謝作如

機器學(xué)習(xí)（Machine Learning， ML）是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)，使之不斷改善自身的性能，是人工智能的核心。

機器學(xué)習(xí)從詞面上理解就是讓機器進行“學(xué)習(xí)”的技術(shù)，其最基本的做法是讓計算機利用已有數(shù)據(jù)得出某種模型，并利用此模型預(yù)測結(jié)果。最近國內(nèi)一線創(chuàng)客教師發(fā)布了一款開源硬件——掌控，掌控板支持Python語言，于是我們嘗試用它做了一個簡單的機器學(xué)習(xí)方面的案例——識別簡單手勢。

解決思路

市面上的手勢識別解決方案有很多，如利用數(shù)據(jù)手套或光學(xué)標(biāo)記。數(shù)據(jù)手套由多個傳感器件組成，通過傳感器將用戶手的位置、手指的方向等信息傳送到計算機系統(tǒng)中。光學(xué)標(biāo)記則需要戴在用戶手上，通過紅外線可獲得手指的各種變化。更高級的解決方案是對視頻采集設(shè)備拍攝到的包含手勢的圖像序列，通過計算機視覺技術(shù)進行處理，進而對手勢加以識別。

我們采取的方案是利用掌控板自帶的重力加速度傳感器。當(dāng)用戶佩戴掌控完成一個固定手勢時，掌控會在空中沿著一定的軌跡運動，在整個過程中加速度不斷改變，將這個不斷改變的加速度數(shù)據(jù)記錄下來分析，可以發(fā)現(xiàn)同一種手勢的數(shù)據(jù)變化規(guī)律是相同的?；谶@個原理，我們能夠?qū)?dāng)前正在進行的手勢與事先“學(xué)習(xí)”過的手勢做實時對比，如果相似度較高，則判定識別成功。

判定手勢是否相似的算法，我們選擇了曼哈頓距離（Manhattan Distance）算法，因為實現(xiàn)起來比較簡單，也容易理解。曼哈頓距離算法先計算一系列數(shù)據(jù)對中每對數(shù)據(jù)差值的絕對值，并將這些值累加起來判斷數(shù)據(jù)之間的差異。曼哈頓距離中距離d的定義為：

當(dāng)我們記錄下完成一個手勢的加速度數(shù)值后，可以得到時間（橫軸）-加速度（縱軸）的對應(yīng)關(guān)系（如圖1）。通過圖1可以大致判斷出這是一個讓掌控加速運動的手勢。

錄入該手勢之后，我們再做一個手勢與其作對比（如圖2）。

根據(jù)曼哈頓距離的定義，兩個手勢之間的差異，可以等價于圖中陰影部分的面積大小（如圖3）。面積越大差異越大，面積越小則差異越小。

由此，我們可以通過此標(biāo)準(zhǔn)判斷一下圖4中a和b兩張圖的相似度。a圖的面積大于b圖，說明b圖與錄入的手勢更接近。

兩個手勢的圖形完全重合當(dāng)然是不可能做到的。需要設(shè)置一個閾值，只要小于這個閾值，就表示兩個手勢是一致的。閾值設(shè)置太大會誤判，太小則容易導(dǎo)致難以正確識別。

硬件準(zhǔn)備

手勢識別利用的是掌控板自帶的重力加速度傳感器，因此硬件設(shè)備只需要一塊掌控板即可。為了做手勢更加方便，建議使用電池供電，或者安裝供電擴展板、接小型充電寶。圖5為加了供電底板的掌控板。

解決過程

1.流程設(shè)計

掌控板要識別手勢，首先要錄制需識別的手勢數(shù)據(jù)，然后以此為模型判斷新手勢數(shù)據(jù)與錄制的手勢是否一致，即先學(xué)習(xí)，再識別，具體步驟如下：

①錄制動作。開機后，按住A鍵進入到動作錄制模式，錄入固定長度的動作，如在空中寫一個字母，將每個時間點的加速度記錄在一個原始數(shù)組中。錄制完成后，生成一個固定長度的原始數(shù)組。

②識別動作。完成動作后松開A鍵結(jié)束錄制，自動進入識別模式。再次在空中比劃手勢，每過一固定時間間隔錄入新的即時加速度，更新在樣本數(shù)組中。將樣本數(shù)組的每一個數(shù)值與原始數(shù)組對應(yīng)的數(shù)值做差值，并取絕對值。

③結(jié)果判斷。將絕對值做累加，如果絕對值小于一定閾值則判定為動作被識別，即證明動作與之前錄入的動作相似，顯示屏?xí)@示“識別成功”，表示識別成功。

2.代碼編寫

用Python語言編寫手勢識別的代碼，核心還是“學(xué)習(xí)”和“識別”兩大功能，即實現(xiàn)按下A鍵時錄入動作的原始數(shù)據(jù)，松開A鍵默認進入識別模式。識別模式中要記錄實時時間戳，并將即時的加速度數(shù)據(jù)記錄下來，和原始數(shù)據(jù)做對比。下面為實現(xiàn)機器學(xué)習(xí)的關(guān)鍵代碼：

①導(dǎo)入掌控必要的庫以及數(shù)學(xué)運算的庫，如圖6。

②定義采樣率和數(shù)組長度，如圖7。

③按下A鍵時錄入動作的原始數(shù)據(jù)，如下頁圖8。

④錄入動作方差計算，如下頁圖9。

⑤默認進入識別模式并記錄實時時間戳，如下頁圖10。

⑥將即時的加速度數(shù)據(jù)記錄下來，并和原始數(shù)據(jù)做對比，如下頁圖11。

完整代碼可通過筆者博客或者DF創(chuàng)客社區(qū)索取。

3.實驗測試

將掌控握于手心，OLED屏朝外，方便查看提示消息。開啟電源后，按住A鍵，屏幕出現(xiàn)“開始記錄”，此時可以預(yù)先錄入一個手勢，如在空中比劃大寫字母A。錄入完畢后，屏幕顯示記錄完成。任意比劃時，屏幕一直顯示“正在識別……”，當(dāng)比劃的手勢也是A時，屏幕將出現(xiàn)“識別成功”。

思考與總結(jié)

圍棋界Master的橫空出世，讓人們對機器學(xué)習(xí)充滿了敬畏，或?qū)⑵湎氲眠^于神秘，或?qū)⑵湎氲眠^于萬能。本案例通過Python語言讓一塊小小的智能硬件具有簡單的機器學(xué)習(xí)能力，掀開了機器學(xué)習(xí)的神秘面紗。雖然這是一個小數(shù)據(jù)環(huán)境下的淺層學(xué)習(xí)案例，但原理上完全符合機器學(xué)習(xí)的技術(shù)要求，編程實現(xiàn)也容易，大多數(shù)人都可以進行研究并實現(xiàn)。智能時代已然來到，學(xué)有余力且具備一定編程能力的中學(xué)生需要了解一些機器學(xué)習(xí)的相關(guān)知識，并且，借助智能硬件來一次真刀真槍的實操是很有必要的。

注：本案例也可以使用micro：bit實現(xiàn)，掌控板和micro：bit的Python代碼規(guī)范是一致的。