基于超低分辨率红外阵列传感器和低成本AI芯片的静态手势识别系统的设计与实现

内存以及算力更为充足的云端或者边缘服务器上进行，对于训练好的机器学习模型，在云端以及边缘进行推理分别对应着云端机器学习以及边缘机器学习。边缘机器学习相比云端机器学习在延迟、带宽、能耗等诸多方面具备优势，因而受到越来越多的关注。微型机器学习是近年来迅速发展的机器学习领域，前身是嵌入式机器学习，它是将边缘机器学习中边缘的概念由网络边缘扩展到了极度边缘，即靠近传感器的微控制器端。微型机器学习的发展有望实现真正的边缘智能。与此同时，手势识别作为实现人机交互的一种重要技术，关于手势识别的研究由来已久，手势识别技术的发展经历了多个阶段，从一开始基于数据手套的手势识别，到后来基于视觉的手势识别，再到近几年，考虑到各种现实场景的实际应用，从用户体验、可靠性、隐私安全等方面出发，产生的基于各种传感器的手势识别，其中，基于红外传感器的手势识别是一项有前途的技术。相比于基于数据手套的手势识别，无需用户佩戴，自由灵活，能够做到非接触的测量感知。相比于基于视觉的手势识别，不会受环境光影响，即使在黑暗条件下也能工作，同时也不会受复杂背景的影响，并且能够一定程度保护用户隐私，并且基于红外传感器的手势识别既能对静态手势进行感知，也能对动态手势进行感知。本文定位于微型机器学习技术在手势识别领域的应用，同时为进一步保障用户的隐私和降低成本，设计并实现了一个基于超低分辨率红外阵列传感器和低成本AI芯片的静态手势识别系统。该系统的实现，一方面有助于促进微型机器学习技术的发展，为微型机器学习应用提供一种切实可行的实现途径，并且整个设计与实现流程的完整展现，将有助于这个领域的持续进步。另一方面，静态手势识别系统在微控制器端的实现，也将帮助手势识别技术在现实生活中得到更多的普及，进而促进社会的发展。

参考文献（略）