一种基于切比雪夫前向神经网络的手势识别系统和方法技术方案

本发明专利技术公开一种基于切比雪夫前向神经网络的手势识别系统，包括依次连接的信号发射模块、信号接收模块和信号预处理模块，还包括与信号预处理模块连接的属性特征向量提取模块，所述属性特征向量提取模块连接了切比雪夫前向神经网络分类器，所述信号发射模块用于发射超声信号，所述信号接收模块用于接收反射回来的超声回波信号，所述信号预处理模块用于对接收到的超声回波信号进行预处理，所述属性特征向量提取模块用于提取手势动作的属性特征向量，所述切比雪夫前向神经网络分类器用于对属性特征向量进行识别并输出识别结果。本发明专利技术能够在不同环境下对不同用户的手势动作进行准确的识别。

【技术实现步骤摘要】

本专利技术涉及手势识别
，具体涉及一种基于切比雪夫前向神经网络的手势识别系统和方法。
技术介绍
手势识别技术在当前时代已经获得越来越多的关注，比较成功的产品包括微软Kinect摄像头、LeapMotion手势捕捉设备等。Kinect摄像头和LeapMotion手势捕捉设备都是采用计算机视觉识别技术对人体动作进行建模或对指尖进行跟踪，得到连续多帧图像，然后对连续多帧图像进行分析得到手势识别结果。利用这种方式识别手势在技术实现上需占用大量计算和存储资源，不仅成本高，功耗大，受环境光照条件影响大，而且在联网状态下存在用户隐私泄露隐患。这些缺陷都限制了基于计算机视觉的手势识别方案在智能物联网领域的应用。现有技术常用的手势识别技术还有数据手套，这种方案需要用户穿戴安装了多个传感器的数据收集装置，通过分析加速度传感器收集的数据并发送给计算机，然后通过计算机重构用户的动作,这种技术精度较高，但是需要用户穿戴特定设备，增加了用户的额外负担，并且应用场景也很有限。为了解决基于计算机视觉的手势识别方案以及数据手套存在的缺陷，出现了以超声波信号为载体的手势识别技术，如申请号为201510315444.9，名称为基于超声波定位的手势识别与控制装置及识别与控制方法的专利公开一种基于超声波定位的手势识别与控制装置及方法，其利用了超声波的高指向性，并将被手反射回来的超声波信号所产生的多普勒频移转换成相应的手势特征信号，之后将该手势特征信号与预设手势特征信号进行对比来确定不同的手势。该技术方案克服了基于计算机视觉的手势识别方案以及数据手套存在的缺陷，提高了手势识别在不同环境中的应用。但是该申请只提出通过计算超声波信号从被超声波发射器发射出去时到被超声波接收器接收到时这段时间内所产生的多普勒频移，并将该多普勒频移转换成相应的手势特征信号，通过与手势库的手势特征信号做匹配来完成识别，但是没有说明如何将多普勒频移转换成相应的手势特征信号，以及所谓相应的手势特征信号具体是什么，使得本领域技术人员难以实现。另外，由于手势动作存在个体差异，不同人做出相同动作时可能得到不同的属性值，而传统手势识别库是为特征向量的属性设定不同的阈值，根据属性的阈值或者属性组合来对手势动作进行分类，这种简单的分类识别方法识别准确率不高，不能满足应用需求。
技术实现思路
本专利技术的目的是解决现有技术的缺陷，提供一种能够节省计算和存储资源、不受环境光照条件影响、功耗低、识别距离长的手势识别方法，采用的技术方案如下：一种基于切比雪夫前向神经网络的手势识别系统，包括依次连接的信号发射模块、信号接收模块和信号预处理模块，其特征在于，还包括与信号预处理模块连接的属性特征向量提取模块，所述属性特征向量提取模块连接了切比雪夫前向神经网络分类器，所述信号发射模块用于发射超声信号，所述信号接收模块用于接收反射回来的超声回波信号，所述信号预处理模块用于对接收到的超声回波信号进行预处理，所述属性特征向量提取模块用于提取手势动作的属性特征向量，所述切比雪夫前向神经网络分类器用于对属性特征向量进行识别并输出识别结果。由于超声频段的在自由空间中相对干净，干扰信号较少，本专利技术首先通过超声发射器连续发出人类听觉以外的固定频率的超声信号，人类不同的手势动作将会影响接收设备接收到的超声回波信号，通过对接收的信号进行特征提取，并使用切比雪夫前向神经网络对该特征进行学习得到切比雪夫前向神经网络分类器，在识别时将提取的特征输入切比雪夫前向神经网络分类器由切比雪夫前向神经网络分类器进行准确的识别并输出结果。本专利技术采用超声信号作为手势动作检测和识别的载体，一方面能有效避免用户隐私泄露的风险，另一方面信号处理的复杂度更小，对资源需求更小，信号处理完全可以在通用微处理器上实现，因此，以超声信号作为载体的手势识别方案尤其适合在智能物联网领域的电子设备上使用。传统的分类器或手势识别库为特征向量的属性设定不同的阈值，根据属性组合来对手势动作进行分类，但是由于手势动作存在个体差异，不同人做出相同动作时可能得到不同的属性值，因此，简单的阈值分类不能满足应用需求。本专利技术采用切比雪夫前向神经网络构建分类器，切比雪夫神经网络具有强大的学习能力和泛化能力，在学习样本分类知识的同时能够避免过拟合，因此能够适应个体差异。将收集到的属性特征向量输入到神经网络，经过网络计算，将输出代表不同动作的编码，本专利技术对于待识别的目标手势的识别率达96.7％，并且根据不同的应用场景，识别距离可达20厘米到3米，并且可以在已经学习的目标手势动作的基础上，衍生出不同手势组合，或采用多个维度组合，来扩展手势种类数量以供不同应用场景使用。本专利技术能够广泛应用于智能手机、平板电脑，智能家居和车载智能设备，机器人等智能物联网领域设备的多种不同应用场景，满足智能物联网泛在人机交互的需求。作为优选，所述手势识别系统还包括与信号发射模块连接的干扰检测模块，所述干扰检测模块用于检测环境中是否存在对备选发射频率正负1kHz范围内的频点的干扰，并选择干扰最小的频率作为发射频率。作为优选，所述切比雪夫前向神经网络的训练包括如下步骤：a.对待识别的N种目标手势动作，分别收集若干个样本；b.将收集的样本划分为M等份，初始化计算次数V为V＝1，全局最优隐神经元数目K(app)＝0，当前计算最优隐神经元数目K(Vmin)＝0；c.初始化当前隐神经元数目K(cur)＝1、当前最小样本校验误差为E(Vmin)；d.根据K(cur)构造切比雪夫前向神经网络，计算最优权值矩阵，并计算当前隐神经元数目K(cur)对应的样本校验误差E(V)；e.判断E(V)与E(Vmin)的大小，若E(V)<E(Vmin)，则令E(Vmin)＝E(V)、K(Vmin)＝K(cur)、K(cur)＝K(cur)+1，返回步骤d；若E(V)>E(Vmin)，则转至步骤f；f.若K(cur)<K(Vmin)+A，则令K(cur)＝K(cur)+1，返回步骤d；若K(cur)>K(Vmin)+A，则令K(app)＝K(app)+K(Vmin)；i.若V<4，则令V＝V+1，返回步骤c；若V＝4，返回j.根据K(app)构造切比雪夫前向神经网络，并计算得到最优权值矩阵。运用切比雪夫神经网络时需要根据具体的应用对其网络结构进行训练，以对其结构进行优化。切比雪夫前向神经网络包括输入神经元、隐神经元和输出神经元，在切比雪夫前向神经网络中，输入神经元与隐神经元之间的连接权值全部设定为1，神经网络的训练目标本文档来自技高网...

【技术保护点】
一种基于切比雪夫前向神经网络的手势识别系统，包括依次连接的信号发射模块、信号接收模块和信号预处理模块，其特征在于，还包括与信号预处理模块连接的属性特征向量提取模块，所述属性特征向量提取模块连接了切比雪夫前向神经网络分类器，所述信号发射模块用于发射超声信号，所述信号接收模块用于接收反射回来的超声回波信号，所述信号预处理模块用于对接收到的超声回波信号进行预处理，所述属性特征向量提取模块用于提取手势动作的属性特征向量，所述切比雪夫前向神经网络分类器用于对属性特征向量进行识别并输出识别结果。

【技术特征摘要】
1.一种基于切比雪夫前向神经网络的手势识别系统，包括依次连接的信号发射模块、
信号接收模块和信号预处理模块，其特征在于，还包括与信号预处理模块连接的属性特征
向量提取模块，所述属性特征向量提取模块连接了切比雪夫前向神经网络分类器，所述信
号发射模块用于发射超声信号，所述信号接收模块用于接收反射回来的超声回波信号，所
述信号预处理模块用于对接收到的超声回波信号进行预处理，所述属性特征向量提取模块
用于提取手势动作的属性特征向量，所述切比雪夫前向神经网络分类器用于对属性特征向
量进行识别并输出识别结果。
2.根据权利要求1所述的一种基于切比雪夫前向神经网络的手势识别系统，其特征在
于，还包括与信号发射模块连接的干扰检测模块，所述干扰检测模块用于检测环境中是否
存在对备选发射频率正负1kHz范围内的频点的干扰，并选择干扰最小的频率作为发射频
率。
3.根据权利要求1所述的一种基于切比雪夫前向神经网络的手势识别系统，其特征在
于，所述切比雪夫前向神经网络的训练包括如下步骤：
a.对待识别的N种目标手势动作，分别收集若干个样本；
b.将收集的样本划分为M等份，初始化计算次数V为V＝1，全局最优隐神经元数目K(app)＝0，当前计算最优隐神经元数目K(Vmin)＝0；
c.初始化当前隐神经元数目K(cur)＝1、当前最小样本校验误差为E(Vmin)；
d.根据K(cur)构造切比雪夫前向神经网络，计算最优权值矩阵，并计算当前隐神经元数
目K(cur)对应的样本校验误差E(V)；
e.判断E(V)与E(Vmin)的大小，若E(V)<E(Vmin)，则令E(Vmin)＝E(V)、K(Vmin)＝K(cur)、K(cur)＝K(cur)+1，返回步骤d；若E(V)>E(Vmin)，则转至步骤f；
f.若K(cur)<K(Vmin)+A，则令K(cur)＝K(cur)+1，返回步骤d；若K(cur)>K(Vmin)+A，则令K(app)＝K
(app)+K(Vmin)；
i.若V<4，则令V＝V+1，返回步骤c；若V＝4，返回j.根据K(app)构造切比雪夫前向神经网络，并计算得到最优权值矩阵。
4.根据权利要求1所述的一种基于切比雪夫前向神经网络的手势识别系统，其特征在
于，所述信号接收模块为MEMS麦克风阵列，所述信号预处理模块包括通用微处理器，所述通
用微处理器实现的功能包括数字滤波器、时频变换模块和音频活动检测模块，所述数字滤
波器用于对MEMS麦克风阵列输出的PDM信号进行采样，完成PDM信号到PCM信号的转换，其中
下采样率为64，所述时频变换模块用于对时域PCM信号N个点做快速傅里叶变换得到频域信
息作为一个信号帧，所述音频活动检测模块用于判断某个信号...

【专利技术属性】
技术研发人员：吴伟涛，曾懋，
申请(专利权)人：深圳市广懋创新科技有限公司，
类型：发明
国别省市：广东;44