一种基于毫米波雷达的手势识别方法及系统技术方案

本发明专利技术涉及一种基于毫米波雷达的手势识别方法及系统，是为了解决现有的手势识别方法成本高，在识别一部分手势时易出错，且判断逻辑复杂的缺点而提出的，本发明专利技术的方法包括：建立训练集；对提取出的每个特征属性进行离散化处理，为每一种属性划分区间或为每一种属性分配取值；分别训练集中每种属性的信息增益率；选取信息增益率最大的属性作为根节点，按照所述属性的区间或取值对所述属性划分子集；对于每个根节点的子节点递归执行上述步骤，得到决策树，使用所述决策树对手势进行识别。本发明专利技术适用于智能设备中的手势识别。

【技术实现步骤摘要】
一种基于毫米波雷达的手势识别方法及系统
本专利技术涉及智能设备及人机交互领域，具体涉及一种基于毫米波雷达的手势识别方法及系统。
技术介绍
虚拟现实及增强现实等技术可被用来建造三维模拟环境，实现多源信息融合的交互式三维动态视景和实体行为系统仿真，可以通过将计算机模拟合成的多维虚拟环境与实体环境进行有机融合,令受众以全感官的方式进行体验和交互。作为极富有挑战性的交叉技术前沿学科和研究领域，虚拟现实技术是仿真技术与计算机图形学、人机交互技术、多媒体技术、传感技术等多种技术的集合。现实世界各场景中人与人之间交互有多种多样的方法，不仅可以使用口语、书面表达等自然语言，还可以运用面部表情、手势等肢体语言进行沟通。但是人类与计算机的交互通常没有动作和表情，呆板且不自然。如果计算机系统能够识别人类的肢体语言，将在很大程度上增强人机交互的效果，将其作为虚拟现实技术中人机交互的界面方案也将使得系统操作更为流畅自然。而手是最灵活的身体部位之一，人们往往认为手语是人类的第二种语言。手势作为机器与人之间的交流语言，具有非常强的视觉冲击效果。但由于手势丰富多变，因此手势识别需要精度较高的数据采集及信号处理方案。现有技术通过雷达波进行手势识别的技术中多以线性调频连续波雷达为主，而这种方法增加了距离测量值作为属性，同时也提高的系统的成本。因此需要一种新的手势识别技术来解决现有技术中存在的缺陷。
技术实现思路
本专利技术的目的是为了解决现有的手势识别方法成本高，在识别一部分手势时易出错，且判断逻辑复杂的缺点，而提出一种基于毫米波雷达的手势识别方法及系统。根据本专利技术的第一方面，提供一种基于毫米波雷达的手势识别方法，包括：步骤一、建立训练集，过程为：在设置有第一雷达和第二雷达的环境下进行一次手势运动，根据此时第一雷达和第二雷达采集到的幅值信号提取以下属性构成一个样本：第一雷达的振幅差信息、第二雷达的振幅差信息、方向数、第一方向和第二方向；其中第一方向表示手势相对于第一雷达的运动趋势，第二方向表示手势相对于第二雷达的运动趋势；方向数表示手势运动过程中出现的运动趋势的次数；第一雷达和第二雷达的信号接收方向具有一定角度；每一次手势运动被标记为预设的手势类别中的一种；进行多次手势运动，将得到所有样本构成训练集；步骤二、对步骤一中提取出的每个属性进行离散化处理，为每一种属性划分区间或为每一种属性分配取值；步骤三、分别计算训练集中每种属性的信息增益率；步骤四、选取信息增益率最大的属性作为根节点，按照所述属性的区间或取值对所述属性划分子集，每个子集表示根节点的子节点；当子集只有一个分类时不再划分；步骤五、对于每个根节点的子节点递归执行步骤三和步骤四，得到决策树，使用所述决策树对手势进行识别。根据本专利技术的第二方面，提供一种基于毫米波雷达的手势识别系统，包括：第一雷达、第二雷达、信号处理模块和识别结果输出模块；其中第一雷达和第二雷达用于采集幅值信号，并向信号处理模块输出第一雷达I路信号、第一雷达Q路信号、第二雷达I路信号、第二雷达Q路信号；信号处理模块用于根据决策树识别手势类型；识别结果输出模块用于将识别出的手势类型进行输出；所述决策树是根据本专利技术第一方面的基于毫米波雷达的实现手势识别方法得到的。本专利技术的有益效果为：1、本专利技术的一个实施例可以实现较高的识别精度，在一个实施例中，能够达到97％的识别率。2、本专利技术的一个实施例能够在任何需要进行人机交互采用手势识别进行信息传递的系统中，用途具有广泛性。3、本专利技术采用Doppler模式只获取手势动作的速度信息，同时采用结构简单便于嵌入式处理的决策树结构，比常规分类的算法在计算效率、计算可实现性上要更为优越。附图说明图1为基于毫米波雷达的实现手势识别方法的一个实施例的流程图；图2为本专利技术一个实施例中得到的决策树的结构图；图3为本专利技术一个实施例的基于毫米波雷达的实现手势识别系统的方框原理图；图4为本专利技术一个实施例的毫米雷达前端的结构示意图；图5(a)～图5(d)均为本专利技术实施例的根据手势动作对应的IQ路信号进行识别分析特征提取得到的信号波形图；图6为本专利技术一个实施例的复数傅里叶变换幅度图。具体实施方式具体实施方式一：本实施方式的基于毫米波雷达的手势识别方法，如图1所示，包括：步骤一、建立训练集，过程为：在设置有第一雷达和第二雷达的环境下进行一次手势运动，根据此时第一雷达和第二雷达采集到的幅值信号提取以下属性构成一个样本：第一雷达的振幅差信息、第二雷达的振幅差信息、方向数、第一方向和第二方向；其中第一方向表示手势相对于第一雷达的运动趋势，第二方向表示手势相对于第二雷达的运动趋势；方向数表示手势运动过程中出现的运动趋势的次数；第一雷达和第二雷达的信号接收方向具有一定角度。每一次手势运动被标记为预设的手势类别中的一种；进行多次手势运动，将得到所有样本构成训练集。本实施方式的目的是通过雷达测得的信号判断用户的手势，因此需要构建充足的样本来寻找不同的手势在雷达信号中表现出来的规律。步骤一中使用第一雷达和第二雷达的目的是尽可能实现立体识别，第一雷达和第二雷达可以正交设置，即获取相互正交方向的信号，也可以非正交设置。步骤一中选取第一雷达的振幅差信息、第二雷达的振幅差信息、方向数、第一方向和第二方向作为特征，第一雷达的振幅信息可以进一步包括第一雷达I路振幅差和第一雷达Q路振幅差。例如可以将雷达采集到的I路作为新信号的实部和Q路作为新信号的虚部，即I+jQ.并把新信号进行复数傅里叶变换，得到幅度和相位。然后根据幅度的最大值和最小值之差计算振幅差。第二雷达同理。第一方向的具体含义可以是“靠近第一雷达”或“远离第一雷达”，也可以分别简记为“向前”和“向后”。同理第二方向的具体含义可以为“靠近第二雷达”或“远离第二雷达”。方向数具体含义可以是一次手势包含的方向次数，方向可以是“向前”或“向后”，例如手掌沿着第一雷达的信号接收方向进行来回摆动，这一次手势包含靠近第一雷达的3次运动和远离第一雷达的3次运动，那么方向数记为6。可以用上述各个属性组成一个数据结构作为样本数据。步骤二、对步骤一中提取出的每个属性进行离散化处理，为每一种属性划分区间或为每一种属性分配取值。即对于步骤一中的各个属性，将每种属性用有限个区间或值进行表示。例如对于第一雷达I路振幅差这一数据，划分为＞D1和≤D1两个区间。划分的原则是根据波形图获得，例如当用户的手没有运动时，第一雷达I路振幅差也会有0.06的波动，那么就将0.06作为一个阈值，用来区分该振幅差信息是否能够准确表达运动的手部运动情况。再例如，用户的手靠近第一雷达运动时，第一雷达的幅值～时间变化图出现的波形峰值小于S1，那么就可以将S1作为判断用户手部是否是靠近第一雷达运动的一个阈值标准。总之离散化的目的是为了能通过取值或者阈值划分来从各个属性的角度来区分手势情况，区分的原则是由人工观察波形图特征来获得。由于人工观察波形图来划分阈值或取值一般不会因操作人员不同而产生不同的结果，因而这个过程是符合客观规律的。步骤三、分别计算训练集中每种属性的信息增益率。信息增益率计算是较为常用的用于得到决策树的计算过程，步骤一和步骤二已经确定了属性以及每种属性的取值，本步骤计算每种属性的信息增益率，以确定用何种属性作为根节点。步骤本文档来自技高网...

【技术保护点】
1.一种基于毫米波雷达的手势识别方法，其特征在于，包括：步骤一、建立训练集，过程为：在设置有第一雷达和第二雷达的环境下进行一次手势运动，根据此时第一雷达和第二雷达采集到的幅值信号提取以下属性构成一个样本：第一雷达的振幅差信息、第二雷达的振幅差信息、方向数、第一方向和第二方向；其中第一方向表示手势相对于第一雷达的运动趋势，第二方向表示手势相对于第二雷达的运动趋势；方向数表示手势运动过程中出现的运动趋势的次数；第一雷达和第二雷达的信号接收方向具有一定角度；每一次手势运动被标记为预设的手势类别中的一种；进行多次手势运动，将得到所有样本构成训练集；步骤二、对步骤一中提取出的每个属性进行离散化处理，为每一种属性划分区间或为每一种属性分配取值；步骤三、分别计算训练集中每种属性的信息增益率；步骤四、选取信息增益率最大的属性作为根节点，按照所述属性的区间或取值对所述属性划分子集，每个子集表示根节点的子节点；当子集只有一个分类时不再划分；步骤五、对于每个根节点的子节点递归执行步骤三和步骤四，得到决策树，使用所述决策树对手势进行识别。

【技术特征摘要】
1.一种基于毫米波雷达的手势识别方法，其特征在于，包括：步骤一、建立训练集，过程为：在设置有第一雷达和第二雷达的环境下进行一次手势运动，根据此时第一雷达和第二雷达采集到的幅值信号提取以下属性构成一个样本：第一雷达的振幅差信息、第二雷达的振幅差信息、方向数、第一方向和第二方向；其中第一方向表示手势相对于第一雷达的运动趋势，第二方向表示手势相对于第二雷达的运动趋势；方向数表示手势运动过程中出现的运动趋势的次数；第一雷达和第二雷达的信号接收方向具有一定角度；每一次手势运动被标记为预设的手势类别中的一种；进行多次手势运动，将得到所有样本构成训练集；步骤二、对步骤一中提取出的每个属性进行离散化处理，为每一种属性划分区间或为每一种属性分配取值；步骤三、分别计算训练集中每种属性的信息增益率；步骤四、选取信息增益率最大的属性作为根节点，按照所述属性的区间或取值对所述属性划分子集，每个子集表示根节点的子节点；当子集只有一个分类时不再划分；步骤五、对于每个根节点的子节点递归执行步骤三和步骤四，得到决策树，使用所述决策树对手势进行识别。2.根据权利要求1所述的基于毫米波雷达的手势识别方法，其特征在于，步骤一中，预设的手势类别包括“无动作”，“摆手”，“推”，“举”和“拉”。3.根据权利要求2所述的基于毫米波雷达的手势识别方法，其特征在于，步骤一中，第一雷达的振幅信息包括第一个雷达I路振幅差和第一个雷达Q路振幅差；第二雷达的振幅信息包括第二雷达I路振幅差。4.根据权利要求3所述的基于毫米波雷达的手势识别方法，其特征在于，步骤二的具体过程为：对第一雷达I路振幅差进行离散化处理，将其分为＞D1和≤D1两个区间；对第一雷达Q路振幅差进行离散化处理，将其分为＞D2和≤D2两个区间；对第二雷达I路振幅差进行离散化处理，将其分为≤D3、(D3，D4)和≥D4三个区间；对于方向数进行离散化处理，将方向数属性分为＞D5和≤D5两个区间；对第一方向进行离散化处理，当手势为“向前”时第一方向属性的值为1，当手势为“向后”时第一方向属性的值为2，当手势为“无方向”时第一方向属性的值为0；当方向数的属性值为≤D5区间时，第一方向和第二方向的属性的值均为0。5.根据权利要求4所述的基于毫米波雷达的手势识别方法，其特征在于，步骤二中，D1的值为0.06，D2的值为0.06，D3的值为0.08，D4的值为0.3，D5的值为6。6.根据权利要求4所述的基于毫米波雷达的手势识别方法，其特征在于，步骤三包括：计算训练集的信息熵...

【专利技术属性】
技术研发人员：姚凯，叶东，兰盛昌，何宗龙，唐浩誉，陈唯楚，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23