Распознавания движений на сенсорной панели

Сегодня электронные вычислительные машины (ЭВМ) используются во многих областях человеческой деятельности, будучи удобным и многофункциональным инструментом для решения различных задач. Однако пользователи ЭВМ вынуждены использовать средства взаимодействия, которые являются мало адаптированными к возможностям человеческого восприятия. Это снижает эффективность обмена информации и приводит к снижению производительности труда. Поэтому возникла необходимость создания нового типа интерфейса "человек-машина", который бы обеспечивал возможность выполнения традиционных для пользователя действий, но был более удобным и интуитивно понятным неискушенному пользователю ЭВМ.

Воплощением этого замысла является разработка интерфейса, в котором подача пользователем управляющих команд компьютеру с использованием манипулятора "мышь" было заменено на соответствующие движения емкостного объекта на сенсорной панели, что приводит к генерации соответствующих управляющих системных сигналов в ответ на выполненный движение. Разработано немало методов для восприятия физического присутствия объекта на сенсорной панели. Современные технические средства предоставляют возможность определение наличия и места контакта с высокой точностью. Новая серия панелей оператора eMT – является отличным примером реализации современных технологий в сфере сенсорных панелей.

Однако при разработке такого интерфейса остается проблемой распознавания движений определенной последовательности контакта пальца с панелью. Это происходит через индивидуальные особенности пользователей — разные люди по-разному выполняют казалось бы одинаковые действия.

Отличаются сила нажима, скорость перемещения, возможные лишние и неравномерные перемещения пальцев на панели во время выполнения определенного движения.

Распознавание движения состоит из его отслеживания интерпретации как семантически выраженной команды. Итак, целью системы распознавания движений является автоматизация группы процессов восприятия и распознавания, связанных с поиском, выделением, идентификацией, классификацией и описанием образов на основе анализа реальных данных, полученных тем или иным способом. Поиск и выделение образов осуществляются на начальном этапе анализа при обработке исходных данных и выполняются для того, чтобы получить некоторые промежуточные результаты, лучше представляют образы с точки зрения решения соответствующей задачи. Следующий этап, разработки "классификатора", предусматривает: анализ выборочных (или преобразованных) данных синтез модели, учитывает изменчивость образов, принадлежащих некоторому классу; выбора из заданного набора характеристик некоторой их подмножества, которая характеризует отдельные классы объектов, определение методов выделения указанной подмножества, и разработка собственно алгоритма распознавания (классификации).

Сегодня известно несколько различных методов распознавания движений на сенсорной панели: скрытая модель Маркова (HMM), нейронная сеть задержки времени (TDNN) , сеть Элман, метод динамичной трансформации шкалы времени (DTW), динамическое программирование, классификатор Байеса, многослойный персептрон (распознавая элемент), генетические алгоритмы, механизм нечеткого вывода, метод соответствия шаблонов, метод конденсации, функции радиального базиса, нейронная сеть Хопфилда, бинарные ассоциативные машины, синтаксическое распознавание образов, дерево решений, статические нейронные сети.

Скрытые модели Маркова (HMM), очень популярны в распознавании речи, были использованы для распознавания движений. HMM моделирует систему как марковский процесс, движется между различными (Скрытыми) состояниями, выдавая определенные символы при переходе от одного состояния к другому.

Значительная часть алгоритмов распознавания движений основывается на использовании нейронных сетей. Представителями этой группы алгоритмов являются: нейронная сеть задержки времени, многослойный перцептрон, нейронная сеть Хопфилда. Применяя статические нейронные сети к распознаванию жестов, необходимо иметь базу данных образцов движений для обучения сети. Нейронные сети является устойчивыми по шумам и разделяют пространство распознавания на оптимальные по объему разделы.

Главный недостаток этого метода — потребность в обучении, которое должно быть повторным, если было введено новое движение. Кроме того, вероятна необходимость обучения для каждого пользователя. Другими проблемами есть риск чрезмерного обучения; высокие требования к вычислительным ресурсам; и проблема поиска соответствующих учебных данных.

Некоторые алгоритмы основаны на вычислении вероятности появления определенного движения (классификатор Байеса). Вероятность распознавания движения можно определить как условную вероятность того, что жест принадлежит к определенному классу движений, если присутствует определенная группа признаков. Вероятностный подход не может дать однозначного ответа о движении, поскольку вероятность принадлежности к группе движений не гарантирует точности результата распознавания.

Многочисленная группа алгоритмов основывается на сравнении движения с заранее сохраненными образцами. Сравнения с образцом можно выполнять на двух уровнях — на уровне необработанных данных или определенных рассчитанных характеристических признаков как в пространственной, так и в частотной областях. Этот метод вычисляет корреляцию со всеми точками шаблона для всех пикселов изображения. Такой подход, как нейронные сети, имеет высокие требования к вычислительным ресурсам. Другим недостатком является невозможность распознавания движения, если он немного отличается от сохраненного образца.

Несколько лучшими характеристиками обладают алгоритмы, основанные на механизме нечеткого вывода. Они частично способны решить проблему распознавания движений при неточных данных, поскольку траектория во время движения не всегда одинакова.