[发明专利]基于改进的K-means聚类算法的机器人手势识别方法

说明书

基于改进的K‑means聚类算法的机器人手势识别方法。步骤1，利用嵌有微纳光纤传感器的手套采集手部运动的数据，其中传感器采集数据维度为6维；步骤2，通过手套上的WIFI模块将微纳光纤传感器采集到的数据上传给机器人；步骤3，机器人结合改进的K‑means聚类算法预先确定不同手势对应的聚类中心；步骤4，计算当前微纳传感器采集的数据至预先确定的不同手势的聚类中心的欧氏距离；步骤5，将所计算的各欧氏距离与相应类别的阈值进行比较，如果欧式距离比类别阈值低，则判定为该类，否则，重新训练模型；步骤6，机器人根据判断的结果完成相应的动作，至此，一个完整的闭环结束。本发明通过改进的K‑means聚类算法有效的实现了机器人对各类手势精确的识别。

技术领域

本发明涉及机器人手势识别领域，特别是涉及基于改进的K-means聚类算法的机器人手势识别方法。

背景技术

随着人工智能和虚拟现实技术的不断发展，人机交互系统已经成为当前的研究热点。现今，作为一种新兴的人机交互方式，手势识别得到了很多研究者的重视，并产生了一系列有效的成果，且在诸如智能机器人、智能驾驶等设备中得到了广泛的应用。手势识别，简单的来说就是让机器在视觉或传感器采集系统的辅助下来理解人类所想要表达的思想，即通过无接触的方式完成交互过程，从而通过机器人完成相应的动作，在真正意义上实现智能化。

针对机器人手势识别的问题，国内涉及该问题解决方案的专利有“一种基于深度视觉的协作机器人手势识别方法及装置”(201910176271.5)，预先获取手势模板集合，同时获取待识别手势的若干张深度图；针对每一个手势模板，获取所述待识别手势与所述手势模板的距离，并将与所述待识别手势之间距离最小的手势模板作为所述待识别手势的识别结果，进而根据对应于识别结果的控制参数进行协作机器人的控制。国家发明专利“一种基于智能机器人的手势识别方法”(201910118356.8)，通过调用机器人自带的摄像头获取手势图像，并建立手势模板；通过基于肤色检测和基于最大类间方差对手势进行分割；使用中值滤波算法对分割后的手势图像进行去噪，并提取手势边缘轮廓；而后基于手势模板、手势边缘轮廓，采用欧式距离的模板匹配法，得到识别结果。以上两个发明专利都是对手势图片进行识别，过大维度的图片数据，一方面增大了模型的训练难度，另一方面在实际应用时，也增加了模型判别的时间。

发明内容

为解决上述问题，本发明在微纳光纤传感器、K-means聚类算法的基础上，提出了基于改进的K-means聚类算法的机器人手势识别方法。首先利用微纳光纤传感器采集不用手势下对应的数据；而后利用改进的K-means聚类算法依次确定不同手势对应的聚类中心和类别阈值；同时该模型支持在线的更新优化，大大的提高了模型的泛化性；最后成功应用于实际，实现了机器人对不同手势的精准识别。为达此目的，本发明提供基于改进的K-means聚类算法的机器人手势识别方法，具体步骤如下，其特征在于：

步骤1，利用嵌有微纳光纤传感器的手套采集手部运动的数据，其中传感器采集数据维度为6维；

步骤2，通过手套上的WIFI模块将微纳光纤传感器采集到的数据上传给机器人；

步骤3，机器人结合改进的K-means聚类算法预先确定不同手势对应的聚类中心；

步骤4，计算当前微纳传感器采集的数据至预先确定的不同手势的聚类中心的欧氏距离；

步骤5，将所计算的各欧氏距离与相应类别的阈值进行比较，如果欧式距离比类别阈值低，则判定为该类，否则，重新训练模型；

步骤6，机器人根据判断的结果完成相应的动作，至此，一个完整的闭环结束。

进一步，步骤3中利用改进的K-means聚类算法预先确定不同手势对应的聚类中心的具体步骤为：

步骤3.1，在所有的样本点中任意选择一个样本点作为第一个类别的初始聚类中心c₁；