[发明专利]一种基于多Leapmotion虚拟手势融合的机器人机械臂操控方法

权利要求书

1.一种基于多Leapmotion虚拟手势融合的机器人机械臂操控方法，其特征在于，包括以下步骤：

步骤1：设置手势采集装置；

将至少两台leapmotion传感器设置在手势采集区域上、下表面内侧中心；

步骤2：基于手势采集装置采集控制机械臂的手势的leapmotion序列图像，并利用基于核极限学习机的手势识别模型对手势进行识别；

所述基于核极限学习机的手势识别模型，是利用所述手势采集装置采集的各个手势的leapmotion序列图像依次作为输入数据，对应手势的类别编号作为输出数据，对核极限学习机进行机器学习训练获得，且采用RBF函数作为核极限学习机的核函数；

步骤3：利用预设的控制手势与机械臂实际操作手势比例因子，获取机械臂操作目标终点；

步骤4：将机械臂操作目标终点输入基于机械臂D-H模型的运动学方程中，获得机械臂运动方案；

步骤5：从所有的机械臂运动方案中选出每个机械臂运动方案的最大关节旋转角度，再从所选出的所有最大关节旋转角度中选出最小的关节旋转角度，以所选的最小的关节旋转角度对应机械臂运动方案作为对机械臂的操控方案。

2.根据权利要求1所述的方法，其特征在于，对基于手势采集装置采集控制机械臂的手势的leapmotion序列图像进行融合，得到融合后的手势数据；

输入基于核极限学习机的手势识别模型的数据和训练基于核极限学习机的手势识别模型的输入数据均为融合后手势数据；

所述融合过程如下：

步骤S1：对至少两台leapmotion传感器采集的同一手势的leapmotion序列图像进行预处理；

步骤S2：对经过步骤S1处理后的数据提取Gabor特征；

步骤S3：对经过Gabor特征提取后的图像数据按照以下公式进行加权数据融合，得到融合图像Pm：

Pm＝ωP1+(1-ω)P2

其中，ω为融合权值，由花授粉算法确定，初始赋值为0.5，P1和P2分别为两台leapmotion测得的序列图像数据，Pm为融合后的图像数据。

3.根据权利要求2所述的方法，其特征在于，所述基于核极限学习机的手势识别模型中核极限学习机权值、核参数及阈值采用花授粉算法进行优化获得，具体过程如下：

步骤A：以花粉位置作为核极限学习机的权值、核参数、阈值以及融合权值，设置花粉种群参数；

种群数为N，取值范围N∈[300,500]，变异因子为ε0，取值范围ε0∈[0.3,0.7]，转换概率为p，取值范围p∈[0.4,0.9]，最大迭代次数为t，t＝1000，融合权值的初始赋值为0.5；

步骤B：设置适应度函数，并随机初始化每个花粉的位置，计算每个花粉的适应度函数值，t＝1；

将每个花粉位置对应的核极限学习机的权值、核参数、阈值以及融合权值参数代入基于核极限学习机的手势识别模型中，利用花粉位置确定的基于核极限学习机的手势识别模型输出手势类别编号与实际对应的手势类别编号的差值的倒数作为适应度函数f(x)；

步骤C：生成随机数rand∈[0,1]，若转换概率p＞rand，则进行全局搜索执行交叉授粉操作，在全局中产生新的花粉，否则进行局部搜索执行自花授粉操作，在局部位置产生新的花粉；

步骤D：计算每个花粉的适应度函数值，并找出当前最优解；

步骤E：判断是否达到最大迭代次数，若不满足，转步骤C，且令t＝t+1，若满足，转步骤F；

步骤F：输出最优位置花粉，并且得到最优花粉对应的基于核极限学习机的手势识别模型。

4.根据权利要求2或3所述的方法，其特征在于，对手势的leapmotion序列图像进行预处理是指对图像进行灰度变换和对比度增强处理。