本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域和人機(jī)交互領(lǐng)域，，具體涉及一種基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法。

背景技術(shù)：

人機(jī)交互，即人與計(jì)算機(jī)實(shí)現(xiàn)“對話”的有效方法。隨著計(jì)算機(jī)應(yīng)用范圍的拓展，人機(jī)交互技術(shù)也從鼠標(biāo)鍵盤等工具向人類更熟知的語音、手勢等方向發(fā)展。作為人與人交流的重要手段，手勢識別技術(shù)得到越來越多的關(guān)注。目前比較成熟的手勢識別技術(shù)均選用視頻獲取圖像的方法進(jìn)行信息采集，進(jìn)而獲取信號特征來實(shí)現(xiàn)各種手勢的識別。然而，基于視頻的手勢識別技術(shù)在光照條件不好的情況下難以保證良好性能。

雷達(dá)多普勒效應(yīng)在目標(biāo)運(yùn)動(dòng)參數(shù)估計(jì)方面具有優(yōu)異表現(xiàn)，使其在軍用、民用方面獲得廣闊的應(yīng)用前景。目標(biāo)在運(yùn)動(dòng)過程中經(jīng)常會(huì)伴隨著微運(yùn)動(dòng)，如人體走動(dòng)或跑動(dòng)時(shí)四肢的運(yùn)動(dòng)，直升機(jī)飛行時(shí)旋翼的轉(zhuǎn)動(dòng)等，這些微運(yùn)動(dòng)在雷達(dá)回波中反應(yīng)為多普勒頻移上引起的額外的頻率調(diào)制，這種微動(dòng)對雷達(dá)回波的調(diào)制被稱為微多普勒效應(yīng)。微多普勒效應(yīng)自2004年提出以來，在人體運(yùn)動(dòng)、旋翼等目標(biāo)微運(yùn)動(dòng)研究方面取得顯著成績。

微多普勒效應(yīng)是對隨時(shí)間變化信號的頻率估計(jì)。為了分析時(shí)變頻率特性，傅里葉變換已不再適用，因?yàn)樗荒芴峁┡c時(shí)間有關(guān)的頻率信息。短時(shí)傅里葉變換(STFT，short-time Fourier transform)作為時(shí)頻分析的常用工具，其主要思想是給信號加窗，將加窗后的信號再進(jìn)行傅里葉變換，加窗后使得變換為時(shí)間t附近的很小時(shí)間上的局部譜，窗函數(shù)可以根據(jù)t的位置變化在整個(gè)時(shí)間軸上平移，從而利用窗函數(shù)可以得到任意位置附近的時(shí)間段頻譜實(shí)現(xiàn)時(shí)間局域化。STFT在微多普勒信號分析中得到廣泛應(yīng)用。

支持向量機(jī)(Support Vector Machine，SVM)是20世紀(jì)90年代根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種機(jī)器學(xué)習(xí)方法，利用有限的樣本所提供的信息對模型復(fù)雜化和學(xué)習(xí)能力兩者進(jìn)行尋求最佳的折衷。其主要思想為把訓(xùn)練樣本非線性的映射到一個(gè)更高維度的特征空間中，在這個(gè)高維的特征空間中尋找到一個(gè)超平面使得正例和反例兩者間的隔離邊緣被最大化。支持向量機(jī)因其在小樣本、非線性、數(shù)據(jù)高維等機(jī)器學(xué)習(xí)問題中的突出性能，被廣泛應(yīng)用在模式識別、數(shù)據(jù)挖掘等領(lǐng)域。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對當(dāng)前手勢識別方法多采用視頻識別的方法，環(huán)境、光照等因素對識別效果影響較高，同時(shí)存在對動(dòng)態(tài)手勢識別能力較差的問題，提出了基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法。本方法通過引入雷達(dá)多普勒效應(yīng)，降低了環(huán)境、光照等因素的影響，同時(shí)提高了對動(dòng)態(tài)手勢的識別能力。

一種基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法，其特征在于，該方法首先通過雷達(dá)采集動(dòng)態(tài)連續(xù)/非連續(xù)手勢數(shù)據(jù)，即時(shí)域雷達(dá)信號；隨后對時(shí)域雷達(dá)信號進(jìn)行時(shí)頻分析得到回波信號的多普勒頻率隨時(shí)間變化圖像，即每組數(shù)據(jù)的時(shí)頻圖；通過對每組數(shù)據(jù)的時(shí)頻分析結(jié)果進(jìn)行噪聲濾除和特征提取，得到手勢動(dòng)作的相關(guān)特征；最后由支持向量機(jī)實(shí)現(xiàn)對手勢動(dòng)作的識別分類。該方法具體包括以下步驟：

1)利用雷達(dá)采集多組動(dòng)態(tài)連續(xù)/非連續(xù)手勢數(shù)據(jù)，每組數(shù)據(jù)采集時(shí)間相同，且每組數(shù)據(jù)包含多個(gè)周期的重復(fù)手勢動(dòng)作；

2)對步驟1)采集得到的每組數(shù)據(jù)進(jìn)行時(shí)頻分析；步驟1)得到的每組數(shù)據(jù)均為時(shí)域雷達(dá)信號，將時(shí)域雷達(dá)信號采用短時(shí)傅立葉變換STFT進(jìn)行時(shí)頻分析，得到回波信號的多普勒頻率隨時(shí)間變化圖像，即每組數(shù)據(jù)的時(shí)頻圖；

STFT計(jì)算如式(1)所示：

$STFT\{x\[\]\}\≡X(m,\mathrm{\ω})=\underset{n=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\Σ}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}---\left(1\right)$

式中，X(m,ω)是短時(shí)傅里葉變換后所得時(shí)頻信號，x[n]是時(shí)間信號，w[n]是窗函數(shù)，n是對應(yīng)時(shí)間信號的時(shí)間，m是窗函數(shù)的滑動(dòng)位置，ω是角頻率,j為虛數(shù)單位；STFT的結(jié)果是一個(gè)時(shí)間與頻率二維平面上的分布，即時(shí)頻分布，取STFT的結(jié)果的模的平方，表示輸入信號x[n]在時(shí)間與頻率平面上的功率；

3)對由式(1)得到的每組數(shù)據(jù)的時(shí)頻分析結(jié)果，先進(jìn)行濾除噪聲操作，而后在一定時(shí)間窗范圍內(nèi)提取信號特征；

3-1)噪聲濾除；對每組時(shí)頻分析后的數(shù)據(jù)觀察其功率大小分布情況，通過設(shè)置功率閾值來直接濾除噪聲影響；

3-2)對每組時(shí)頻分析后數(shù)據(jù)的時(shí)頻圖中特征進(jìn)行采集；在一定時(shí)間窗范圍內(nèi)提取信號特征，依據(jù)時(shí)頻分析后數(shù)據(jù)的微多普勒信息，選取觀察時(shí)頻圖所獲得區(qū)分動(dòng)態(tài)連續(xù)/非連續(xù)手勢最明顯的信息作為特征進(jìn)行提?。?/p>

4)將步驟3)得到的兩類手勢的信號特征隨機(jī)分為訓(xùn)練樣本和測試樣本兩組，通過訓(xùn)練樣本對支持向量機(jī)分類器進(jìn)行訓(xùn)練；經(jīng)過訓(xùn)練的支持向量機(jī)分類器對測試樣本進(jìn)行分類，輸出分類結(jié)果。

本發(fā)明的特點(diǎn)及有益效果有：

1使用雷達(dá)采集動(dòng)態(tài)手勢數(shù)據(jù)，從而極大降降低人機(jī)交互系統(tǒng)對環(huán)境、光照的敏感性，提高了信號的信噪比；

2采用微多普勒效應(yīng)對動(dòng)態(tài)手勢信號進(jìn)行處理，能夠從時(shí)頻域獲得動(dòng)態(tài)連續(xù)/非連續(xù)信號的識別特征；

3采用支持向量機(jī)的方法來完成分類，提高了分類成功率。

本發(fā)明利用雷達(dá)實(shí)現(xiàn)對手勢動(dòng)作的微多普勒特征提取，實(shí)驗(yàn)證明該方法可以有效獲取手勢動(dòng)作的微多普勒特征信息，準(zhǔn)確實(shí)現(xiàn)對動(dòng)態(tài)連續(xù)/非連續(xù)手勢的分類。

附圖說明

圖1為本發(fā)明的基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法的流程框圖。

圖2為本發(fā)明實(shí)施例中試驗(yàn)場景設(shè)置圖。

圖3為本實(shí)施例中采用彈手指手勢的特征時(shí)頻圖。

圖4為本實(shí)施例中采用轉(zhuǎn)手掌手勢的特征時(shí)頻圖。

具體實(shí)施方式

本發(fā)明提出的一種基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法，下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明如下。

本發(fā)明提出的一種基于微多普勒特征的動(dòng)態(tài)連續(xù)/非連續(xù)手勢識別方法，流程框圖如圖1所示，該方法首先通過雷達(dá)采集動(dòng)態(tài)連續(xù)手勢/非連續(xù)手勢數(shù)據(jù)，即時(shí)域雷達(dá)信號；隨后對時(shí)域雷達(dá)信號進(jìn)行時(shí)頻分析得到回波信號的多普勒頻率隨時(shí)間變化圖像，即每組數(shù)據(jù)的時(shí)頻圖；通過對每組數(shù)據(jù)的時(shí)頻分析結(jié)果進(jìn)行噪聲濾除和特征提取，得到手勢動(dòng)作的相關(guān)特征；最后由支持向量機(jī)實(shí)現(xiàn)對手勢動(dòng)作的識別分類。本方法具體包括以下步驟：

1)利用雷達(dá)采集多組動(dòng)態(tài)連續(xù)/非連續(xù)手勢數(shù)據(jù)，每組數(shù)據(jù)采集時(shí)間相同，且每組數(shù)據(jù)包含多個(gè)周期的重復(fù)手勢動(dòng)作；本實(shí)施例中，設(shè)置手勢識別實(shí)驗(yàn)場景，如圖2所示，實(shí)驗(yàn)時(shí)，雷達(dá)天線與測試者手掌之間距離在30厘米左右；測試者在完成手勢動(dòng)作過程中應(yīng)保持手掌活動(dòng)在雷達(dá)天線測試范圍內(nèi)，且盡量在天線徑向距離上移動(dòng)。實(shí)驗(yàn)所使用雷達(dá)為調(diào)頻連續(xù)波雷達(dá)。調(diào)頻連續(xù)波雷達(dá)由于不存在距離盲點(diǎn)、精度高、帶寬大、功率低、簡單小巧，非常適合應(yīng)用在手勢識別微多普勒信息采集中；但由于功率較小，其作用距離較短。本發(fā)明所述雷達(dá)不限于使用調(diào)頻連續(xù)波雷達(dá)，對易于得到目標(biāo)微多普勒信息的連續(xù)波雷達(dá)、調(diào)頻連續(xù)波雷達(dá)等類型雷達(dá)均適用。

本實(shí)施例在試驗(yàn)中分別完成對動(dòng)態(tài)連續(xù)手勢轉(zhuǎn)手掌和動(dòng)態(tài)非連續(xù)手勢彈手指兩種動(dòng)作各50組數(shù)據(jù)的采集，每組數(shù)據(jù)采集時(shí)間設(shè)置為4秒鐘(采集時(shí)間可依據(jù)動(dòng)作不同進(jìn)行設(shè)置)，每組數(shù)據(jù)包含多個(gè)周期的重復(fù)手勢動(dòng)作。

2)對步驟1)采集得到的每組數(shù)據(jù)進(jìn)行時(shí)頻分析；步驟1)得到的每組數(shù)據(jù)均為時(shí)域雷達(dá)信號，將時(shí)域雷達(dá)信號采用短時(shí)傅立葉變換(STFT)進(jìn)行時(shí)頻分析得到回波信號的多普勒頻率隨時(shí)間變化圖像，即每組數(shù)據(jù)的時(shí)頻圖；STFT計(jì)算如式(1)所示：

$STFT\{x\[\]\}\≡X(m,\mathrm{\ω})=\underset{n=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\Σ}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}---\left(1\right)$

式中，X(m,ω)是短時(shí)傅里葉變換后所得時(shí)頻信號，x[n]是時(shí)間信號，w[n]是窗函數(shù)，n是對應(yīng)時(shí)間信號的時(shí)間，m是窗函數(shù)的滑動(dòng)位置，ω是角頻率,j為虛數(shù)單位；STFT的結(jié)果是一個(gè)時(shí)間與頻率二維平面上的分布，即時(shí)頻分布，取STFT的結(jié)果的模的平方，表示輸入信號x[n]在時(shí)間與頻率平面上的功率。

圖3和圖4即為本實(shí)施例動(dòng)態(tài)非連續(xù)手勢與連續(xù)手勢時(shí)間采集信號x[n]經(jīng)STFT變換后所得時(shí)頻圖，其中橫軸代表時(shí)間(即公式中m值)，縱軸代表與時(shí)間對應(yīng)的頻率信息(X(m,ω)中對應(yīng)m的ω值)。由圖可見，頻率隨時(shí)間變化的規(guī)律得到清晰展示。

動(dòng)態(tài)非連續(xù)手勢彈手指動(dòng)作的微多普勒信息，如圖3所示，圖中，f_p代表彈手指動(dòng)作的徑向運(yùn)動(dòng)所引起的正向微多普勒頻率，因動(dòng)作速度快，因此f_p較大；f_n代表手指彈出后收回過程中所引起的負(fù)向微多普勒頻率，因動(dòng)作速度較緩慢，因此f_n較??；T代表一個(gè)彈手指動(dòng)作的完整周期；t₁、t₂分別代表彈手指動(dòng)作中彈和收兩個(gè)動(dòng)作分別占用整個(gè)周期中的時(shí)間。

動(dòng)態(tài)連續(xù)手勢轉(zhuǎn)手掌動(dòng)作的微多普勒信息，如圖4所示；圖中，f_p代表轉(zhuǎn)手掌動(dòng)作向雷達(dá)方向運(yùn)動(dòng)最大頻率；f_n代表轉(zhuǎn)手掌動(dòng)作背向雷達(dá)方向運(yùn)動(dòng)最大頻率；T代表一個(gè)轉(zhuǎn)手掌動(dòng)作的完整周期。在后續(xù)處理中選取信號相對平穩(wěn)的中段3s數(shù)據(jù)進(jìn)行處理(時(shí)間窗TW＝3s，為經(jīng)驗(yàn)值，時(shí)間窗取值與信號采集時(shí)長有關(guān)，一般選取信號相對平穩(wěn)段)。圖3和圖4中軀干頻率Torso frequency代表軀干(因距離雷達(dá)較近，特指手臂)運(yùn)動(dòng)所引起的頻率帶寬，因手勢動(dòng)作中手臂視為靜止，故其帶寬基本處于零頻附近。

3)對由式(1)得到的每組數(shù)據(jù)的時(shí)頻分析結(jié)果(即每組數(shù)據(jù)經(jīng)式(1)變換所得X(m,ω))，先進(jìn)行濾除噪聲操作，而后在一定時(shí)間窗范圍內(nèi)(實(shí)驗(yàn)中取時(shí)間窗長為3秒)提取信號特征。依據(jù)時(shí)頻分析后數(shù)據(jù)的微多普勒信息，包括：正向多普勒頻率f_p，負(fù)向多普勒頻率f_n，信號周期T，信號持續(xù)時(shí)間等，選取觀察時(shí)頻圖所獲得區(qū)分動(dòng)態(tài)連續(xù)/非連續(xù)手勢最明顯的信息作為特征進(jìn)行提??；本實(shí)施例選取信號占空比和頻率負(fù)正比作為特征進(jìn)行提取。

3-1)噪聲濾除。對每組時(shí)頻分析后數(shù)據(jù)通過直方圖等方法觀察其功率大小分布情況，通過設(shè)置功率閾值來直接濾除噪聲影響，功率閾值通過多次觀察調(diào)整獲得(功率閾值的選取與實(shí)驗(yàn)環(huán)境及所用雷達(dá)有關(guān)，一般取最大功率值的30％為閾值。本實(shí)驗(yàn)中選用28dBm作為功率閾值。)。由于測試環(huán)境相對固定，因此可默認(rèn)同一閾值對所有測試數(shù)據(jù)均適用，圖3、圖4即分別為動(dòng)態(tài)非連續(xù)手勢彈手指動(dòng)作和動(dòng)態(tài)連續(xù)手勢轉(zhuǎn)手掌動(dòng)作濾除噪聲后所得時(shí)頻圖。

3-2)對每組時(shí)頻分析后數(shù)據(jù)的時(shí)頻圖中特征進(jìn)行采集。如圖3、圖4所示，在一定時(shí)間窗范圍內(nèi)(實(shí)驗(yàn)中取時(shí)間窗長3秒)提取信號特征，依據(jù)時(shí)頻分析后數(shù)據(jù)的微多普勒信息，包括：正向多普勒頻率f_p，負(fù)向多普勒頻率f_n，信號周期T和信號持續(xù)時(shí)間等，選取觀察時(shí)頻圖所獲得區(qū)分動(dòng)態(tài)連續(xù)/非連續(xù)手勢最明顯的信息作為特征進(jìn)行提取。經(jīng)分析，實(shí)驗(yàn)中選取信號占空比和頻率負(fù)正比作為特征進(jìn)行提取。

信號占空比指的是因手勢動(dòng)作所帶來的有效信號存在時(shí)間與信號周期的比值。如圖3所示，動(dòng)態(tài)非連續(xù)手勢占空比如式(2)所示：

$D=\frac{t_1+t_2}{T}---\left(2\right)$

如圖4所示，動(dòng)態(tài)連續(xù)手勢占空比幾乎為1。

頻率負(fù)正比指時(shí)間窗范圍內(nèi)手勢動(dòng)作引起的正向多普勒頻率最大值f_p和負(fù)向多普勒頻率最大值f_n之間的比值，兩種手勢的頻率負(fù)正比如式(3)所示：

$R=\frac{\left|f_n\right|}{\left|f_p\right|}---\left(3\right)$

本實(shí)施例中，信號占空比為手勢動(dòng)作持續(xù)時(shí)間與時(shí)間窗長的比值；選取3秒時(shí)間窗內(nèi)微多普勒頻率最大值(包括正向多普勒頻率f_p和負(fù)向多普勒頻率f_n，取頻率絕對值)的10％作為閾值(實(shí)施例所選閾值為經(jīng)驗(yàn)值，實(shí)際運(yùn)用中可首先設(shè)置閾值，通過抽取某幾組數(shù)據(jù)來檢驗(yàn)閾值合理性，即抽查幾組測試數(shù)據(jù)所得結(jié)果是否達(dá)到預(yù)期，若未達(dá)到則對閾值進(jìn)行修正)，信號占空比低于所選閾值視為非手勢動(dòng)作(即手臂運(yùn)動(dòng))，信號占空比高于所選閾值視為手勢動(dòng)作。

頻率負(fù)正比為3秒時(shí)間窗內(nèi)手勢動(dòng)作帶來的最大正向微多普勒頻率和最大負(fù)向微多普勒頻率絕對值的比值。

以上兩個(gè)特征均為本實(shí)施例觀察時(shí)頻圖所獲得區(qū)分動(dòng)態(tài)連續(xù)/非連續(xù)手勢最明顯的特征。

4)將步驟3)得到的兩類手勢的信號處理結(jié)果(信號特征)隨機(jī)分為訓(xùn)練樣本和測試樣本兩組，通過訓(xùn)練樣本對SVM分類器進(jìn)行訓(xùn)練，得到適應(yīng)本實(shí)施例的SVM分類器；將測試樣本輸入已訓(xùn)練的SVM分類器，輸出分類結(jié)果，并評估該分類器的分類效果。

由于實(shí)驗(yàn)中采集的連續(xù)手勢和非連續(xù)手勢數(shù)據(jù)均為50組，屬小樣本識別分類，因此在測試過程中采用交叉驗(yàn)證的方法，每次從兩類手勢數(shù)據(jù)中各隨機(jī)抽取40組數(shù)據(jù)作為訓(xùn)練樣本和10組數(shù)據(jù)作為測試樣本，分別進(jìn)行支持向量機(jī)訓(xùn)練和分類測試，共計(jì)進(jìn)行10次測試，測試結(jié)果如下表所示。

表1：兩類手勢特征值及識別成功率表

如表1所示，10次實(shí)驗(yàn)識別成功率均為100％，原因有以下三點(diǎn)：一是實(shí)驗(yàn)中人體與傳感器距離較近，這符合近距離人機(jī)交互應(yīng)用的場景，因此信噪比足夠高；二是本發(fā)明選取的特征抓住了連續(xù)手勢和非連續(xù)手勢的本質(zhì)差別所在；三是采用支持向量機(jī)方法進(jìn)行分類，充分發(fā)揮了支持向量機(jī)在小樣本情況下分類準(zhǔn)確的優(yōu)勢。

從測試結(jié)果看，本發(fā)明能夠提取到可以準(zhǔn)確表征兩類手勢的特征，并通過支持向量機(jī)方法在小樣本情況下對手勢進(jìn)行分類，分類效果優(yōu)異。