一种基于RFID技术的手势识别方法技术

本发明专利技术一种基于RFID技术的手势识别方法,属于手势识别方法的技术领域，所要解决的问题是提供一种基于RFID技术的手势识别方法；采用的技术方案为：一种基于RFID技术的手势识别方法，包括以下步骤：第一步，相位数据提取步骤：相位数据提取步骤分两步进行，基于导数的手势分割和基于插值的漏读信号处理；第二步，数据预处理步骤：数据预处理步骤分为两阶段，第一阶段是消除标签多样性对相位测量值的影响，第二阶段是数据编码，将原始数据编码为可用于循环卷积神经网络输入的一组二维矩阵数据；第三步，基于循环卷积神经网络手势识别系统的设计步骤；本发明专利技术适用于手势识别领域中。

【技术实现步骤摘要】
一种基于RFID技术的手势识别方法
本专利技术属于手势识别方法的
，具体涉及一种基于RFID技术的手势识别方法。
技术介绍
现有的人机交互应用领域中手势识别方法使用越来越多，但一些识别方法识别速度慢，识别率低；而基于RFID技术的手势识别方法暂未得到相关报道。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题为一种基于RFID技术的手势识别方法。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于RFID技术的手势识别方法，包括以下步骤：第一步，相位数据提取步骤相位数据提取步骤分两阶段进行，基于导数的手势分割和基于插值的漏读信号处理：(1)基于导数的手势分割读器在第tj次轮询读取标签Ti的相位值为θi(tj)，由于标签平均每τ＝100ms对标签阵列进行一次轮询，设下一次轮询阅读器读取标签Ti的相位值为θi(tj+1)，计算tj时刻标签Ti相位变化导数为：每当阅读器轮询标签阵列时，计算所有标签相位变化导数θ′i(tj)，当存在某一标签导数大于阈值时，判断手指运动开始；对于手指运动终点，设定时间窗口为2s，即可构建完整的信号模型，从手指运动的开始时刻开始，保存后续20次轮询阅读器读取的所有相位值，用于后续处理；(2)基于插值的漏读信号处理由于RFID系统的固有缺陷，在手指运动的高度动态环境下，很容易出现信号漏读现象，利用连续手指运动下的相邻采样轮，来对漏读信号进行插值处理，以标签Ti的相位流θi(t)为例，根据相邻采样轮的相位值来计算插值：其中θi(tj+1)和θi(tj-1)是前后两个相邻采样轮的相位度数。是计算出来的预测漏读信号值；第二步，数据预处理步骤数据预处理步骤分为两阶段，第一阶段是消除标签多样性对相位测量值的影响，第二阶段是数据编码，将原始数据编码为可用于循环卷积神经网络输入的一组二维矩阵数据。(1)多样性抑制：设阅读器和标签的距离为d，在反向散射通信中，阅读器天线发射的RF信号遍历2d后返回阅读器，这些信号的相位表示为：其中λ是波长，θreader是由阅读器引入的相位变化，θtag是由标签引入的相位变化；在手指运动的环境下，由于多径效应的影响导致RF信号遍历距离发生变化，设考虑手指反射后新的遍历距离是d',此时的相位值表示为：由式(4)减去式(3)得：如式(5)所示，θtag自然消失，使用新的RF信号特征I代替相位测量值用于后续处理；(2)数据编码首先，由于信号特征I主要在0周围进行变化，采用了线性函数归一化的方法规范数据，然后，对原始数据进行编码，将前面提取到的20次采样测量的信号特征作为一组数据的20个帧<x1,x2...,xj,...,x20>，每帧数据根据标签的摆放顺序，构建成一个7*7的数据矩阵；在第tj轮采样中，矩阵中某个元素Ii(tj)代表相应位置标签Ti在本次采样轮tj中计算出的信号特征；第三步，基于循环卷积神经网络手势识别系统的设计步骤(1)循环卷积神经网络设计循环卷积神经网络由一个提取深层次空间特征的卷积神经网络CNN和一个学习识别时间动态变化的GRU神经网络构成，将得到的20帧数据按顺序数据输入CNN中，再经由GRU网络综合提取时间动态变化，两者结合对RFID数据的时空域特征进行识别分类；将损失函数设置为交叉熵函数，该函数在多分类任务中有良好的表现，使用adam方法用于反向传播优化，CNN和GRU网络每层的激活函数为ReLU函数，该函数为网络引入良好的非线性变化并在一定程度上减小梯度消失的影响；(2)轻量级的卷积神经网络结构设计将每帧数据按顺序输入CNN之中，由于CNN每次的输入是一个7*7数据矩阵，设计一个轻量级CNN用于空间域特征提取：轻量级CNN由两个卷积层和一个全连接层构成，舍去了池化层；设置卷积层的卷积核大小为3*3，步长为1并进行补0操作，从而保证卷积层输入和输出矩阵的大小保持不变，有两个3*3卷积核的卷积层连接；将七个常见的人机交互手势：包括点击C，左滑SL，右滑SR，左旋RL，右旋RR，放大ZO，缩小ZI，从中随机挑选若干个数据作为测试集，其余作为训练集，对循环卷积神经网络进行训练，得到基于循环卷积神经网络手势识别系统；第四步，将人机交互手势通过RFID输入到基于循环卷积神经网络手势识别系统中识别的步骤。进一步，将人机交互手势通过RFID输入到基于循环卷积神经网络手势识别系统中识别的步骤，包括基于循环卷积神经网络手势识别系统针对七个常见的人机交互手势进行了识别实验，包括点击C，左滑SL，右滑SR，左旋RL，右旋RR，放大ZO，缩小ZI，由20名志愿者分别做全套手势10次，共收集到1400个手势数据，从中随机挑选200个数据作为测试集，其余作为训练集，采用循环卷积神经网络进行训练，最终结果显示该系统对全部手势达到91％的识别准确率。本专利技术与现有技术相比具有以下有益效果：本方案主要针对基于RFID技术的人机交互应用提出一套高准确率和高鲁棒性的手势识别方案，训练循环卷积神经网络用于手势识别。RFID系统主要由阅读器和标签组成，阅读器在对标签进行通信时，不仅可以获得标签的身份信息，还可以测量标签反向散射RF信号的相位值，当手在标签上方移动时，由于多径效应的影响，阅读器读取RF信号的相位值发生改变，我们可以从中提取到用于识别分类的特征来识别具体操作手势。利用循环卷积神经网络对不同手势的RF信号特征进行识别分类，广泛适用于无需穿戴设备的空中人机交互场景中。本专利技术对全部手势可达到90％以上的识别准确率。附图说明图1为本专利技术一种基于RFID技术的手势识别系统结构示意图。图2为本专利技术中循环卷积神经网络架构。图3为本专利技术中轻量级的卷积神经网络架构。具体实施方式如图1-3所述的一种基于RFID技术的手势识别系统，本技术方案的实现需先布置一个7*7的标签阵列并在阵列后布置一个阅读器，阅读器平均每100ms对标签阵列进行一次轮询，并获取反射信号的相位值。本方案设计的手势识别过程分三个阶段，第一阶段是相位数据提取；第二阶段是数据预处理；第三阶段是基于循环卷积神经网络的手势识别。最后，我们设计了一个手势识别实验验证系统的识别准确率。1.相位数据提取本部分内容分两步进行，基于导数的手势分割和基于插值的漏读信号处理：(1)基于导数的手势分割本方案中，阅读器会持续不断轮询标签阵列并获取反射信号的相位值，为识别特定手势的信号模型我们需确定手指运动的起点和终点。在人机交互场景中，操作者进行操作之前系统环境是静态的，阅读器读取的相位值保持平稳。进行操作时由于多径效应的影响会造成相位值剧烈变化，我们可以根据相位变化导数确定手指运动的起点，具体方法如下：...

【技术保护点】
1.一种基于RFID技术的手势识别方法，其特征在于包括如下步骤：/n第一步，相位数据提取步骤/n相位数据提取步骤分两阶段进行，基于导数的手势分割和基于插值的漏读信号处理：/n(1)基于导数的手势分割/n读器在第t

【技术特征摘要】
1.一种基于RFID技术的手势识别方法，其特征在于包括如下步骤：
第一步，相位数据提取步骤
相位数据提取步骤分两阶段进行，基于导数的手势分割和基于插值的漏读信号处理：
(1)基于导数的手势分割
读器在第tj次轮询读取标签Ti的相位值为θi(tj)，由于标签平均每τ＝100ms对标签阵列进行一次轮询，设下一次轮询阅读器读取标签Ti的相位值为θi(tj+1)，计算tj时刻标签Ti相位变化导数为：



每当阅读器轮询标签阵列时，计算所有标签相位变化导数θ′i(tj)，当存在某一标签导数大于阈值时，判断手指运动开始；
对于手指运动终点，设定时间窗口为2s，即可构建完整的信号模型，从手指运动的开始时刻开始，保存后续20次轮询阅读器读取的所有相位值，用于后续处理；
(2)基于插值的漏读信号处理
由于RFID系统的固有缺陷，在手指运动的高度动态环境下，很容易出现信号漏读现象，利用连续手指运动下的相邻采样轮，来对漏读信号进行插值处理，以标签Ti的相位流θi(t)为例，根据相邻采样轮的相位值来计算插值：



其中θi(tj+1)和θi(tj-1)是前后两个相邻采样轮的相位度数。是计算出来的预测漏读信号值；
第二步，数据预处理步骤
数据预处理步骤分为两阶段，第一阶段是消除标签多样性对相位测量值的影响，第二阶段是数据编码，将原始数据编码为可用于循环卷积神经网络输入的一组二维矩阵数据。
(1)多样性抑制：
设阅读器和标签的距离为d，在反向散射通信中，阅读器天线发射的RF信号遍历2d后返回阅读器，这些信号的相位表示为：



其中λ是波长，θreader是由阅读器引入的相位变化，θtag是由标签引入的相位变化；
在手指运动的环境下，由于多径效应的影响导致RF信号遍历距离发生变化，设考虑手指反射后新的遍历距离是d',此时的相位值表示为：



由式(4)减去式(3)得：



如式(5)所示，θtag自然消失，使用新的RF信号特征I代替相位测量值用于后续处理；
(2)数据编码
首先，由于信号特征I主要在0周围进行变化，采用了线性函数归一化的方法规范数据，
然后，对原始数据进行编码，将前面提取到的20次...

【专利技术属性】
技术研发人员：赵菊敏，李灯熬，周健易，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14