一種基于Wi-Fi信號的手勢識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于人機交互、機器學(xué)習(xí)領(lǐng)域，涉及一種基于Wi-Fi信號的手勢識別方法。
【背景技術(shù)】
[0002] 隨著計算機信息技術(shù)的快速發(fā)展，人機交互技術(shù)已經(jīng)在人們的日常生活中扮演著 越來越重要的角色。手勢是一種人與外界溝通時最直觀的交流方式，人們可通過軀體或者 手勢直觀、簡潔、自然地表達(dá)自己的想法，因此基于手勢的人機交互技術(shù)成為目前研究的熱 點，即手勢識別技術(shù)。
[0003] 目前手勢識別技術(shù)主要分為兩類，一類為目標(biāo)攜帶專門的傳感器或者設(shè)備，即主 動式手勢識別技術(shù)，主動式手勢識別技術(shù)主要通過目標(biāo)攜帶三軸加速度傳感器、陀螺儀、電 子羅盤等傳感器設(shè)備采集手型或者跟蹤手部空間運動數(shù)據(jù)，目前主動式手勢識別中數(shù)據(jù)手 套應(yīng)用最廣泛，數(shù)據(jù)手套是通過目標(biāo)穿戴包含多個傳感器的手套，通過傳感器記錄手在空 間中的運動軌跡以及手指關(guān)節(jié)的運動信息，從而識別出目標(biāo)的手勢，在國內(nèi)，哈爾濱工業(yè)大 學(xué)的吳江琴、高文等在中國手語識別系統(tǒng)中，使用由18個傳感器組成的Cyber Glover數(shù)據(jù) 手套，結(jié)合隱馬爾科夫模型（Hidden Markov Model，HMM)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)兩種方法，實現(xiàn)對孤立詞的識別率為90%，簡單語句識別率為92%。 主動式手勢識別技術(shù)可以直接獲得人手在空間中的坐標(biāo)和手指運動信息，數(shù)據(jù)的精確度 高、可識別多個手勢且識別精準(zhǔn)度高，但由于還需用戶攜帶專門設(shè)備、不方便操作、不適合 遠(yuǎn)距離操作等缺點，使其應(yīng)用場景受到了很大的限制。
[0004] 為了用戶能夠得到更好的體驗，不再依賴傳感器或者專用設(shè)備等輔助裝置，國內(nèi) 外研究員開始研究目標(biāo)不攜帶任何傳感器或者設(shè)備的手勢識別技術(shù)，即被動式手勢識別技 術(shù)，由于其成本低，操作簡單，符合用戶習(xí)慣等特點，成為國內(nèi)外研究的熱點。現(xiàn)有的被動式 手勢識別技術(shù)主要有:基于計算機視覺的手勢識別技術(shù)、基于聲波的手勢識別技術(shù)、基于 Wi-Fi信號的手勢識別技術(shù)。其中基于計算機視覺的識別技術(shù)，是通過攝像頭捕捉目標(biāo)手勢 的動作序列，對手勢信號進(jìn)行復(fù)雜處理，然后通過模式匹配算法進(jìn)行手勢識別，目前基于視 頻的識別技術(shù)相當(dāng)成熟，已成功應(yīng)用于日常生活中，如微軟公司開發(fā)的Xbox 360游戲主機， 但由于其易受環(huán)境光線強弱的影響，視頻處理數(shù)據(jù)量大，存在部署成本代價大，容易泄露隱 私等諸多缺點，限制了其發(fā)展的前景?；诼暡ǖ氖謩葑R別技術(shù)，最典型成功案例是由華盛 頓大學(xué)和微軟研究院共同提出，通過智能手機或筆記本電腦上的揚聲器和麥克風(fēng)發(fā)送和接 受18Khz聲波來感知用戶的手勢波動，但由于聲波所能感知的范圍小，限制了其應(yīng)用范圍和 場景。而現(xiàn)如今，完善的Wi-Fi基礎(chǔ)設(shè)施，使得Wi-Fi信號幾乎無處不在，國內(nèi)外科學(xué)家利用 Wi-Fi信號的普適性，著手研究通過感知Wi-Fi信號擾動為中心的手勢識別技術(shù)，如Q.Pu教 授利用USRP(Universal Software Radio Peripheral，通用軟件無線電外設(shè))發(fā)送和接收 WI-FI信號，并且通過對Wi-Fi信號進(jìn)行0FDM調(diào)制后，分析子載波的多普勒頻偏，實現(xiàn)對9種 手勢識別。從國際前沿研究進(jìn)展可以看出，該利用Wi-Fi信號的技術(shù)將在未來極大程度的改 善人類生活，提高人類的生活質(zhì)量。
[0005] 基于無線信號的手勢識別順應(yīng)了未來人機交互發(fā)展的趨勢，具有非常重要的研究 意義和實用價值，尤其是其廣闊的發(fā)展前景，吸引了大量國內(nèi)外專家的興趣。近三年來，基 于無線信號的手勢識別技術(shù)得到了快速發(fā)展，主要分為兩個研究方向：
[0006] (1)使用RFID標(biāo)簽實現(xiàn)手勢識別
[0007] 在2012年，墨爾本大學(xué)ParvinAsadzadeh博士，利用接收器對無源標(biāo)簽軌跡的追 蹤，實現(xiàn)對手勢的識別精準(zhǔn)率為94%。2013年，奧爾堡大學(xué)的RasmusKrigslund博士，部署多 天線的接收器對無源標(biāo)簽進(jìn)行追蹤，實現(xiàn)簡單3D手勢識別。在2014年，MIT的Jue Wang博士， 通過手指穿戴RFID標(biāo)簽，實現(xiàn)虛擬手寫單詞，通過接收器分析標(biāo)簽的相位信息，實現(xiàn)單詞識 別率為96.8%。華盛頓大學(xué)Bryce Kellogg和VamsiTalla博士，自主研發(fā)可通過手機接收標(biāo) 簽信息的硬件設(shè)備，對接收到信號進(jìn)行幅值包絡(luò)，在低功耗，低延遲的情況下，實現(xiàn)了對8種 手勢97 %的識別準(zhǔn)確率。
[0008] (2)使用Wi-Fi信號實現(xiàn)手勢識別
[0009] 在2013年，MIT的D.Katabi教授，使用USRP(Universal Software Radio Peripheral，通用軟件無線電外設(shè))連接多根天線，組成ΜΙΜΟ系統(tǒng)，通過ΜΙΜΟ技術(shù)發(fā)送和接 受2.4Ghz Wi-Fi信號，實現(xiàn)對墻背后簡單的手勢檢測。華盛頓大學(xué)的QifanPu教授，修改 USRP-N210底層協(xié)議，對原始信號進(jìn)行0FDM技術(shù)處理，通過發(fā)送5Gh信號，觀察每個子載波的 多普勒頻偏，實現(xiàn)對9種手勢的識別，平均精度達(dá)到94%。2014年，哥廷根大學(xué)的Stephan Sigg博士利用無線Wi-Fi信號的RSSI值對11種手勢進(jìn)行識別，其精度為72%。威斯康星大學(xué) 的Pedro Melgarejo博士，在接收端利用定向天線接收AP信號，研究在兩種場景下對25種手 勢的識別，在高信噪比的場景下實現(xiàn)92%的識別精度和在低信噪比的場景下實現(xiàn)84%的識 別精度。
[0010]從上述研究工作可以看出，使用RFID標(biāo)簽可實現(xiàn)細(xì)粒度的手勢識別，但是需要目 標(biāo)攜帶FRID標(biāo)簽，限制了用戶的自由，不能使用戶更加自然、自由的人機交互，用戶體驗非 常差。基于Wi-Fi信號手勢識別，由于WIFI基礎(chǔ)設(shè)備的普遍性，同時可以實現(xiàn)用戶在無拘無 束條件下人機交互，受到國內(nèi)外專家的青睞，但目前國內(nèi)外學(xué)者主要通過USRP發(fā)送和接收 WI-FI信號實現(xiàn)手勢識別，但同樣存在一定的局限性，由于USRP不屬于通用設(shè)備，并且比較 昂貴，實際部署代價高。

【發(fā)明內(nèi)容】

[0011] 針對上述現(xiàn)有技術(shù)存在的缺陷或不足，本發(fā)明的目的在于，提出一種基于Wi-Fi信 號的手勢識別方法。
[0012] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0013] 一種基于Wi-Fi信號的手勢識別方法，具體包括以下步驟：
[0014] 步驟一，發(fā)送端發(fā)送信號，用戶在發(fā)送端與接收端之間做出多種手勢，對信號產(chǎn)生 擾動，接收端的兩個接收天線分別接收到被手勢擾動后的信號G1和G3;
[0015] 步驟二，對信號G1和G3進(jìn)行預(yù)處理，所述預(yù)處理包括歸一化處理、共輒處理和平滑 處理，得到預(yù)處理后的信號S1;
[0016] 步驟三，根據(jù)信號S1提取待識別手勢信號GS;
[0017]步驟四，構(gòu)建模板手勢信號庫，模板手勢信號庫中包含多個模板手勢信號;將待識 別手勢信號GS分別與多個模板手勢信號進(jìn)行匹配，得到待識別手勢信號GS與多個模板手勢 信號之間的匹配距離，其中最小的匹配距離所對應(yīng)的模板手勢信號所表示的手勢與待識別 手勢信號表示的手勢一致。
[0018] 具體地，所述步驟二的實現(xiàn)方式包括：
[0019] 步驟2.1:對信號G1和G3進(jìn)行歸一化處理，分別得到歸一化后的信號G4和G5;
[0020] 步驟2.2:對歸一化后的信號G4和G5進(jìn)行共輒處理，得到去除噪聲后的信號S;
[0021] 步驟2.3:對去噪后的信號S進(jìn)行平滑處理，得到平滑處理后的信號S1。
[0022]具體地，所述步驟三的實現(xiàn)方式包括：
[0023]步驟3.1:根據(jù)信號S1，計算滑動窗口幅值和矩陣A[n]，n表示數(shù)據(jù)樣本數(shù)；
[0024]步驟3.2:確定手勢數(shù)據(jù)約束條件；
[0025] 步驟3.3:根據(jù)滑動窗口幅值和矩陣A[n]和手勢數(shù)據(jù)約束條件得到待識別手勢信 號GS〇
[0026] 具體地，所述步驟四的實現(xiàn)方式包括：
[0027] 步驟4.1:構(gòu)建模板手勢信號庫，模板手勢信號庫中包含多個模板手勢信號ref [k]，k表示第k種模板手勢信，單個模板手勢信號數(shù)據(jù)表示為ref(i)，l < i <d，其中d表示單 個模板手勢數(shù)據(jù)的數(shù)據(jù)點的個數(shù)；
[0028] 步驟4.2:將待識別手勢信號GS分別與多個模板手勢信號進(jìn)行匹配，得到待識別手 勢信號GS與多個模板手勢信號之間的匹配距離，具體實現(xiàn)方法如下：
[0029] 待識別手勢信號數(shù)據(jù)為GS(j)，l < j <