一种基于多普勒雷达信号的手臂运动细节感知方法技术

本发明专利技术提出一种基于多普勒雷达信号的手臂运动细节感知方法指的是对常见手势行为例如抬手、挥手、推拉等动作进行细粒度识别，具体包括手势种类判别、动作角度幅度或方向等信息分析两大内容。对于手势种类判别我们将从两个雷达的原始信号中组合分析，得出用户做的手势类别。其主要工作内容包括信号检测提取、识别分类、结论生成。本文提出的基于多普勒雷达信号的手臂运动细节感知方法，无需为每个角度、幅度、方向的不同动作进行大量数据的训练，因此节约了成本。使用多层次的感知方法，即先判别种类再分析细节，能提高处理效率和准确性。最终能识别出诸如手臂抬起放下的角度、手臂在身体前方挥动的幅度、推拉动作的方向等细节动作信息。

An Arm Motion Detail Sensing Method Based on Doppler Radar Signal

【技术实现步骤摘要】
一种基于多普勒雷达信号的手臂运动细节感知方法
本专利技术涉及基于无线电磁波信号的人体行为感知领域，尤其涉及微型多普勒雷达对用户的手臂运动幅度、角度等进行细粒度感知与识别的方法。
技术介绍
随着人机交互需求的增加和技术的发展，人们越来越多地使用无线设备进行动作识别工作。不同于计算机视觉的动作识别方法对于光照有额外的要求，以及使用加速度传感器感知的动作识别方法对人在整体的动作识别上有困难的情况，无线设备的动作识别具有普适、易操作的优势。同时随着诸如智能手机等智能设备的发展，无线设备也深入到生活的方方面面，普及程度大幅增加。目前已经有许多基于无线的感知技术，例如在2016年UbiComp发表的《WiFinger:talktoyoursmartdeviceswithfinger-grainedgesture》文章利用Wi-Fi信号经过人体时其CSI信号强度发生变化的特性，来对用户做出的手势进行识别，实现了更自然的人机交互；专利US20120139708A1则说明了一种基于RFID的手势识别方法，其通过用户佩戴在身体上的RFID雷达接收用户佩戴在手部的RFID标签传输的信号，获得用户手部的空间位置进而识别出用户做出的手势。然而，在现有的方法中，Wi-Fi无线信号分布不稳定、易受干扰的特点使得很难应用到实际情况，RFID识别技术则需要给用户佩戴额外的设备，影响体验。此外，它们基本都是以识别动作种类为目的，很少有考虑到手势细节信息分析。光是一个抬手或挥手的动作，也会有不同的抬手角度、挥手幅度等差异，而用户很可能希望以此来进行一些特殊人机交互，例如微调室内灯光亮度。雷达信号具有噪声低、频带宽、损耗小的优点，可在相同环境中对用户的动作做出更精确、稳定的识别。使用微型多普勒雷达进行人体手臂动作的感知，不光识别动作种类，还分析动作细节，可提供更好更便捷的人机交互体验，能在智能家居、工作娱乐等领域均带来一定实际意义。
技术实现思路
针对以上问题，本专利技术提供一种能识别出诸如手臂抬起放下的角度、手臂在身体前方挥动的幅度、推拉动作的方向等细节动作信息的基于多普勒雷达的人体手臂运动细节感知方法。本专利技术的技术方案为：一种基于多普勒雷达信号的手臂运动细节感知方法，包括以下步骤：步骤1：对采集到的雷达信号先进行备份，然后进行滤波处理；步骤2：基于滤波后的雷达信号，采用基于规则的双门限检测算法，对两个雷达的信号中有起伏波动的，可能是动作导致产生的信号片段进行检测与提取；同时，在步骤1中备份过的原始雷达信号也在相同时间点上提取出信号片段；步骤3：将经过滤波的两个雷达各自提取得到的动作信号进行离散小波变化降采样，然后使用双阶段分类法，得出动作种类初步结论；初步结论包括：类抬手、类放下、类推、类拉、类旋转、无法判断；步骤4：根据两个雷达各自得出的动作种类初步结论，设计结论组合规则，完成具体的手臂动作种类判断；具体结论包括：向前方抬手与放下、向前方推与拉、向右侧抬手与放下，向右侧推与拉、从身体前方平移到右侧，从身体右侧平移回前方、在身体前方顺时针旋转，在身体前方逆时针旋转；步骤5：动作种类识别完成后，若该动作属于抬手放下、推拉、平移中的任意一个，则继续向后进行步骤；若该动作属于旋转类别，将停止进一步识别；步骤6：将步骤3中未经过滤波的两个雷达各自提取得到的动作信号生成频谱图；步骤7：使用面积比较法对频谱图进行分析，得出两个雷达各自检测到的多普勒频移比，来反映出手臂运动在两个分量上的速度比；步骤8：对多普勒频移比采用反正切函数，得出手臂运动的角度、幅度或者方向具体细节信息。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，所述步骤2中双门限检测算法使用短时过门限率和短时能量为阈值进行两级判决。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，首先对信号进行分帧，对于每一帧分别计算短时过门限率与短时能量；短时过门限率公式为短时能量为其中i代表帧编号，T代表门限值，并分别设定阈值TZ、TE；只有连续多帧的短时过门限率均超过TZ，且这些帧的短时能量总和超过TE，才将其判定为有效的动作信号。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，只要有任何一个雷达根据双门限检测法产生了合格的信号，无论此时另一个雷达是否在该时间区域内检测到合格的信号，则均判定动作检测环节生效。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，通过多次离散小波变化将一个动作信号序列长度控制在160-320个点之间。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，在双阶段分类方法的第一阶段中，需要先将手势信号划分为靠近、远离两大类；在双阶段分类方法的第二阶段中，根据前一阶段的结论，进一步将动作分类为指定种类，包括类抬手、类放下、类推、类拉、类旋转、无法识别。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，分别计算两个雷达频谱的深色区域面积(area)减去底座面积(offset)；然后将正面雷达的计算值除以侧面雷达的面积值作为面积比值，公式为其中A和B分别代表正面和侧面的雷达，这个面积比值等效于两个雷达检测到的多普勒频移比。进一步的，一种基于多普勒雷达信号的手臂运动细节感知方法，将求得的比值进行反正切计算出角度，公式为θ＝arctan(r)；对于抬手和放下动作，θ代表了手臂抬起方向与身体正前方方向的夹角；对于推和拉动作，θ代表了手臂推出去的方向与身体正前方方向的夹角；对于手臂水平移动动作，θ代表了手臂停止运动前水平运动的幅度。基于多普勒雷达信号的手臂运动细节感知指的是对常见手势行为例如抬手、挥手、推拉等动作进行细粒度识别，具体包括手势种类判别、动作角度幅度或方向等信息分析两大内容。对于手势种类判别我们将从两个雷达的原始信号中组合分析，得出用户做的手势类别。其主要工作内容包括信号检测提取、识别分类、结论生成。对于动作角度幅度方向分析我们提出了一种基于频谱图的方法，得出用户做的这个手势的具体细节信息，例如抬手角度、挥手幅度等。其主要工作内容包括信号频谱图转化、频率比计算、结论生成。其中频率比计算环节提出了面积比较法计算思路，可以得出在二维方向上手臂动作的运动速度比值，从而间接分析出运动的角度或者幅度信息。本文提出的基于多普勒雷达信号的手臂运动细节感知方法，无需为每个角度、幅度、方向的不同动作进行大量数据的训练，因此节约了成本。此外，使用多层次的感知方法，即先判别种类再分析细节，能提高处理效率和准确性。最终能识别出诸如手臂抬起放下的角度、手臂在身体前方挥动的幅度、推拉动作的方向等细节动作信息。附图说明图1为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的流程图；图2为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的实验装置俯视示意图；图3为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的经小波处理完毕的信号；图4为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的抛物线约束效果图；图5为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的感知组合规则；图6为本专利技术一种基于多普勒雷达信号的手臂运动细节感知方法的感知频谱图。具体实施方式下面结合附图来进一步描述本专利技术的技术方案：将两个相同的小型24GHz多普勒雷达传感器放置在离地面约1.4本文档来自技高网...

【技术保护点】
1.一种基于多普勒雷达信号的手臂运动细节感知方法，其特征在于：包括以下步骤：步骤1：对采集到的雷达信号先进行备份，然后进行滤波处理；步骤2：基于滤波后的雷达信号，采用基于规则的双门限检测算法，对两个雷达的信号中有起伏波动的，可能是动作导致产生的信号片段进行检测与提取；同时，在步骤1中备份过的原始雷达信号也在相同时间点上提取出信号片段；步骤3：将经过滤波的两个雷达各自提取得到的动作信号进行离散小波变化降采样，然后使用双阶段分类法，得出动作种类初步结论；初步结论包括：类抬手、类放下、类推、类拉、类旋转、无法判断；步骤4：根据两个雷达各自得出的动作种类初步结论，设计结论组合规则，完成具体的手臂动作种类判断；具体结论包括：向前方抬手与放下、向前方推与拉、向右侧抬手与放下，向右侧推与拉、从身体前方平移到右侧，从身体右侧平移回前方、在身体前方顺时针旋转，在身体前方逆时针旋转；步骤5：动作种类识别完成后，若该动作属于抬手放下、推拉、平移中的任意一个，则继续向后进行步骤；若该动作属于旋转类别，将停止进一步识别；步骤6：将步骤3中未经过滤波的两个雷达各自提取得到的动作信号生成频谱图；步骤7：使用面积比较法对频谱图进行分析，得出两个雷达各自检测到的多普勒频移比，来反映出手臂运动在两个分量上的速度比；步骤8：对多普勒频移比采用反正切函数，得出手臂运动的角度、幅度或者方向具体细节信息。...

【技术特征摘要】
1.一种基于多普勒雷达信号的手臂运动细节感知方法，其特征在于：包括以下步骤：步骤1：对采集到的雷达信号先进行备份，然后进行滤波处理；步骤2：基于滤波后的雷达信号，采用基于规则的双门限检测算法，对两个雷达的信号中有起伏波动的，可能是动作导致产生的信号片段进行检测与提取；同时，在步骤1中备份过的原始雷达信号也在相同时间点上提取出信号片段；步骤3：将经过滤波的两个雷达各自提取得到的动作信号进行离散小波变化降采样，然后使用双阶段分类法，得出动作种类初步结论；初步结论包括：类抬手、类放下、类推、类拉、类旋转、无法判断；步骤4：根据两个雷达各自得出的动作种类初步结论，设计结论组合规则，完成具体的手臂动作种类判断；具体结论包括：向前方抬手与放下、向前方推与拉、向右侧抬手与放下，向右侧推与拉、从身体前方平移到右侧，从身体右侧平移回前方、在身体前方顺时针旋转，在身体前方逆时针旋转；步骤5：动作种类识别完成后，若该动作属于抬手放下、推拉、平移中的任意一个，则继续向后进行步骤；若该动作属于旋转类别，将停止进一步识别；步骤6：将步骤3中未经过滤波的两个雷达各自提取得到的动作信号生成频谱图；步骤7：使用面积比较法对频谱图进行分析，得出两个雷达各自检测到的多普勒频移比，来反映出手臂运动在两个分量上的速度比；步骤8：对多普勒频移比采用反正切函数，得出手臂运动的角度、幅度或者方向具体细节信息。2.根据权利要求1所述的一种基于多普勒雷达信号的手臂运动细节感知方法，其特征在于：所述步骤2中双门限检测算法使用短时过门限率和短时能量为阈值进行两级判决。3.根据权利要求2所述的一种基于多普勒雷达信号的手臂运动细节感知方法，其特征在于：首先对信号进行分帧，对于每一帧分别计算短时过门限率与短时能...

【专利技术属性】
技术研发人员：於志文，楼昕烨，王柱，郭斌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61