一种基于智能腕带设备加速度计的盲文字符识别方法技术

本发明专利技术涉及一种基于智能腕带设备加速度计的盲文字符识别方法，属于移动计算应用技术领域。本发明专利技术通过分析用户触摸盲文时智能腕带设备的加速度信号识别盲文字符，仅利用智能腕带设备内置的三轴加速度计捕捉佩戴者触摸不同盲文字符时的腕部运动模式，进而识别不同的盲文字符，帮助视障人士学习和阅读盲文。本方法有效分离出盲文凸点引起的手腕运动，提取三类加速度特征包括经典统计特征、字符复杂度特征和分形几何学特征。利用加权朴素贝叶斯分类算法和最具辨别力的特征鲁棒地识别不同接触面材料和不同用户条件下的盲文字符。本方法操作简便直接，且不会影响手腕部功能。且不会影响手腕部功能。且不会影响手腕部功能。

【技术实现步骤摘要】
一种基于智能腕带设备加速度计的盲文字符识别方法


[0001]本专利技术涉及一种盲文字符智能识别方法，具体涉及一种基于智能腕带设备加速度计的盲文字符识别方法，属于人工智能与移动计算应用


技术介绍

[0002]对于患有视力障碍的人群而言，由于缺乏顺畅的沟通和独立性，他们在生活和工作方面都面临着许多困难和挑战。布莱叶盲文，是一种专为视力障碍者设计专利技术的靠触觉感知的文字，在三行两列的六个位置中，使用凸起的圆顶形点(也称为凸点)的组合形成单个字符。布莱叶盲文改善了视力障碍者的沟通环境，并给他们在生活中带来更强的独立性。但是，由于学习过程成本高昂且较为耗时，有机会学习盲文的视力障碍人群的比例持续下降，导致了盲文识字危机的出现。因此，亟需一种新的解决方案来帮助视力障碍人士阅读和学习布莱叶盲文。
[0003]目前，研究人员正在尝试使用各种设备进行自动盲文识别。根据感知原理，这些研究工作包括两类：一类工作是基于计算机视觉技术(也称为光学盲文识别)，另一类基于触觉传感器技术。
[0004]其中，基于计算机视觉技术的方法，主要是利用扫描仪和摄像机来捕获盲文文档图像，然后通过分析盲文字符的几何结构信息，这些方法可以将图像转换为自然语言字符。但是，这类方法依赖于苛刻的图像采集条件，比如摄像头和盲文文档之间需要保持特定的高度和角度，这对于视力障碍者来说难以操作。基于触觉传感器技术的方法，是将专用材料(如聚偏氟乙烯薄膜)制成手套或附着在手指上，以感测用户手指触摸不同盲文字符时的压力或电信息变化，最终实现盲文字符识别，但这些材料价格昂贵，不适合广泛部署，此外，这类方法会影响手部其他功能，给日常生活带来不便。
[0005]因此，现有的方法存在各种缺陷和不足，亟需新的方法来解决盲文字符识别问题。

技术实现思路

[0006]本专利技术的目的是为了针对现有技术存在的不足和缺陷，为解决目前缺乏低成本且易于操作的盲文字符自动识别的技术问题，创造性地提出一种基于智能腕带设备加速度计的盲文字符识别方法。本方法简单且易于操作，且不会影响手部功能。
[0007]本专利技术的创新点在于：不同的盲文字符具有不同的凸点排列方式，因此，当用户腕部佩戴智能腕带设备(如智能手表)来触摸盲文字符时，会引起手部不同的运动模式，进而对手腕处佩戴的智能腕带设备的三轴加速度计产生不同影响。本专利技术通过分析用户触摸盲文时智能腕带设备的加速度信号识别盲文字符，利用智能腕带设备内置的三轴加速度计捕捉佩戴者触摸不同盲文字符时的腕部运动模式，进而识别不同的盲文字符，帮助视障人士学习和阅读盲文。
[0008]本专利技术是通过以下技术方案实现的：
[0009]一种基于智能腕带设备加速度计的盲文字符识别方法，包括以下步骤：
[0010]步骤1：使用智能腕带设备中的三轴加速度计，采集用户阅读盲文时手腕处的运动状态信息，并去除传感器带来的随机噪声和其他身体运动引起的噪声。
[0011]具体地，当用户进行盲文阅读时，佩戴在手腕上的加速度计采集X、Y、Z三轴加速度数据，分别计为a
x
,a
y
,a
z
。
[0012]步骤1.1：去除a
x
，a
y
，a
z
中加速度计硬件带来的随机噪声。具体地，可以使用低通滤波器等进行去除。
[0013]步骤1.2：对经步骤1.1处理后的三轴信号a
x
，a
y
，a
z
进行去噪(目的是去除其他身体运动引起的噪声)，获得由盲文凸点引起的运动信号，称为凸点信号，记为Da
x
，Da
y
，Da
z
。
[0014]本步骤中，优选采用基于小波包分解与重构的去噪方法。
[0015]步骤2：分割出加速度信号中属于盲文字符触摸的凸点信号段，从凸点信号片段中提取有效特征。目的是从盲文字符的凸点信号片段中提取有效特征，用于实现与用户无关和接触面材料无关的盲文字符识别。
[0016]具体地，步骤2可以包括以下步骤：
[0017]步骤2.1：计算步骤1.2获得的凸点信号的线性加速度，应用动态阈值识别每个盲文字符的开始和结束时间。根据开始和结束时间，在连续的Da
x
,Da
y
,Da
z
信号中，切分出每个字符对应的凸点信号段。
[0018]步骤2.2：从步骤2.1获得的每个字符对应的凸点信号中，提取经典统计特征、字符复杂度特征和分形几何学特征，用于构建分类模型。
[0019]步骤3：利用从凸点信号段中提取的特征，构造加权朴素贝叶斯分类器，对盲文字符进行识别。
[0020]具体地，步骤3可以包括以下步骤：
[0021]步骤3.1：将步骤2.2获得的特征进行离散化，并去除冗余特征，选择最有区别的特征并且满足分类器的独立性假设。
[0022]步骤3.2：构建加权朴素贝叶斯分类模型，根据该模型进行高精度的盲文字符识别。即，使用加权朴素贝叶斯分类器来获得每个凸点信号段属于26个盲文字符的预测概率，将具有最高概率的预测类别作为识别的盲文字符。
[0023]有益效果
[0024]本方法，与现有技术相比，具有以下优点：
[0025]1.本专利技术仅依靠智能腕带设备中常见的加速度计，即可实现对盲文字符的自动准确识别，成本低、操作简单。此外，本专利技术在用户阅读不同的盲文字符时捕捉手腕的独特运动模式，不干扰用户对盲文字符的正常触摸。
[0026]2.本专利技术方法能够有效分离出盲文凸点引起的手腕运动，提取了三类加速度特征包括经典统计特征、字符复杂度特征和分形几何学特征。此外，本专利技术利用加权朴素贝叶斯分类算法和最具辨别力的特征鲁棒地识别不同接触面材料和不同用户条件下的盲文字符。
附图说明
[0027]图1为26个盲文字符的凸点排列形式；
[0028]图2为本专利技术方法的原理图；
[0029]图3为本专利技术的腕部噪声去除方法的示意图，其中，图3a为被身体运动噪声污染的
凸点信号；图3b为去噪后得到干净的凸点信号；
[0030]图4为本专利技术实施例识别盲文字符的性能；
[0031]图5为本专利技术实施例在8位志愿者中进行盲文字符识别的性能；
[0032]图6为本专利技术实施例在不同接触面材料条件下进行盲文字符识别的性能；
[0033]图7为本专利技术实施例长期进行盲文字符识别的性能。
具体实施方式
[0034]下面结合附图和实施例对本专利技术方法做进一步详细说明。
[0035]在本具体实施方式中，将26个英文字母A
‑
Z的标准盲文字符作为具体检测目标。盲文字符形成在一个盲文单元内，该单元包含6个点，排列成3行2列。图1显示了26个英文字母的盲文字符表示，其中，实心表示有凸点，空心表示无凸点。
[0036]如图2所示，一种基于智能腕带设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能腕带设备加速度计的盲文字符识别方法，其特征在于，将26个英文字母A
‑
Z的标准盲文字符作为具体检测目标，包括以下步骤：步骤1：使用智能腕带设备中的三轴加速度计，采集用户阅读盲文时手腕处的运动状态信息，并去除传感器带来的随机噪声和其他身体运动引起的噪声；当用户进行盲文阅读时，佩戴在手腕上的加速度计采集X、Y、Z三轴加速度数据，计为a
x
,a
y
,a
z
；首先，使用低通滤波器去除a
x
,a
y
,a
z
中加速度计硬件带来的随机噪声；然后，利用基于小波包分解与重构的去噪方法，对三轴信号a
x
,a
y
,a
z
分别进行去噪，获得由盲文凸点引起的运动信号，称为凸点信号，记为Da
x
,Da
y
,Da
z
；步骤2：分割出加速度信号中属于盲文字符触摸的凸点信号段，从凸点信号片段中提取有效特征；步骤3：利用从凸点信号段中提取的特征，构造加权朴素贝叶斯分类器，对盲文字符进行识别。2.如权利要求1所述的一种基于智能腕带设备加速度计的盲文字符识别方法，其特征在于，步骤1中，首先，选择小波包基和分解层数N对a
x
,a
y
,a
z
三轴信号进行小波包分解，每个轴的信号得到2
N
个子带；然后，根据式1依次分别计算a
x
,a
y
,a
z
三轴信号与其8个子带的互相关值：其中，ρ
e
表示M与M
e
的互相关值，和分别表示原始信号M和第e个子带M
e
的平均，当ρ
e
>0.5时，表明这两个信号确实相关；之后，根据计算的互相关值，将子带分组进行处理，将ρ
e
≥0.5的子带表示为A组，并直接将这些子带视为运动噪声成分，因为噪声的幅值远大于纯净的凸点信号，分解后噪声成分会落在相关值大的子带中；将0.1<ρ
e
<0.5的子带记为B组，视为半噪声成分；其余的子带记为C组，视为无噪声成分；然后，对B组子带，使用Stein自适应阈值规则计算阈值λ，并应用小波软阈值降噪方法进行降噪；其中，将软阈值函数定义为：其中，ψ
k
和分别是原始小波包系数和阈值小波包系数；k是小波包节点；sgn(ψ
k
)是符号函数；λ是阈值，根据式3计算：其中，L是信号的长度，med(|M
e
|)是每个细节小波包系数的中值；最后，对C组中的子带和阈值处理后的B组子带进行小波包重构，以获得去噪后的干净的由凸点引起的运动信，称为凸点信号，记为Da
x
,Da
y
,Da
z
。3.如权利要求1所述的一种基于智能腕带设备加速度计的盲文字符识别方法，其特征
在于，步骤2包括以下步骤：步骤2.1：计算步骤1获得的凸点信号的线性加速度，应用动态阈值识别每个盲文字符的开始和结束时间；根据开始和结束时间在连续的Da
x
,Da
y
,Da
z
信号中切分出每个字符对应的凸点信号段；步骤2.2：从步骤2.1获得的每个字符对应的凸点信号中提取经典统计特征、字符复杂度特征和分形几何学特征用于构建后续的分类模型；其中，经典统计特征包括：凸点信号段的集中量和差异量，在集中量中提取...

【专利技术属性】
技术研发人员：李凡，刘晓晨，曹烨彤，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：