一种基于WiFi设备的方向敏感多手势识别系统及方法技术方案

本发明专利技术公开了一种基于WiFi设备的方向敏感多手势识别系统及方法，包括数据采集模块、数据预处理模块、特征分析模块、异常手势过滤模块以及手势识别模块，通过WiFi接收端采集WiFi发射端发射的WiFi信号中的CSI数据并存储，从采集到的CSI数据中获取CSI振幅信息；对获取得CSI振幅信息进行预处理得到消除降噪且完全包含手势信息的CSI数据；采用基于SVM的非法数据判定算法对预处理后的手势信息的数据中非法CSI数据进行判定，滤除异常手势动作，得到判定为合法CSI数据；将判定的合法CSI数据输入DNN神经网络，采用基于菲涅尔区模型的方法对不同方向的手势动作进行特征分析，确定相同手势动作的不同方向，然后对不同方向的手势动作进分类输出手势识别结果。作进分类输出手势识别结果。作进分类输出手势识别结果。

【技术实现步骤摘要】
一种基于WiFi设备的方向敏感多手势识别系统及方法


[0001]本专利技术涉及手势识别
，特别是一种基于WiFi设备的方向敏感多手势识别系统及方法。

技术介绍

[0002]随着人工智能和机器学习相关研究不断深入，越来越多的智能设备应运而生，已俨然成为人们日常生活中重要的组成部分，同时人们也表现出对人机交互方式的强烈关注。智能设备的使用极大地改变了人们的生活方式，无论是在家庭，学校还是办公室等环境，只要存在可嵌入式传感器、计算和通信设备都能够让每个人即时享受智能服务。除此之外，人们也能够通过携带智能移动设备或可穿戴设备获得计算机系统的服务，如智能手机，智能手表等。如今，人们对智能化产品的需求不再局限于通过以往的各种硬件设备和触摸屏幕等方式，而是希望通过无接触式感知与设备进行互动。因此，人脸识别、室内定位、行走轨迹、人体的动作识别和手势识别等成为近些年来人机交互方式的新趋势。这些新型人机交互方式使得人们与机器之间的交流更加便捷、灵活和高效，为人们的生活增添了多样性，人们也能从中获得新体验从而体会到更多的乐趣。
[0003]人机交互和物联网的发展吸引着国内外的研究者，对人体手势相关的研究也掀起热潮。现有的手势识别研究工作主要分为三大类：基于可穿戴传感器的手势识别、基于视觉系统的手势识别和基于射频信号系统的手势识别。可穿戴手势识别技术一般包括三种，分别为基于肌电信号、基于红外摄像头和基于压力传感。基于肌电信号的可穿戴手势识别是目前最受企业青睐的一种。除装置识别电信号的肌电传感器外，还配置一些多轴传感器，使其能精确地实现多种手势识别。基于视觉系统技术的手势识别研究主要使用摄像机来采集手势动作的图像或者视频，然后通过图像处理技术和计算机视觉的方法进行手势识别。近年来，基于视觉系统的手势识别已经非常成熟并且商用化，甚至能够在很多领域看到此技术的应用。例如，2009年6月的电子娱乐展览会上，微软首次正式公布体感周边外设Kinect。由于无线传感技术水平的显著提高，无线信号的覆盖范围也不断扩大，基于IEEE 802.11a/g/n协议的无线路由器已经开始普及。日常生活中，无论是在公共场所、家庭、公司还是学校，无线信号无处不在。基于WiFi的方法很好地避免光线影响问题，它能够在非视距路径下工作，无需用户携带任何设备，并以其廉价易部署的优势受到研究人员的广泛关注。
[0004]因此，开发一种基于WiFi设备的方向敏感多手势识别系统及方法是亟需的。

技术实现思路

[0005]本专利技术的目的是要解决现有基于可穿戴传感器和基于视觉系统的手势识别存在成本昂贵、携带设备、光线依赖与侵犯隐私等问题，提供一种基于WiFi设备的方向敏感多手势识别系统及方法。
[0006]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0007]本专利技术的第一个目的是要提供一种一种基于WiFi设备的方向敏感多手势识别方
法，包括以下步骤：
[0008]S1、在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内做不同方向的相同手势动作，同时通过WiFi接收端采集WiFi发射端发射的WiFi信号中的CSI数据并存储，从采集到的CSI数据中获取CSI振幅信息，作为手势数据样本集；
[0009]S2、对获取得CSI振幅信息进行预处理得到消除降噪且完全包含手势信息的数据；
[0010]S3、采用基于SVM的非法数据判定算法对预处理后的手势信息的数据中非法CSI数据进行判定，滤除异常手势动作，得到判定为合法CSI数据；
[0011]S4、将判定的合法CSI数据输入DNN神经网络，采用基于菲涅尔区模型的方法对不同方向的手势动作进行特征分析，确定相同手势动作的不同方向，然后对不同方向的手势动作进分类输出手势识别结果。
[0012]进一步地，步骤S1具体包括：
[0013]S11、以待检测手势的人员为原点建立三维坐标系，将空间分为垂直面和水平面，定义待检测手势的人员面向x轴方向，将待检测手势的人员正前方定义为V方向，定义手臂与人体正前方的夹角为偏航角，用β表示，手臂与身体的夹角为俯仰角，用α表示，在xOz平面上，定义与x轴夹角β＝45
°
时的两个方向分别为T方向和R方向，在xOy平面上，定义与x轴夹角α＝45
°
时的两个夹角定义为U方向和D方向；
[0014]S12、待检测手势的人员正面位于垂直WiFi发射端与WiFi接收端之间的直视链路LOS上直视链路距LOS一个臂长的距离，以保证手势动作在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内；分别朝V方向、U方向、D方向、T方向和R方向这5个方向进行推手手势；
[0015]S13、使用安装有CSI Tool工具包的装有Linux系统的电脑终端采集V方向、U方向、D方向、T方向和R方向推手手势时的CSI数据并以dat的形式进行存储；
[0016]S14、利用MATLAB来读取、处理并分析CSI数据以获取CSI振幅信息。进一步地，所述步骤S2的对获取得CSI振幅信息进行预处理具体包括：
[0017]S21、利用Hampel滤波器对CSI数据中具有持续时间极短且峰值较大的环境噪声即异常值进行识别并滤除；
[0018]S22、使用五点滑动均值滤波对滤除异常值的CSI数据进行降噪处理；
[0019]S23、使用基于主成分分析PCA的方法对降噪后的CSI数据进行降维处理，得到主要包含了手势动作信息的第一主成分的CSI数据；
[0020]S24、使用基于差分动态阈值的方法检测手势动作的起始点和终止点，然后使用手势动态缩放矫正算法对得到起始点和终止点区间进行调整，得到完全包含手势信息的CSI数据。
[0021]进一步地，所述步骤S3具体包括：
[0022]S31、首先对所有完全包含手势信息的CSI数据进行均值、方差、最大波峰波谷差值3个时序特征提取；
[0023]S32、将每个完全包含手势信息的CSI数据的特征值组合成的特征向量输入到SVM分类器对其进行训练和测试，最终通过标签输出合法数据和非法数据。
[0024]进一步地，所述步骤S4具体包括：
[0025]S41、将判定的合法CSI数据集合{P
i
}作为DNN神经网络的输入；输出用Y
j
表示，设置5个输出节点，表示手势的V方向、U方向、D方向、T方向和R方向的方向类别，即j＝5，H
k
表示
隐藏层；所述DNN神经网络的激活函数采用Relu激活函数，DNN神经网络的学习率初始选择为0.01；输入的合法CSI数据集在训练过程中，经过多个隐藏层的线性变换和非线性变换后提取到有效手势信息特征，包含手势动作信息的CSI数据经过每个隐藏层都学习到一个线性关系与非线性关系，线性关系用a表示，w表示权重，b表示偏移量，其中间结果用z表示，σ为激活函数用来表示学习过程中的非线性关系；假设网络一共有p
‑
1个隐层，第p
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于WiFi设备的方向敏感多手势识别方法，其特征在于，包括以下步骤：S1、在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内做不同方向的相同手势动作，同时通过WiFi接收端采集WiFi发射端发射的WiFi信号中的CSI数据并存储，从采集到的CSI数据中获取CSI振幅信息，作为手势数据样本集；S2、对获取得CSI振幅信息进行预处理得到消除降噪且完全包含手势信息的CSI数据；S3、采用基于SVM的非法数据判定算法对预处理后的手势信息的数据中非法CSI数据进行判定，滤除异常手势动作，得到判定为合法CSI数据；S4、将判定的合法CSI数据输入DNN神经网络，采用基于菲涅尔区模型的方法对不同方向的手势动作进行特征分析，确定相同手势动作的不同方向，然后对不同方向的手势动作进分类输出手势识别结果。2.根据权利要求1所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，步骤S1具体包括：S11、以待检测手势的人员为原点建立三维坐标系，将空间分为垂直面和水平面，定义待检测手势的人员面向x轴方向，将待检测手势的人员正前方定义为V方向，定义手臂与人体正前方的夹角为偏航角，用β表示，手臂与身体的夹角为俯仰角，用α表示，在xOz平面上，定义与x轴夹角β＝45
°
时的两个方向分别为T方向和R方向，在xOy平面上，定义与x轴夹角α＝45
°
时的两个夹角定义为U方向和D方向；S12、待检测手势的人员正面位于垂直WiFi发射端与WiFi接收端之间的直视链路LOS上直视链路距LOS一个臂长的距离，以保证手势动作在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内；分别朝V方向、U方向、D方向、T方向和R方向这5个方向进行推手手势；S13、使用安装有CSI Tool工具包的装有Linux系统的电脑终端采集V方向、U方向、D方向、T方向和R方向推手手势时的CSI数据并以dat的形式进行存储；S14、利用MATLAB来读取、处理并分析CSI数据以获取CSI振幅信息。3.根据权利要求1或2所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S2的对获取得CSI振幅信息进行预处理具体包括：S21、利用Hampel滤波器对CSI数据中具有持续时间极短且峰值较大的环境噪声即异常值进行识别并滤除；S22、使用五点滑动均值滤波对滤除异常值的CSI数据进行降噪处理；S23、使用基于主成分分析PCA的方法对降噪后的CSI数据进行降维处理，得到主要包含了手势动作信息的第一主成分的CSI数据；S24、使用基于差分动态阈值的方法检测手势动作的起始点和终止点，然后使用手势动态缩放矫正算法对得到起始点和终止点区间进行调整，得到完全包含手势信息的CSI数据。4.根据权利要求3所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S3具体包括：S31、首先对所有完全包含手势信息的CSI数据进行均值、方差、最大波峰波谷差值3个时序特征提取；S32、将每个完全包含手势信息的CSI数据的特征值组合成的特征向量输入到SVM分类器对其进行训练和测试，最终通过标签输出合法数据和非法数据。5.根据权利要求4所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述
步骤S4具体包括：S41、将判定的合法CSI数据集合{P
i
}作为DNN神经网络的输入；输出用Y
j
表示，设置5个输出节点，表示手势的V方向、U方向、D方向、T方向和R方向的方向类别，即j＝5，H
k
表示隐藏层；所述DNN神经网络的激活函数采用Relu激活函数，DNN神经网络的学习率初始选择为0.01；输入的合法CSI数据集在训练过程中，经过多个隐藏层的线性变换和非线性变换后提取到有效手势信息特征，包含手势动作信息的CSI数据经过每个隐藏层都学习到一个线性关系与非线性关系，线性关系用a表示，w表示权重，b表示偏移量，其中间结果用z表示，σ为激活函数用来表示学习过程中的非线性关系；假设网络一共有p
‑
1个隐层，第p
‑
1层有l个神经元，第p...

【专利技术属性】
技术研发人员：王林，周鹭莹，石中玉，厉斌斌，荆楠，
申请(专利权)人：燕山大学，
类型：发明
国别省市：