董玉華，孫炎輝，徐國(guó)凱*，宋 鵬

(1.大連民族學(xué)院信息與通信工程學(xué)院，遼寧大連116600;2.大連民族學(xué)院機(jī)電信息工程學(xué)院，遼寧大連116600)

語(yǔ)言是人們思想交流和感情傳遞的工具，人們?cè)诮涣鞯臅r(shí)候通常除了使用有聲語(yǔ)言外還經(jīng)常借助人體語(yǔ)言(包括手勢(shì)語(yǔ)言)來(lái)輔助交流，手勢(shì)語(yǔ)的直觀形象是有聲語(yǔ)言的重要補(bǔ)充。近些年，隨著移動(dòng)計(jì)算技術(shù)和微機(jī)電系統(tǒng)的發(fā)展，手勢(shì)識(shí)別技術(shù)逐漸成為人機(jī)交互［1］領(lǐng)域研究的熱點(diǎn)，其自然便捷、形象直觀等諸多優(yōu)點(diǎn)也成為其發(fā)展的一個(gè)主要因素。目前主流的手勢(shì)識(shí)別方法有兩種:一種是基于圖像設(shè)備［2］獲取人的手勢(shì)動(dòng)作圖像，之后進(jìn)行圖像分析并識(shí)別。另一種是基于微傳感器獲取手部不同部位的動(dòng)作信息，進(jìn)而通過(guò)與模型的匹配得到動(dòng)作者的實(shí)時(shí)手勢(shì)信息。由于人手是復(fù)雜的變形體，同時(shí)手勢(shì)具有多樣性、多意性以及空間上的差異性等特點(diǎn)，所以基于圖像設(shè)備的手勢(shì)識(shí)別技術(shù)在一定程度上存在局限性［3］。而基于微傳感器的手勢(shì)識(shí)別系統(tǒng)只需獲取手部各部位的動(dòng)作數(shù)據(jù)，通過(guò)算法便可還原動(dòng)作者的意圖。該類(lèi)系統(tǒng)在任何環(huán)境和空間里都能間接獲得動(dòng)作者的手勢(shì)信息，基本能夠克服基于圖像設(shè)備識(shí)別的弊端，故基于微傳感器的手勢(shì)識(shí)別研究逐漸得到重視。

從20世紀(jì)的90年代末開(kāi)始已有大量的研究者從事基于微傳感器的手勢(shì)識(shí)別研究，并且取得了顯著的成效。1997年，Hoffman F等人使用數(shù)據(jù)手套和離散隱馬爾可夫模型［4］進(jìn)行德語(yǔ)識(shí)別，識(shí)別率達(dá)到96%［5］;2000年，哈爾濱工業(yè)大學(xué)的吳江琴、高文將ANN-HMM混合方法應(yīng)用于有18個(gè)傳感器的CyberGlove型號(hào)數(shù)據(jù)手套的中國(guó)手語(yǔ)識(shí)別系統(tǒng)中，孤立詞識(shí)別率為90%，簡(jiǎn)單語(yǔ)句級(jí)識(shí)別率為92%［6］;2004 年，Jang I J和Park W B 對(duì)手持設(shè)備中加速度信號(hào)處理的問(wèn)題進(jìn)行了研究。為了準(zhǔn)確地識(shí)別出用戶(hù)的手勢(shì)，將測(cè)量的加速度分為靜態(tài)和動(dòng)態(tài)，并且分別提供了識(shí)別方法［7］;2007年，F(xiàn)erscha A和Resmrita S將手勢(shì)的概念泛化。根據(jù)手勢(shì)的語(yǔ)法規(guī)則將手勢(shì)分為原子手勢(shì)和復(fù)雜手勢(shì)兩種，并建立了手勢(shì)庫(kù)Glib，可供基于加速度傳感器的系統(tǒng)使用［8］;2010年Michael Hoffmand等人分別用Linear分類(lèi)器和AdaBoost分類(lèi)器對(duì)25種手勢(shì)進(jìn)行識(shí)別。Linear分類(lèi)器的識(shí)別率為98.5%，AdaBoost分類(lèi)器的識(shí)別率比Linear分類(lèi)器識(shí)別率約少3%［9］。

現(xiàn)有的基于微傳感器的手勢(shì)識(shí)別研究大概分為兩類(lèi):一類(lèi)是基于多類(lèi)型傳感器陣列的數(shù)據(jù)手套研究。另外一類(lèi)是基于單傳感器的研究［10］。前者研究計(jì)算復(fù)雜度高并且數(shù)據(jù)量大，無(wú)法應(yīng)用在現(xiàn)有的移動(dòng)平臺(tái)中［11］。后者雖然能夠解決數(shù)據(jù)量大的問(wèn)題，但是無(wú)法準(zhǔn)確反應(yīng)動(dòng)作者的手指信息，進(jìn)而無(wú)法準(zhǔn)確判斷細(xì)微的手勢(shì)。

文中給出了一種基于ZigBee和多加速度傳感器的手勢(shì)識(shí)別方法。該方案采用ADXL335三軸加速度傳感器分別采集五個(gè)手指和手背上的加速度信息，信息通過(guò)多路開(kāi)關(guān)依次送到終端節(jié)點(diǎn)進(jìn)行A/D轉(zhuǎn)換，并將處理后的數(shù)據(jù)整理發(fā)送。接收端收到數(shù)據(jù)后對(duì)手勢(shì)動(dòng)作依次進(jìn)行濾波取整、抖動(dòng)判定以減少因?yàn)樵肼暫投秳?dòng)帶來(lái)的差異。同時(shí)利用單個(gè)動(dòng)作之間停頓時(shí)間的門(mén)限閾值檢測(cè)動(dòng)作的起始。最后對(duì)手勢(shì)信息特征進(jìn)行提取，構(gòu)建離散隱馬爾可夫模型以實(shí)現(xiàn)對(duì)手勢(shì)的識(shí)別。

1 手勢(shì)信息采集系統(tǒng)結(jié)構(gòu)

系統(tǒng)所采用的手勢(shì)信息采集芯片主要采用TI公司生產(chǎn)的CC2430和三軸加速度傳感器ADXL335。整個(gè)系統(tǒng)兩個(gè)部分:發(fā)送端模塊和接收端模塊。發(fā)送端模塊包括加速度數(shù)據(jù)的采集、A/D轉(zhuǎn)換以及數(shù)據(jù)發(fā)送。利用位于手指和手背上的六個(gè)加速度傳感器，通過(guò)MAX338多路開(kāi)關(guān)，分別將各傳感器的X軸、Y軸、Z軸分量分別送給CC2430。該芯片利用其內(nèi)部的A/D對(duì)模擬量進(jìn)行轉(zhuǎn)換，并將信息通過(guò)射頻方式發(fā)給接收端?？紤]到用戶(hù)佩戴位置的偏差對(duì)識(shí)別率的影響，系統(tǒng)對(duì)其硬件結(jié)構(gòu)進(jìn)行了相應(yīng)的改善。為了保證佩帶位置沒(méi)有太大變化，將各傳感器固定于一個(gè)軟質(zhì)手套上，并將手指位置用膠帶固定牢，使用時(shí)以指甲蓋為各傳感器的參考點(diǎn)，以保證每次佩戴時(shí)，各加速度傳感器位置基本保持一致。

接收端模塊采用與發(fā)送端相同的核心芯片CC2430，其主要完成包括:數(shù)據(jù)接收、濾波取整、特征提取、數(shù)據(jù)量化、抖動(dòng)判定、模型訓(xùn)練與建立、模型匹配、結(jié)果輸出與控制等。用戶(hù)通過(guò)串口可以將接收到的加速度信息傳輸至上位機(jī)，便于對(duì)數(shù)據(jù)進(jìn)行二次處理。系統(tǒng)工作流程圖如圖1所示。

圖1 系統(tǒng)工作流程圖

該方案與其他方案相比，其優(yōu)勢(shì)在于:

首先，克服了傳統(tǒng)的單傳感器手勢(shì)識(shí)別系統(tǒng)對(duì)手部動(dòng)作檢測(cè)的局限性。系統(tǒng)采用多傳感器的設(shè)計(jì)，分別利用放置在五根手指和手背上的6個(gè)加速度傳感器，實(shí)時(shí)的感知每根手指和手掌的具體動(dòng)作，從而更好更全面的獲取動(dòng)作者盡可能多的信息，以便完整的還原用戶(hù)的意圖。

其次，由于ZigBee網(wǎng)絡(luò)的最大傳輸速度250 kb/s，能夠保證手勢(shì)數(shù)據(jù)的實(shí)時(shí)傳輸，另外CC2430采用8051F增強(qiáng)型內(nèi)核，其處理速度能夠滿(mǎn)足識(shí)別算法的基本要求。

最后，ZigBee技術(shù)的應(yīng)用可以方便的將該裝置進(jìn)行移植和改進(jìn)。眾所周知，許多手語(yǔ)是通過(guò)兩只手協(xié)同動(dòng)作，表達(dá)一個(gè)固定的意思。而目前的手勢(shì)識(shí)別系統(tǒng)大都只考慮的單手的情況，對(duì)雙手的情況并未作出考慮，利用ZigBee的自組網(wǎng)特性，可以方便的使兩只手套組成一個(gè)網(wǎng)絡(luò)，為后續(xù)擴(kuò)展提供了極大的便利條件。

2 手勢(shì)識(shí)別處理過(guò)程

2.1 手勢(shì)數(shù)據(jù)濾波取整

為了提高手勢(shì)數(shù)據(jù)識(shí)別處理能力，系統(tǒng)接收端對(duì)接收到的手勢(shì)數(shù)據(jù)進(jìn)行了放大處理。轉(zhuǎn)換的數(shù)字量經(jīng)過(guò)100倍放大之后，雖然較之前已經(jīng)在動(dòng)作信息的表現(xiàn)力上進(jìn)一步得到了提高，但是數(shù)據(jù)依然帶有多位小數(shù)，在數(shù)據(jù)處理的時(shí)候信息量會(huì)非常大，給處理帶來(lái)較大困難?？紤]到已經(jīng)對(duì)加速度數(shù)據(jù)放大了100倍，小數(shù)點(diǎn)后的數(shù)據(jù)對(duì)該手勢(shì)動(dòng)作信息并不存在影響，故將其進(jìn)行取整處理，把小數(shù)點(diǎn)后的數(shù)濾掉，以減少大數(shù)據(jù)量運(yùn)算給系統(tǒng)帶來(lái)的瓶頸。

設(shè) g(t)=［x(t)，y(t)，z(t)］是 t時(shí)刻某加速度傳感器的三軸加速度值，則經(jīng)過(guò)濾波取整后的值即為G(t)={［100×x(t)］，［100×y(t)］，［100×z(t)］}。系統(tǒng)采用X、Y、Z三個(gè)軸的連續(xù)時(shí)間序列作為特征點(diǎn)的數(shù)據(jù)值，并依次進(jìn)行上述處理，之后將得到的數(shù)據(jù)作為動(dòng)作信息提供給后續(xù)操作。

2.2 動(dòng)作起始點(diǎn)自檢測(cè)

手勢(shì)動(dòng)作的起點(diǎn)、終點(diǎn)檢測(cè)是手勢(shì)識(shí)別的第一個(gè)步驟，也是一個(gè)重要的步驟［12］。在識(shí)別過(guò)程中，若不能準(zhǔn)確判斷動(dòng)作起始點(diǎn)和終點(diǎn)，則不能完整的提取出該動(dòng)作的一系列加速度特征序列，從而不能完整的還原出動(dòng)作者的意圖，給后續(xù)處理帶來(lái)很多麻煩。

經(jīng)過(guò)研究發(fā)現(xiàn)人的手勢(shì)動(dòng)作即具有連續(xù)性也有其分割性。每個(gè)手勢(shì)動(dòng)作看起來(lái)是連續(xù)的，實(shí)際每個(gè)手勢(shì)都有短暫的停頓時(shí)間。在這段時(shí)間內(nèi)，由于沒(méi)有手勢(shì)產(chǎn)生，所以各方向的加速度值也相對(duì)平穩(wěn)。當(dāng)有手勢(shì)發(fā)生時(shí)，加速度值則突然變的劇烈，利用這個(gè)特點(diǎn)可以把一串連續(xù)手勢(shì)分割成一組單手勢(shì)組合［13］。

系統(tǒng)通過(guò)設(shè)置門(mén)限閥值來(lái)檢測(cè)單手勢(shì)模型的起點(diǎn)。當(dāng)單手勢(shì)做完停頓的那一刻時(shí)，手部處于短暫的靜止?fàn)顟B(tài)，此時(shí)位于不同部位的六個(gè)傳感器數(shù)據(jù)值所體現(xiàn)出來(lái)瞬時(shí)特征用C(t)=［G1(t)，G2(t)…G6(t)］來(lái)表示。假設(shè)下一時(shí)刻為t+1，則手部各加速度傳感器的特征值則為C(t+1)=［G1(t+1)，G2(t+1)…G6(t+1)］。假設(shè)t+1時(shí)刻恰為手勢(shì)起點(diǎn)，則C(t)與C(t+1)各個(gè)數(shù)據(jù)間會(huì)有明顯的跳變。設(shè)定閥值為valve，對(duì)C(t)與C(t+1)中各特征采集點(diǎn)進(jìn)行比較，若:

且同時(shí)有多個(gè)點(diǎn)存在突變則認(rèn)為該手勢(shì)為動(dòng)作起點(diǎn)。

2.3 抖動(dòng)判定

人手在做每個(gè)動(dòng)作的過(guò)程中難免會(huì)發(fā)生顫抖或偏移，不同的人在做同一手勢(shì)過(guò)程中也會(huì)存在細(xì)微的差別。如何斷定該動(dòng)作是抖動(dòng)還是動(dòng)作者的手勢(shì)對(duì)于動(dòng)作的完整性來(lái)說(shuō)也是至關(guān)重要的一步，因此要在識(shí)別過(guò)程中加入抖動(dòng)判定過(guò)程，以解決這些抖動(dòng)帶來(lái)的干擾［14］。

系統(tǒng)在抖動(dòng)判定方法的設(shè)計(jì)上，依據(jù)大量采集到手勢(shì)信息得出，從極限情況出發(fā)，即由于人與人之間存在差異產(chǎn)生的最大抖動(dòng)可能，得出的同一手勢(shì)，最大數(shù)據(jù)抖動(dòng)范圍在－11—11之間。由此得出抖動(dòng)判定模型為:

其中 M(t)=［m1(t)，m2(t)，…，m6(t)］為最佳手勢(shì)模型，C(t)為采集到的某個(gè)人的手勢(shì)數(shù)據(jù)，Y(t)為經(jīng)過(guò)抖動(dòng)判斷后輸出的決策信息。

2.4 手勢(shì)識(shí)別算法

系統(tǒng)所采用的手勢(shì)識(shí)別算法是基于隱馬爾可夫模型(HMM)識(shí)別算法，其核心思想是一種基于轉(zhuǎn)移概率和傳輸概率的隨機(jī)模型。在進(jìn)行匹配算法之前，首先為每個(gè)手勢(shì)建立手勢(shì)模型，通過(guò)訓(xùn)練得到狀態(tài)轉(zhuǎn)移概率矩陣A和輸出概率矩陣B。識(shí)別時(shí)通過(guò)最優(yōu)狀態(tài)序列Viterbi算法計(jì)算未知手勢(shì)在狀態(tài)轉(zhuǎn)移過(guò)程中的最大概率，根據(jù)最大概率對(duì)應(yīng)的模型進(jìn)行判決。該算法的優(yōu)勢(shì)在于不需要時(shí)間規(guī)整，可節(jié)約判決時(shí)的計(jì)算時(shí)間和存儲(chǔ)量，但帶來(lái)的問(wèn)題是訓(xùn)練時(shí)計(jì)算量較大。

系統(tǒng)利用HMM模型對(duì)采集的手勢(shì)進(jìn)行判別，具體實(shí)現(xiàn)步驟如下:①通過(guò)概率計(jì)算，把模型λ=f(a，A，B)中的參數(shù)初始狀態(tài)概率矢量a，狀態(tài)轉(zhuǎn)移概率矩陣A，概率分布函數(shù)矢量B求出。再通過(guò)前向概率算法和后向概率算法算出輸出Y的概率P(Y|λ);②得到輸出Y的概率P(Y|λ)和模型λ=f(a，A，B)后通過(guò)最優(yōu)狀態(tài)序列Viterbi搜索算法估計(jì)出系統(tǒng)模型產(chǎn)生Y時(shí)最可能經(jīng)歷的狀態(tài)序列X;③將概率最大的HMM模型為對(duì)應(yīng)的識(shí)別結(jié)果輸出。

以手勢(shì)模型庫(kù)容量為三的情況下手勢(shì)識(shí)別為例，實(shí)驗(yàn)過(guò)程中首先定義手勢(shì)1～3三種手勢(shì)。

圖2為假設(shè)定義的三個(gè)手勢(shì)模型圖，其中每個(gè)手勢(shì)表示一種狀態(tài)，共有3個(gè)狀態(tài)用Si(i=1，2，3)表示。在時(shí)刻n時(shí)，手勢(shì)所處的狀態(tài)用xn來(lái)表示，xn只能取S1～S3中一個(gè)。即xn∈{S1～S3}。

圖2 三個(gè)狀態(tài)跳轉(zhuǎn)示意圖

初始狀態(tài)概率矢量a位于時(shí)間起點(diǎn)，即n=1，此時(shí)狀態(tài)x1可能是S1～S3中的任何一個(gè)。如果在此時(shí)狀態(tài)x1取的是手勢(shì)1，則初始狀態(tài)概率矢量a為［1，0，0］。

狀態(tài)轉(zhuǎn)移概率矩陣A，是表示在當(dāng)前狀態(tài)下可以以某種概率向任意的狀態(tài)跳轉(zhuǎn)。上圖定義了3個(gè)手勢(shì)(狀態(tài))，則共有33種跳轉(zhuǎn)狀態(tài)。得到的矩陣

概率函數(shù)分布矢量B，在上述三個(gè)狀態(tài)S1～S3下，每個(gè)狀態(tài)都有對(duì)應(yīng)的概率分布函數(shù)或密度函數(shù)PSi，三個(gè)狀態(tài)則構(gòu)成一個(gè)三維的行矢量 B=［PS1(y)，PS2(y)，PS3(y)］。

要得到輸出Y的概率P(Y|λ)則需求出前向概率αn(j)和后向概率βn(j)。

前向概率公式:

其中 α1(j)=ajbj(y1)(j=1，2，3)

后向概率公式:

其中 βN(j)=1(j=1，2，3)。得到

最后，通過(guò)最優(yōu)狀態(tài)序列Viterbi搜索算法估計(jì)出系統(tǒng)模型產(chǎn)生Y時(shí)最可能經(jīng)歷的狀態(tài)序列X的概率最大的HMM模型，那么該模型所對(duì)應(yīng)的手勢(shì)即為手勢(shì)識(shí)別的結(jié)果，即:

識(shí)別原理圖如圖3所示。

圖3 識(shí)別原理圖

3 實(shí)驗(yàn)結(jié)果與分析

系統(tǒng)共建立了0～9十個(gè)數(shù)字的手勢(shì)庫(kù)，其標(biāo)準(zhǔn)手勢(shì)如圖4所示。

圖4 手勢(shì)定義圖

選取20個(gè)人進(jìn)行匹配，得到數(shù)據(jù)經(jīng)過(guò)測(cè)算如表1所示。

表1 手勢(shì)匹配值一覽表

表1中的數(shù)據(jù)中匹配值越大說(shuō)明匹配度越好，0為極大值。通過(guò)MATLAB仿真可以算出手勢(shì)0到手勢(shì)9之間轉(zhuǎn)移矩陣和轉(zhuǎn)移概率。通過(guò)測(cè)算得出手勢(shì)數(shù)字0到數(shù)字9之間的識(shí)別率如表2所示。

表2 手勢(shì)識(shí)別率統(tǒng)計(jì)表

系統(tǒng)利用動(dòng)作停頓時(shí)間門(mén)限閾值和抖動(dòng)閾值的方法對(duì)抖動(dòng)和細(xì)微動(dòng)作做出相應(yīng)的區(qū)分，從實(shí)驗(yàn)結(jié)果來(lái)看能夠達(dá)到準(zhǔn)確判斷和識(shí)別的目的。同時(shí)系統(tǒng)采用隱馬爾可夫模型對(duì)訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)進(jìn)行識(shí)別，平均訓(xùn)練樣本識(shí)別率達(dá)到99%。這個(gè)結(jié)果表明，采用多加速度傳感器中每個(gè)動(dòng)作的三軸加速度數(shù)據(jù)作為特征量，之后利用HMM和Viterbi算法進(jìn)行訓(xùn)練、識(shí)別以及優(yōu)化的方法，在手勢(shì)交互過(guò)程中，能達(dá)到較好的識(shí)別效果。

4 小結(jié)

本系統(tǒng)采用多個(gè)三軸加速度傳感器和ZigBee芯片作為手勢(shì)信息采集系統(tǒng)，以數(shù)字0～9做為識(shí)別內(nèi)容，利用分布在五個(gè)手指和手背上的加速度傳感器，提取每個(gè)方向軸上的加速度信息作為HMM的數(shù)據(jù)輸入?yún)?shù)，為HMM進(jìn)行初始化及參數(shù)訓(xùn)練，最后利用HMM進(jìn)行手勢(shì)識(shí)別。為了得到較高的識(shí)別率，對(duì)HMM進(jìn)行了優(yōu)化，從實(shí)驗(yàn)結(jié)果上來(lái)看，識(shí)別率能達(dá)到98%以上，基本能夠?qū)崿F(xiàn)靜態(tài)手勢(shì)和簡(jiǎn)單動(dòng)態(tài)手勢(shì)的準(zhǔn)確識(shí)別。同時(shí)ZigBee技術(shù)的引入，為為后續(xù)擴(kuò)展提供了極大的便利條件。

［1］ 王萬(wàn)良，楊經(jīng)緯，蔣一波.基于運(yùn)動(dòng)傳感器的手勢(shì)識(shí)［J］.傳感技術(shù)學(xué)報(bào)，2011，24(12):1723－1727.

［2］ 荊雷，馬文君，常丹華.基于動(dòng)態(tài)時(shí)間規(guī)整的手勢(shì)加速度信號(hào)識(shí)別［J］.傳感技術(shù)學(xué)報(bào)，2012，25(1):72－75.

［3］ 劉蓉，劉明.基于加速度傳感器的手勢(shì)識(shí)別研究［J］.計(jì)算機(jī)工程，2011，37(16):141－143.

［4］ 寧愛(ài)平，張雪英.人工蜂群算法改進(jìn)DHMM的語(yǔ)音識(shí)別方法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(28):16－19.

［5］ Hoffman F，HeyerP，HommelG.Velocity Profile-Based Recognition of Dynamic Gestures with Discrete Hidden Markov Models［C］//Proc of 1997 Gesture Workshop.Gif-sur-Yvette，F(xiàn)rance:［s.n.］.1997:81－95.

［6］ 吳江琴，高文.基于DGMM的中國(guó)手語(yǔ)識(shí)別系統(tǒng)［J］.計(jì)算機(jī)研究與發(fā)展，2000，37(5):551－558.

［7］ Jang I J，Park B． Signal Processing of the Accelerometer for Gesture Awareness on Handheld Devices［C］/ /Proceedings of the IEEE International Workshop on Ｒobot and Human Interactive Communication， 2003: 139－144．

［8］ Ferscha A，Resmrita S.Gestural Interaction in the Pervasive Computing Landscape［J］.Electrotechnik and Informationstechnik，2007，124(1):17－25.

［9］ Hoffman M，Varcholik P，La Viola J.Breaking the Status Quo:Improving 3D Gesture Recognition with Spatially Convenient Input Device［C］//Virtual Reality Conference(VR).IEEE，2010:59－66.

［10］薛洋.基于單個(gè)加速度傳感器的人體運(yùn)到模式識(shí)別［D］.廣州:華南理工大學(xué)，2011.

［11］ 嚴(yán)焰，劉蓉，黃璐，陳婷.基于HMM的手勢(shì)識(shí)別研究［J］.華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，46(5):556－559.

［12］ Jiho C，Kyohyun S，Seongil L.Enabling a Gesture Based Numeric Input on Mobile Phones［C］//IEEE International Conference on Consumer Electronics.Xi’an，2011:151－152.

［13］陳意，楊平，陳旭光.一種基于加速度特征提取的手勢(shì)識(shí)別方法［J］.傳感技術(shù)學(xué)報(bào)，2012，25(8):1073－1078.

［14］顧偉宏，閔昆龍，張曉娜.新型數(shù)據(jù)手套及其手勢(shì)識(shí)別研究［J］.自動(dòng)化儀表，2011，32(2):56－59.