基于kinect 傳感器的全方位運輸平臺控制系統研究

孫 強， 王文濤， 周 璇

（中南民族大學 計算機科學學院， 湖北 武漢 430074）

隨著隨著科技的進步，人們一直都在致力于對便捷高效運輸機構的研究。 全方位運動機構[1]以其平面內完全運動自由度，實現了狹小空間內的高度靈活性，在軍事、工業、社會生活等多方面具備廣泛的應用前景。 用人的體態和手勢進行人機交互是一種新穎自然的交互方式[2]，人們通過簡單的肢體語言便能進行快速的人機交互，具有易實現、控制靈活等特點。kinect 是微軟公司研制的一款體感識別設備，通過它可以實現體感識別，進行人機交互[3]。

由此本文設計了一種應用麥克納姆輪[4-5]的體感控制全方位運輸平臺模型。 并針對此模型控制系統提出了基于kinect體感器的骨骼運動信息識別和基于深度手勢識別兩種體感控制模式，應用于該運輸平臺的兩種場景：當該平臺整合到移動機器人等遠程設備時，操縱者控制環境寬廣，可應用人體多種姿勢進行精細操控；當改運輸平臺整合到輪椅、叉車等近程控制設備時，操縱者位于狹窄的設備上，可應用近距離手勢動作進行簡單快速高效的操控。 經實驗結果表明，該控制系統兩種控制模式均能對該全方位運輸平臺進行良好的操控。

1 全方位運輸平臺模型構建及運動學分析

1.1 全方位平臺構建

本文構建的全方位移動平臺如圖1（a）所示，其由鋁60毫米45 度萬向輪子、直流電機、電機驅動模塊、12 V 鋰電池、MSP430f149 最小系統控制板、串口藍牙等部件構成。 平臺控制器讀取上位機通過藍牙發送過來的數據進行相應動作相應完成操控，圖1（b）為模型實物。

1.2 全方位運動學分析及操控

圖1 底盤結構及實物圖Fig. 1 System diagram and physical figure

如圖2（a）所示麥克納姆輪的原理結構， 其主輪周邊分布著與輪子軸線成α=45 度的小滾輪。 滾輪能自身轉動同時又能繞車軸轉動，使得主輪具備了繞輪軸的轉動和沿滾輪軸線垂線方向運動的兩個自由度。圖2（b）所示為底盤運動力學分析。 通過對輪子的運動解析得到平臺的運動學方程為：

公式中（1）Vx，Vy，ω 為控制量。本文采用通過單片機產生PWM 信號調制功率Cn來實現底盤驅動控制。 由公式（2），Cn是第n 個電機的功率，ωn是計算出的第n 個電機的轉速，ωnmax是n 號電機在同一電壓下設定的最大輸出功率下的轉速，mn是維護4 個電機轉速在同一最大值的實測參數。

圖2 底盤運動學解析Fig. 2 Kinematics analysis of the chassis

2 人體深度圖像及骨骼信息獲取

文中采用kinect 傳感器獲取人體深度圖像及骨骼信息。它由RGB 彩色攝像頭、紅外線發射器、紅外線CMOS 攝影頭等模塊構成， 能獲得目標物體的深度圖像數據和RGB 圖像數據。 在深度圖像數據的基礎上，運用骨骼追蹤技術提取出人體骨骼信息。

3 骨骼運動信息識別控制模式設計

3.1 關節角度計算方法

Kinect 能夠追蹤人體四肢20 個骨骼點，骨骼運動信息識別控制模式指系統通過分析人體骨骼點的運動數據識別控制指令[6-7]。 本文采用了左右手肩關節點、左右手肘關節點、左右手腕關節點、左右手手關節點8 個上肢關節點，通過識別各關節的轉動角度來識別關節的運動情況。 本文應用kinect獲取的人體骨骼數據以兩肩中心為原點建立空間坐標系，根據各關節點的坐標構建向量進行向量運算，得出關節轉動角度，具體以計算右手肘關節轉動為例。

圖3 關節向量計算示意圖Fig. 3 Joint vector calculation diagram

如圖3 所示， 取a、b、c 分別為右手的肩關節點、 肘關節點、腕關節點，其對應空間坐 標分別為（x1，y1，z1），（x2，y2，z2），（x3，y3，z3），肘關節的運動角度為α。 則有

則可得

最后通過反解三角函數可得該關節的運動角度。

3.2 運動姿勢對應控制指令

于是本文采用雙手協作的方式，操控全向底盤的運作。從數學模型上我們可以得出全向移動底盤有任意軌跡運動能力，但是由于運動軌跡的方向性多，極易導致控制的不穩定性，反而讓優點變為缺點。 由此我們精簡了運動的方向性，使其既滿足全向運動的豐富的能動性的同時也能保證其穩定性。由此見表.我們設定了10 種方向運動，并分割了不同的自然手勢對應控制指令。

表1 手勢對應控制原理Tab. 1 Gestures corresponding control theory

4 手勢識別模式設計

4.1 背景分割

在根據圖像數據進行手勢識別的時候需要提取操縱者的手勢，首先我們需要將人物的手掌部分和背景信息分割開來。 基于kinect 提取的深度數據，本文采用基于閾值分割法來進行背景分割，即提取前景的平均深度值，對場景進行分割。 深度閾值的設定公式為：

其中ω 為實驗測定能準確分割手掌的最小值，ε 為根據實際應用場景自由設定的可調節值，μmax為能準確識別手掌的距離空間。

4.2 手勢識別

文中采用了Y-H.Lin 提出的一種模板匹配算法[8]處理提取出來的手勢并進行手勢識別。 該算法首先將提取到的二維圖像轉換成一維向量，消除平面內圖形放縮、旋轉帶來的影響。 同時，針對同種手勢構造多種比例的參考模板向量，并將提取出的手勢向量與參考模板進行手勢比對，從而得出比對結果。

4.3 系統流程圖

系統運用手勢識別進行控制時流程圖如圖4 所示。

4.4 手勢對應指令

圖4 手勢識別流程圖Fig. 4 The flow chart of gesture recognition

針對當前控制模式的應用場景，本文針對運輸平臺設計了6 中運動指令，滿足操縱者進程的簡單快捷準確的操控需求，具體手勢對應指令如圖5 所示。

圖5 手勢操控指令Fig. 5 Gesture instructions

5 實驗分析

本文控制系統上位機采用的Kinect 開發工具為Kinect Software Devel-opment Kit （SDK） v1.8， 開發環境為Visual Studio 2013，使用的編程語言為C#。

5.1 骨骼運動信息識別控制模式有效性測試

這一模式的應用的成功與否在于對應用的各關節點轉動角度的識別有效性。 據此，我們對左右肩關節、肘關節、腕關節6 個我們應用的關節點進行了轉動角度識別測試。 具體測試方法如下：我們挑選體型身高均有差異的10 個人，每一個關節的轉動角度設為10°、20°、40°、60°、80° 5 種情況，每種情況每人測試5 次，即每個關節累積進行250 次實驗，角度允許誤差±3°。 去除偶然反常結果實驗統計結果如表4 所示。從表中可以有如下發現：由左右肩關節到左右腕關節3 個節點的識別率依次降低；轉動角度越大，識別的成功率越高。 產生以上現象的原因是kinect 識別人體關節角度跟人體姿勢變化幅度有關，而人體各關節點的人體姿勢幅度又取決于關節點為位置和關節點的轉動角度，故肩關節的識別準確率最高，同一個關節點轉動角度越大，識別率越高。 盡管如此，各關節在各轉動角度的識別率都超過90%，具有較高的識別成功率，符合控制要求。

5.2 手勢識別測試

針對提出的幾種控制手勢， 我們展開了識別準確率測試，具體測試方法為我們挑選了手型不用的5 人對每種手勢進行了10 次識別測試，即每種手勢測試50 次。 結果如表所示，我們可以發現，由于我們選用的手勢區分度比較大且手勢類別數量較小，所以手勢識別準確度較高，符合控制要求。

表2 測試結果統計表1Tab. 2 Statistics of the test results 1

表3 測試結果統計表2Tab. 3 Statistics of the test results2

5.3 整體操控性驗證

進行完了兩種體感操控模式識別的有效性后，為實際檢驗運輸平臺的操控性能，我們使用黑色膠帶在平整的地面布局了一個執行任務的場景，分別邀請三位經過簡單訓練的操縱人員進行操控測試每人使用2 種模式分別操控3 次，實驗表明，3 人均完成了全部測試內容， 但時間和路線不一致，熟練的操縱者路線比不熟練的操縱者平滑，且耗時短。 同時，肢體操控由于比手勢操控控制更為精細所以平均耗時長于手勢操控。

6 結 論

文中針對一種基于麥克納姆輪的全方位運輸平臺提出了基于kinect 的骨骼運動信息識別和基于深度手勢識別兩種體感控制模式，經實驗證明，兩種控制模式均能滿足控制要求且具備靈活、高效等特點。

[1] 趙冬斌，易建強，鄧旭珗. 全方位移動機器人結構和運動分析[J]. 機器人，2003（5）:394-398.

[2] 董士海. 人機交互的進展及面臨的挑戰[J]. 計算機輔助設計與圖形學，2004，1（1）:1-13.

[3] Kang Jongwook，Seo Dongjun，Jung Dongseok. A Study on the control Method of 3 -Dimensional Space Application using Kinect System[J]. International Journal of Computer Science and Network Security，2011，11（9）:55-59.

[4] 劉洲，吳洪濤. Mecanum 四輪全方位移動機構運動分析與仿真[J]. 現代設計與先進制造技術，2011，40（5）:43-46.

[5] Gfrerrer A.Geometry and kinematics of the Mecanum wheel[J].Computer Aided Geometric Design，2008（259）:784-791.

[6] KEMURA S，FUJIYOSHI H. Real-time Human Detection using Relational Depth Similarity Features［C］//With AC-CV.New Zealand:［s. n.］，2011:25-38.

[7] URTASUN R，FUA P.3D Human Body Tracking using Deterministic Temporal Motion Models ［C］//European Conference on Computer Vision Prague:［s. n.］，2004:92-106.

[8] Lin Y-H，Chen C-H，Template matching using the parametric template vector withtranslation， rotation and scale invariance[J]. Pattern Recognition，2008，41（7）:2413-2421.