基于经验小波的手势数据处理方法、服务器及感知设备技术

本发明专利技术公开了一种基于经验小波的手势数据处理方法、服务器及感知设备，本发明专利技术通过根据姿态传感器的采样频率确定窗口长度，将待处理手势数据根据窗口长度进行窗口划分，获得窗口中的待处理信号；基于经验小波变换将待处理信号进行分解，且进行快速傅里叶变换，获得信号分量的主频；在主频不小于有效频率阈值时，从待处理信号中删除信号分量，获得当前手势数据，实现了对手势数据的实时降噪，既可以保证高保真的降噪效果，又可以保证数据处理的实时性，另外，利用毫米波雷达的手势识别原理，通过计算和处理手势数据，对手势数据进行分类和识别，借助简便化的识别效果来扩大手势识别的应用场景。用场景。用场景。

【技术实现步骤摘要】
基于经验小波的手势数据处理方法、服务器及感知设备


[0001]本专利技术涉及肢体语言语义识别
，具体涉及基于经验小波的手势数据处理方法、服务器及感知设备。

技术介绍

[0002]人工智能进入到了一个快速发展的时代，各种人机交互的方式也慢慢被人们所知晓，人机交互可以被理解成一种人与计算机之间的“交流”方式，通过相关信息的交互，如何更自然、准确、方便有效的完成信息交互从早期的人们通过鼠标和键盘输入指令，指示计算机完成对应的动作，到现如今的触摸屏幕、图像识别、语音识别、手势识别等，让人们可以更简单、自然的和计算机完成交流；在人机交互的研究中，通常对人类的特征十分关注，如虹膜、指纹、人脸、语音、手势等。手势通常是人们日常生活中一种直观和快速的交流手段，并且符合人们平时的交流习惯，同样的，手势识别也是人机交互领域热门的研究方向之一，受到了越来越多的关注。
[0003]手势具有多样性、自然直观、容易理解和时空差异性等特点，在虚拟现实中，通过于势识别判断人们不同的意图，对虚拟中的物品进行操控，更好的提高了用户沉浸感，如今，对于手势识别的研究中，手势识别根据使用的载体可以分为基于视觉的手势识别、基于触摸屏的手势识别、基于传感器的手势识别、基于可穿戴设备的手势识别等，该类方法的输入设备如摄像机等在电子产品中较为普及，但受环境因素影响较大，在非受限场景下，由于光照强弱、摄像机的角度、复杂的背景等问题难以取得理想的效果，并且一般的图像只包含手在空间中的二维信息，而其余有效的信息如三维空间的深度信息、手运动的速度、加速度信息等，都需要额外的方式进行获取，影响了手势识别应用中的便捷性，因此，本领域技术人员现提出基于经验小波的手势数据处理方法、服务器及感知设备。

技术实现思路

[0004]针对上述缺陷，本专利技术所要解决的技术问题在于提供基于经验小波的手势数据处理方法、服务器及感知设备，包括有如下的处理步骤：
[0005]S1：将待处理手势数据根据所述窗口长度进行窗口划分，获得窗口中的待处理信号；
[0006]S2：借助经验小波变换待处理信号进行分解，获得信号分量；
[0007]S3：将所述信号分量进行快速傅里叶变换，获得信号分量的主频；
[0008]S4：在主频不小于有效频率阈值时，从待处理信号中删除信号分量，获得当前手势数据；
[0009]S5：根据所获得的手势数据进行数据分类和数据识别
[0010]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述根据所获得的手势数据进行数据分类和数据识别中，手势数据分类为孤立手势数据和连续手势数据。
[0011]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述手势数据具体有如下的识别流程：
[0012]S1：利用感应雷达感知和确认目标的角度和位置，并提取感应到的手势图像特定特征，并将特征视为从热图提取的单个数值，其值可反映特定参数的加权平均值；如：平均多普勒，平均距离，多普勒扩展；其中，雷达的每一帧数据为每个特征生成一个值，通过帧序列得到每个特征的时间序列。
[0013]S2：在提取了多个特征后，生成特征的时间序列，利用机器学习方法识别和分类各种手势。
[0014]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述特征提取中具体包含有：
[0015]S1：对于雷达监测出的每一帧数据的Heat map，计算手的速度权重；
[0016][0017]其中，i为所有的距离数据索引，Z
i
为RangeDopplerImage的值，D
i
为第i个索引对应的Dopplervalue；
[0018]S2：通过瞬间能量来检测手的存在：
[0019]I＝∑Z
i
[0020]S3：通过距离加权来检测手的位置：
[0021][0022]其中，i为所有的距离数据索引，Z
i
为Range Doppler Image的值，R
i
为第i个索引对应的Doppler value；
[0023]S4：通过检测手的水平角度区别手划动的左右方向，检测手的俯仰角度来区别手划动的上下方向。
[0024]6.在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，包括有如下的手势数据识别算法流程：
[0025]S1：让服务器对每个接收通道的ADC数据进行处理2D
‑
FFT操作，得到包含距离维和多普勒维的2D
‑
FFT matrix；
[0026]S2：对多个接收通道的2D
‑
FFT matrix进行非相干累加，得到Range
‑
Doppler Heat map；
[0027]S3：在Heat map中提取多个特征，每个特征生成时间序列；
[0028]S4：对特定时间窗内提取的特征，通过机器学习算法进行分类，输出对应的手势类别。
[0029]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述将窗口长度设置为姿态传感器的采样频率的2的幂级数；基于经验小波变换将待处理信号进行分解，获得信号分量，包括：计算待处理信号的傅里叶频谱；根据傅里叶频谱对待处理信号进行自适应分割，获得待处理信号的频带边界；根据频带边界定义尺度函数及经验小波函数；根据尺度函数及经验小波函数分别获得经验小波的近似系数及细节系
数；根据近似系数及细节系数获得各信号分量。
[0030]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述傅里叶频谱对待处理信号进行自适应分割，获得待处理信号的频带边界，包括：获取待处理信号的傅里叶频谱的局部极大值；将各局部极大值按降序排列；将每个相邻局部极大值的中心位置设置为频带边界；在主频不小于有效频率阈值时，从待处理信号中删除信号分量，获得当前手势数据之前，还包括：根据待处理信号的频率确定固定频率阈值；固定频率阈值及自适应阈值算法获得有效频率阈值。
[0031]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述手势数据感知设备采用可穿戴数据手套，且手套的各个关节处设置有姿态传感器，手套的掌背上设置有电池组单元、微型处理器以及用以和手势感知服务器连接的连接模块。
[0032]在上述基于经验小波的手势数据处理方法、服务器及感知设备的技术方案中，优选地，所述手势数据服务器中包含有微型处理器、操作系统、手势数据处理程序以及用于和手势感知设备连接的连接模块。
[0033]由上述技术方案可知，本专利技术提供基于经验小波的手势数据处理方法、服务器及感知设备与现有技术相比，本专利技术具有以下有益效果：
[0034]本专利技术通过根据姿态传感器的采样频率确定窗口长度，将待处理手势数据根据窗口长度进行窗口划分，获得窗口中的待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于经验小波的手势数据处理方法，其特征在于，包括有如下的处理步骤：S1：将待处理手势数据根据所述窗口长度进行窗口划分，获得窗口中的待处理信号；S2：借助经验小波变换待处理信号进行分解，获得信号分量；S3：将所述信号分量进行快速傅里叶变换，获得信号分量的主频；S4：在主频不小于有效频率阈值时，从待处理信号中删除信号分量，获得当前手势数据；S5：根据所获得的手势数据进行数据分类和数据识别。2.根据权利要求1所述的基于经验小波的手势数据处理方法，其特征在于，所述根据所获得的手势数据进行数据分类和数据识别中，手势数据分类为孤立手势数据和连续手势数据。3.根据权利要求2所述的基于经验小波的手势数据处理方法，其特征在于，所述手势数据具体有如下的识别流程：S1：利用感应雷达感知和确认目标的角度和位置，并提取感应到的手势图像特定特征，并将特征视为从热图提取的单个数值，其值可反映特定参数的加权平均值；如：平均多普勒，平均距离，多普勒扩展；其中，雷达的每一帧数据为每个特征生成一个值，通过帧序列得到每个特征的时间序列；S2：在提取了多个特征后，生成特征的时间序列，利用机器学习方法识别和分类各种手势。4.根据权利要求3所述的基于经验小波的手势数据处理方法，其特征在于，所述特征提取中具体包含有：S1：对于雷达监测出的每一帧数据的Heat map，计算手的速度权重；其中，i为所有的距离数据索引，Z
i
为Range Doppler Image的值，D
i
为第i个索引对应的Doppler value；S2：通过瞬间能量来检测手的存在：I＝∑Z
i
S3：通过距离加权来检测手的位置：其中，i为所有的距离数据索引，Z
i
为Range Doppler Image的值，R
i
为第i个索引对应的Doppler value；S4：通过检测手的水平角度区别手划动的左右方向，检测手的俯仰角度来区别手划动的上下方向。5.根据权利要求3
‑
4任一项所述...

【专利技术属性】
技术研发人员：熊鹏航，李美宏，
申请(专利权)人：武汉灏存科技有限公司，
类型：发明
国别省市：