一种基于无线信号的小样本手势识别方法技术

本发明专利技术提供了一种基于无线信号的手势识别方法，包括以下步骤：在实验室内部署一个数据采集装置，该装置包括一个发射端和一个接收端；组织m名实验者坐在发射端和接收端中间的位置，做出规定的手势动作，每个手势动作重复n次，进行实验数据的采集；针对采集到的手势数据，提取其CSI的幅值信息，利用离散小波变换进行降噪处理，将处理后的数据集划分为训练集和测试集；构建小样本手势识别模型；构建完成后将训练集放入模型中进行训练，待模型训练完成后用测试集进行测试，查看分类效果。本发明专利技术方法解决了传统的深度学习方式中利用大量数据去训练模型的问题，实现了仅用每类很少的样本数量就能识别新的手势类别的目的，此方法大大降低了人工成本。降低了人工成本。降低了人工成本。

【技术实现步骤摘要】
一种基于无线信号的小样本手势识别方法


[0001]本专利技术涉及手势识别领域，具体涉及一种基于无线信号的小样本手势识别方法。

技术介绍

[0002]随着移动互联网和无线通信技术的快速发展，高效的人机交互(Human Computer Interaction，HCI)在我们的日常生活中发挥着关键作用。人们对智能设备的体验也从传统的人机交互方式逐渐转向更加多样且智能化的方向。例如从最简单的基于文本式的键盘和基于图形的鼠标交互方式逐渐转向为包括人脸识别、指纹识别、手势以及步态识别等等多种媒体和多种模式相结合的新型人机交互方式。手势是一种形象、直观、便于理解、包含丰富信息和具有较强视觉效果的肢体语言，利用不同的手势动作可以传达丰富的信息。例如在智能家居方面可以通过手势控制家庭中的常用电器，电视换台、开关点灯、调节温度灯等，在办公教学领域，利用手势控制PPT的翻页、文档的打开和关闭等。因此进行手势识别技术的研究对于推动HCI技术的发展有着很大的帮助，同时对改善人类生活质量具有重大意义。
[0003]常见的手势识别技术主要有三种，一是基于传感器的手势识别，这种方法通过含有特定传感器的可佩戴设备来收集手势的运动数据来判断手势的状态。其中最典型是数据手套的研究，它集成有许多可用于数据采集的传感器，用户佩戴之后，计算机系统就能从这些传感器中获取到人手的位置方向和运动等信息，然后在虚拟环境中模拟再现出手势动作。最早的数据手套是在1983年由来自AT&T的Grimes专利技术的,国内来自哈工大的吴江琴等人使用集成有18个传感器的Cyber Glove数据手套对中国的手语进行识别，提出了基于监督学习的神经网络和学习判定树的方法，这种方法精确度很高。2014年国内百度公司推出了可穿戴设备Baidu Eye，利用人体的不同运动状态实现了一种新颖的人机交互方式。尽管可穿戴设备能带来较高的准确率，但在一定程度上限制了人们的自由，给生活带来很大的不便性，并且有操作繁琐且价格昂贵等缺点，不宜大规模使用。
[0004]二是基于视觉的手势识别，这种方法主要是从包含有手势动作的图像或者视频流中提取特征，利用图像处理技术和计算机视觉的方法来识别手势。相比于基于传感器的手势识别技术，这种方式给人更多的自由，也更加人性化。早在1991年，日本富士通公司在手语识别中已经识别出46个手势符号。2001年，Yang采用了时延神经网络，通过学习手势的运动轨迹，对40个美国手语进行识别，在训练集上的识别率高达99％，在测试集上的识别率达到了96％。2008年，中科院软件所的王西颖提出了一种基于HMM和模糊神经网络相结合的模型结构，在复杂背景下能够识别出其中的动态手势。2009年，Doliotis P等人使用Kinect深度相机来获取手部信息，通过设置阈值的方式将手势从复杂背景中分割出来，然后使用动态时间规整(DTW)对手势进行训练并识别，这是基于视觉的手势识别一个典型应用。2013年，海尔公司展出了一种内置有摄像头的智能空调设备，并且可以通过手势智能地调节温度。2019年，LG发布的G8 Thin Q带来的Air Motion能够实现隔空翻页，后来华为也推出了一款手机可以隔空截图，支持滑动屏幕等基本的操作。相较于数据手套，基于视觉的手势识
别方法完全摆脱了穿戴不方便的束缚，但是检测范围小，并且对光线要求高，要求有绝对的LOS，在夜间使用效果差甚至直接不能工作。并且在日常生活方面，一些日常家居等相对敏感的环境中，安装摄像头存在极易泄露用户隐私的风险。尽管基于视觉的手势识别技术取得了非常好的发展，但仍存在很多应用的局限性。
[0005]随着网络技术的飞速发展，WiFi设备得以广泛部署与应用，第三种基于无线感知的手势识别技术应运而生，它是通过特定的接收发送设备来获取手势变化的信息。基于WiFi的手势识别技术具有被动感知、无需穿戴设备、成本低、不依赖光照条件、易部署等众多优点，而且WiFi信号包含了一种比之前的RSSI更加细粒度的特征CSI(Channel State Information)，它提供了更精细更丰富的信息，在一定程度上描述了信号在传播过程中的衰减情况和信道的多径特性，对运动物体的感知提供了更精细的分辨率。CSI有助于研究手势对信号传播的影响，从而分析手势信号特征,识别出手势动作。因此WiFi信号感知成为手势识别技术中重要的检测手段。
[0006]目前，基于无线信号的手势检测技术大部分都是利用传统的深度学习，这种学习方式依赖于大量带标签的样本以及多次的迭代去训练其大量的参数。当样本不充分时，模型的性能会严重下降，造成过拟合问题。在实际应用中，手势类别千变万化，如果用传统的深度学习方式，获取大量带有标签的手势数据需要花费巨大的代价，而且某些手势类别并不存在巨大的数据去适应深度学习模型进行训练。
[0007]基于以上内容，本专利技术提出了一种小样本手势识别模型，以便解决以往手势识别技术中利用深度学习方式来训练模型并且需要大量标记样本的问题。

技术实现思路

[0008]为解决上述问题，本专利技术提供了一种基于无线信号的小样本手势识别方法，设计合理，解决了现有技术的不足，具有良好的效果。
[0009]为了实现专利技术目的，采用以下技术方案：
[0010]一种基于无线信号的小样本手势识别方法，包括以下步骤：
[0011]S1、实验环境的部署；
[0012]选定一间空旷的实验室，在实验室内部署一个数据采集装置，该装置包括一个发射端和一个接收端，所述发射端为无线路由器，用于发射无线信号，所述接收端为电脑，用于接收并保存来自无线路由器的包含环境信息的CSI数据；
[0013]S2、实验数据的采集；
[0014]组织m名实验者坐在发射端和接收端中间的位置，位置固定不变，做出规定的手势动作，每个手势动作重复n次，进行实验数据的采集；
[0015]S3、数据预处理；
[0016]针对S2中采集到的手势数据，提取其CSI的幅值信息，并利用离散小波变换对其进行降噪处理，预处理后的数据构成数据集；
[0017]S4、数据集的划分；
[0018]将S3中的数据集划分为训练集和测试集，再分别将训练集和测试集中的数据划分为支持集和查询集，支持集用于得出每个类别的类原型，查询集用于计算与类原型的距离，进而得出分类概率；
[0019]S5、构建小样本手势识别模型；
[0020]S6、将训练集放入构建好的小样本手势识别模型中对其进行训练，待模型训练完成后用测试集进行测试，查看分类效果。
[0021]进一步地，在S1中，所述实验室大小为10
×
15m，无线路由器型号为商用版TP
‑
LINK WDR 6500；
[0022]电脑与路由器之间相距1.5m，电脑上安装Ubutu12.04操作系统，配备Intel 5300网卡，且外接有三根天线，天线离地高度为1.2m；电脑通过USB外接两个小音响，手势动作的绘制通过音响发出开始或结束指令来完成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无线信号的小样本手势识别方法，其特征在于，包括以下步骤：S1、实验环境的部署；选定一间空旷的实验室，在实验室内部署一个数据采集装置，该装置包括一个发射端和一个接收端，所述发射端为无线路由器，用于发射无线信号，所述接收端为电脑，用于接收并保存来自无线路由器的包含环境信息的CSI数据；S2、实验数据的采集；组织m名实验者坐在发射端和接收端中间的位置，位置固定不变，做出规定的手势动作，每个手势动作重复n次，进行实验数据的采集；S3、数据预处理；针对S2中采集到的手势数据，提取其CSI的幅值信息，并利用离散小波变换对其进行降噪处理，预处理后的数据构成数据集；S4、数据集的划分；将S3中的数据集划分为训练集和测试集，再分别将训练集和测试集中的数据划分为支持集和查询集，支持集用于得出每个类别的类原型，查询集用于计算与类原型的距离，进而得出分类概率；S5、构建小样本手势识别模型；S6、将训练集放入构建好的小样本手势识别模型中对其进行训练，待模型训练完成后用测试集进行测试，查看分类效果。2.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S1中，所述实验室大小为10
×
15m，无线路由器型号为商用版TP
‑
LINK WDR 6500；电脑与路由器之间相距1.5m，电脑上安装Ubutu12.04操作系统，配备Intel 5300网卡，且外接有三根天线，天线离地高度为1.2m；电脑通过USB外接两个小音响，手势动作的绘制通过音响发出开始或结束指令来完成；配置电脑的内核驱动和无线网卡，使无线路由器与电脑之间稳定500HZ的信号传输模式。3.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S2中，组织6名实验者分别坐在发射端和接收端中间的位置，用右手手指在空中绘制数字0～9以及26个英文字母大小写，总共62类手势动作；实验者需要在4秒内完成一个手势动作的绘制，音响发出开始指令，实验者开始做出规定的手势动作，4秒后音响发出结束指令，此过程重复50次即完成一个类别的手势动作的数据采集，总共需完成62类手势动作的采集。4.根据权利要求1所述的一种基于无线信号的小样本手势识别方法，其特征在于，在S3中，首先将所需要的幅值波动的信息从采集到的CSI数据中分离出来，并利用离散小波变换对其进行去噪处理，分离出有效数据；离散小波变换为输入信号经过两个互补的滤波器进行分解，得到信号的近似和细节信息，过程为输入信号经过高通滤波器将输入信号的低频部分过滤掉而输出高频部分，再经过降采样滤波器，得到需要过滤掉的高频信息即信号的细节值；输入信号经过低通滤波器，将输入信号的高频部分过滤掉而输出低频部分，再经过降采样滤波器，从而得到需要的有效数据即信号的近似值。
5.根据权利要求3所述的一种基于无...

【专利技术属性】
技术研发人员：聂君，张书闲，梁慧敏，张治国，宋诗斌，王海霞，盛春阳，卢晓，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：