巍,张慧静,任相臻. 基于SVM的单手语识别方法[J]. 计算机工程与设计,2018,39(10):3234-3239.
[5]杨益平,闵啸. 基于计算机视觉的手势识别人机交互技术[J]. 电子技术与软件工程,2018(12) :138-139.
[6]石新源. 基于计算机视觉的动态手语识别研究[D]. 西安建筑科技大学,2018.
[7] 王泽宇. 计算机手势识别技术实现方法研究[J]. 四川水泥, 2016(11):270-270.
[8] 宋耀华,王梅霞. 基于嵌入式的智能手势识别器的设计[J]. 科技资讯,2017,15(30):2-3.
[9]杨文斌,杨会成,鲁春,朱文博. 基于肤色特征和卷积神经网络的手势识别方法[J]. 重工商大学学报(自然科学版),2018,35(04):75-81.
[10]文智. 嵌入式系统开发原理与实践[M]. 清华大学出版社, 2005.
[11]SMT32参考手册. ST意法半导体公司出版[Z]. 2013.08.
[12]FDC2214参考手册. TI德州仪器公司出版[Z]. 2016.02.
[13]刘正全,邓亮. 基于TOF手势识别的人车交互技术研究[J]. 汽车零部件,2018(09):62-64.
共0条 [查看全部] 网友评论