手势作为一种便捷的人机交互方式在越来越多的场景得到应用,手势识别技术也成为了一个研究热点。手势识别使用的数据采集设备主要有两类:机器视觉类和运动传感器类,运动传感器相对于机器视觉具有容易适应环境、设备便携等特有的优势。随着智能手机、智能手表和健康监护手环等可穿戴设备的迅猛发展,微机电惯性传感器(MEMS-IMU)性能越来越强,价格也越来越便宜,因此本文将研究基于MEMS-IMU的手势识别。使用MEMS-IMU作为手势数据传感器进行手势识别的方法主要有运动轨迹重构、模板匹配、隐马尔可夫模型、手势数据统计和人工神经网络,本文将人工神经网络和深度学习应用于手势识别领域。使用长短时记忆模块(LSTM)的循环神经网络(RNN)可以有效地解决手势长度不统一的问题,还能够融合加速度信息、角速度信息和姿态信息进行手势识别。本文定义并采集了八种单手手势和八种双手手势,均为动态手势,单手手势动作简单,使用右手佩戴传感器采集,如向左、向右、画圆,画叉等,双手手势动作需要双手配合完成,左右手各佩戴一个传感器采集,采用了中国交警常用八种手势。完成手势采集后,首先需要对手势数据完成坐标系转换,然后进行一系列的预处理过程使得手势数据能够满足LSTM-RNN模型的输入要求,本文对坐标系转换后的手势数据进行了样本选择、归一化、滤波和动作分割,适当的预处理能够提升手势识别系统的性能。预处理完成后可以将手势数据输入LSTM-RNN模型中训练,本文尝试设置了不同的隐藏节点并做了多组对照试验,单手手势最优识别率为97.22%,双手手势最优识别率为96.98%。文章最后通过实验验证了手势数据的完整性对于复杂手势的识别非常重要,使用加速度和角速度作为输入数据的双手手势模型识别率很低,输入数据加入姿态四元数信息后识别率有大幅提升。实验证明本文所使用的手势识别方法性能优异,在复杂手势识别方面有很大优势。