The invention discloses a method comprising the steps of humanoid manipulator control method based on Kinect sensor: 1) through the Kinect data acquisition sensor; 2) for the data, and then use the related algorithm for gesture segmentation; 3) for gesture recognition using DBN neural network; 4) will be converted into the gesture fixed format instruction; 5) for remote communication using TCP protocol to send instructions to the server; 6) the server receives the instruction and recognition, control parameters calculated by kinematics; 7) server according to the control parameters of the manipulator. The method considers the actual operation cost and accuracy, response speed and other requirements, to overcome the high cost control based on data glove and mouse keyboard and other traditional human-computer interaction based on the professional knowledge of certain requirements, with humanized operation, fast response speed, higher accuracy, and has robust good.
【技术实现步骤摘要】
一种基于Kinect传感器的仿人机械手控制方法
本专利技术涉及人机交互领域,尤其是指一种基于Kinect传感器的仿人机械手控制方法。
技术介绍
随着机器人学的发展,机器人的应用领域在不断拓宽,机器人作业的任务和环境的复杂性不断增加,普通的机器人及与其配合的各种简单的末端夹持装置已远远不能满足各种灵巧及精细操作任务的要求。由于大多数的末端夹持器是针对特定任务而设计的,存在着缺少灵活性和夹持方式有限等局限性。研制出一种通用的末端夹持器,代替各种特定末端夹持器,完成各种环境下的灵巧操作任务,成为机器人研究领域一种需求。由于仿人机械手像人手一样具有多个手指和手掌,具有很强的功能和很高的通用性,因此,完全能够代替人手完成各种复杂而灵巧的操作,如在太空航天器的舱外、核电站、化工厂等危险、恶劣的工作环境中从事探测、取样、装配、修理作业、战场探雷和排雷这类危险的工作。在仿人机械手运动控制方面,普遍采用数据手套或鼠标、键盘、示教盒的输入来控制仿人机械手。但是,通过鼠标或键盘输入命令控制仿人机械手不太人性化,它需要操作者对控制系统有较多的了解。数据手套虽然能够很好地识别操作者的手势动作,但其配带很不方便,且价格昂贵。若是能够通过操作者的手势来直接控制仿人机械手将会带来很多便利,也可以大大降低操作难度。为此,本文提出了基于Kinect传感器的仿人机械手运动控制方法,操作者无需穿戴数据手套等辅助设备或标记工具,也不需要具有高深的专业知识,操作者只要面对Kinect传感器且在合适区域内就可轻松地控制仿人机械手。在手势图像分割中,传统的方法是基于肤色检测和Haar特征的级联分类器。基 ...
【技术保护点】
一种基于Kinect传感器的仿人机械手控制方法,其特征在于,包括以下步骤:1)通过Kinect传感器采集数据;2)对采集的数据进行预处理,然后使用相关算法进行手势分割;3)使用DBN神经网络进行手势识别;4)将识别的手势转化成固定格式的指令;5)利用TCP协议进行远程通信,将指令发送到服务器端;6)服务器端接收并识别指令,通过运动学计算得到控制参数;7)服务器端根据控制参数控制机械手的运动。
【技术特征摘要】
1.一种基于Kinect传感器的仿人机械手控制方法,其特征在于,包括以下步骤:1)通过Kinect传感器采集数据;2)对采集的数据进行预处理,然后使用相关算法进行手势分割;3)使用DBN神经网络进行手势识别;4)将识别的手势转化成固定格式的指令;5)利用TCP协议进行远程通信,将指令发送到服务器端;6)服务器端接收并识别指令,通过运动学计算得到控制参数;7)服务器端根据控制参数控制机械手的运动。2.根据权利要求1所述的一种基于Kinect传感器的仿人机械手控制方法,其特征在于:在步骤1)中,所述Kinect传感器固定于支架上或者放置在桌面上,操作者面对Kinect传感器,并在操作过程中保持与Kinect传感器距离在0.8米到4米范围内,打开客户端连接Kinect传感器,实时采集深度图像、RGB图像及骨骼关节位置数据。3.根据权利要求1所述的一种基于Kinect传感器的仿人机械手控制方法,其特征在于:在步骤2)中,所述手势分割包括基于深度图像的手势分割与基于RGB-D图像的手势分割,具体如下:基于深度图像的手势分割的处理如下:结合Kinect的深度图像及手部关节点位置信息进行手势图像分割,能够有效去除背景,采用中值滤波进行噪声处理,并且结合形态学开闭运算、腐蚀膨胀处理使得图像更加完整与清晰;通过分水岭算法进行分割,得到手势部分;最后将图像进行裁剪及伸缩变换得到固定尺寸的手势图像,最后转化成二值图像;基于RGB-D图像的手势分割的处理如下:将去除背景的深度图像与RGB图像对齐,从而能够掩盖RGB图像中的非手势区域,得到只有手势区域的RGB-D图像;将得到的RGB-D图像转化成灰度图像,然后进行去噪,通过分水岭算法进行分割,再进行裁剪及伸缩变换得到固定尺寸的手势图像,最后转化成二值图像;在步骤3)中,将步骤2)中手势分割产生的固定尺寸图像矩阵转化成向量,输入到训练好的DBN神经网络模型,以计算得到的最大概率值对应的手势类别作为输出结果;基于深度图像的手势识别与基于RGB-D图像的手势识别是分开并行处理的,再通过决策系统来得到最终结果,决策系统的决策函数如下:式中,B(D)=true表示基于深度图像分割后的手势识别成功,B(D)=flase表示识别失败;B(RGB-D)=true表示基于RGB-D图像分割后的手势识别成功,B((RGB-D)=flase表示识别失败;GD表示基于深度图像分割后识别得到的手势类别,GRGB-D表示基于RGB-D图像分割后识别得到的手势类别。4.根据权利要求1所述的一种基于Kinect传感器的仿...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。