一种基于Wi-Fi信号的手势识别方法
【技术领域】
[0001] 本发明属于人机交互、机器学习领域，涉及一种基于Wi-Fi信号的手势识别方法。
【背景技术】
[0002] 随着计算机信息技术的快速发展，人机交互技术已经在人们的日常生活中扮演着 越来越重要的角色。手势是一种人与外界沟通时最直观的交流方式，人们可通过躯体或者 手势直观、简洁、自然地表达自己的想法，因此基于手势的人机交互技术成为目前研究的热 点，即手势识别技术。
[0003] 目前手势识别技术主要分为两类，一类为目标携带专门的传感器或者设备，即主 动式手势识别技术，主动式手势识别技术主要通过目标携带三轴加速度传感器、陀螺仪、电 子罗盘等传感器设备采集手型或者跟踪手部空间运动数据，目前主动式手势识别中数据手 套应用最广泛，数据手套是通过目标穿戴包含多个传感器的手套，通过传感器记录手在空 间中的运动轨迹以及手指关节的运动信息，从而识别出目标的手势，在国内，哈尔滨工业大 学的吴江琴、高文等在中国手语识别系统中，使用由18个传感器组成的Cyber Glover数据 手套，结合隐马尔科夫模型（Hidden Markov Model，HMM)和人工神经网络(Artificial Neural Network，ANN)两种方法，实现对孤立词的识别率为90%，简单语句识别率为92%。 主动式手势识别技术可以直接获得人手在空间中的坐标和手指运动信息，数据的精确度 高、可识别多个手势且识别精准度高，但由于还需用户携带专门设备、不方便操作、不适合 远距离操作等缺点，使其应用场景受到了很大的限制。
[0004] 为了用户能够得到更好的体验，不再依赖传感器或者专用设备等辅助装置，国内 外研究员开始研究目标不携带任何传感器或者设备的手势识别技术，即被动式手势识别技 术，由于其成本低，操作简单，符合用户习惯等特点，成为国内外研究的热点。现有的被动式 手势识别技术主要有:基于计算机视觉的手势识别技术、基于声波的手势识别技术、基于 Wi-Fi信号的手势识别技术。其中基于计算机视觉的识别技术，是通过摄像头捕捉目标手势 的动作序列，对手势信号进行复杂处理，然后通过模式匹配算法进行手势识别，目前基于视 频的识别技术相当成熟，已成功应用于日常生活中，如微软公司开发的Xbox 360游戏主机， 但由于其易受环境光线强弱的影响，视频处理数据量大，存在部署成本代价大，容易泄露隐 私等诸多缺点，限制了其发展的前景。基于声波的手势识别技术，最典型成功案例是由华盛 顿大学和微软研究院共同提出，通过智能手机或笔记本电脑上的扬声器和麦克风发送和接 受18Khz声波来感知用户的手势波动，但由于声波所能感知的范围小，限制了其应用范围和 场景。而现如今，完善的Wi-Fi基础设施，使得Wi-Fi信号几乎无处不在，国内外科学家利用 Wi-Fi信号的普适性，着手研究通过感知Wi-Fi信号扰动为中心的手势识别技术，如Q.Pu教 授利用USRP(Universal Software Radio Peripheral，通用软件无线电外设)发送和接收 WI-FI信号，并且通过对Wi-Fi信号进行0FDM调制后，分析子载波的多普勒频偏，实现对9种 手势识别。从国际前沿研究进展可以看出，该利用Wi-Fi信号的技术将在未来极大程度的改 善人类生活，提高人类的生活质量。
[0005] 基于无线信号的手势识别顺应了未来人机交互发展的趋势，具有非常重要的研究 意义和实用价值，尤其是其广阔的发展前景，吸引了大量国内外专家的兴趣。近三年来，基 于无线信号的手势识别技术得到了快速发展，主要分为两个研究方向：
[0006] (1)使用RFID标签实现手势识别
[0007] 在2012年，墨尔本大学ParvinAsadzadeh博士，利用接收器对无源标签轨迹的追 踪，实现对手势的识别精准率为94%。2013年，奥尔堡大学的RasmusKrigslund博士，部署多 天线的接收器对无源标签进行追踪，实现简单3D手势识别。在2014年，MIT的Jue Wang博士， 通过手指穿戴RFID标签，实现虚拟手写单词，通过接收器分析标签的相位信息，实现单词识 别率为96.8%。华盛顿大学Bryce Kellogg和VamsiTalla博士，自主研发可通过手机接收标 签信息的硬件设备，对接收到信号进行幅值包络，在低功耗，低延迟的情况下，实现了对8种 手势97 %的识别准确率。
[0008] (2)使用Wi-Fi信号实现手势识别
[0009] 在2013年，MIT的D.Katabi教授，使用USRP(Universal Software Radio Peripheral，通用软件无线电外设)连接多根天线，组成ΜΙΜΟ系统，通过ΜΙΜΟ技术发送和接 受2.4Ghz Wi-Fi信号，实现对墙背后简单的手势检测。华盛顿大学的QifanPu教授，修改 USRP-N210底层协议，对原始信号进行0FDM技术处理，通过发送5Gh信号，观察每个子载波的 多普勒频偏，实现对9种手势的识别，平均精度达到94%。2014年，哥廷根大学的Stephan Sigg博士利用无线Wi-Fi信号的RSSI值对11种手势进行识别，其精度为72%。威斯康星大学 的Pedro Melgarejo博士，在接收端利用定向天线接收AP信号，研究在两种场景下对25种手 势的识别，在高信噪比的场景下实现92%的识别精度和在低信噪比的场景下实现84%的识 别精度。
[0010]从上述研究工作可以看出，使用RFID标签可实现细粒度的手势识别，但是需要目 标携带FRID标签，限制了用户的自由，不能使用户更加自然、自由的人机交互，用户体验非 常差。基于Wi-Fi信号手势识别，由于WIFI基础设备的普遍性，同时可以实现用户在无拘无 束条件下人机交互，受到国内外专家的青睐，但目前国内外学者主要通过USRP发送和接收 WI-FI信号实现手势识别，但同样存在一定的局限性，由于USRP不属于通用设备，并且比较 昂贵，实际部署代价高。
【发明内容】
[0011] 针对上述现有技术存在的缺陷或不足，本发明的目的在于，提出一种基于Wi-Fi信 号的手势识别方法。
[0012] 为了实现上述目的，本发明采用如下技术方案：
[0013] 一种基于Wi-Fi信号的手势识别方法，具体包括以下步骤：
[0014] 步骤一，发送端发送信号，用户在发送端与接收端之间做出多种手势，对信号产生 扰动，接收端的两个接收天线分别接收到被手势扰动后的信号G1和G3;
[0015] 步骤二，对信号G1和G3进行预处理，所述预处理包括归一化处理、共辄处理和平滑 处理，得到预处理后的信号S1;
[0016] 步骤三，根据信号S1提取待识别手势信号GS;
[0017]步骤四，构建模板手势信号库，模板手势信号库中包含多个模板手势信号;将待识 别手势信号GS分别与多个模板手势信号进行匹配，得到待识别手势信号GS与多个模板手势 信号之间的匹配距离，其中最小的匹配距离所对应的模板手势信号所表示的手势与待识别 手势信号表示的手势一致。
[0018] 具体地，所述步骤二的实现方式包括：
[0019] 步骤2.1:对信号G1和G3进行归一化处理，分别得到归一化后的信号G4和G5;
[0020] 步骤2.2:对归一化后的信号G4和G5进行共辄处理，得到去除噪声后的信号S;
[0021] 步骤2.3:对去噪后的信号S进行平滑处理，得到平滑处理后的信号S1。
[0022]具体地，所述步骤三的实现方式包括：
[0023]步骤3.1:根据信号S1，计算滑动窗口幅值和矩阵A[n]，n表示数据样本数；
[0024]步骤3.2:确定手势数据约束条件；
[0025] 步骤3.3:根据滑动窗口幅值和矩阵A[n]和手势数据约束条件得到待识别手势信 号GS〇
[0026] 具体地，所述步骤四的实现方式包括：
[0027] 步骤4.1:构建模板手势信号库，模板手势信号库中包含多个模板手势信号ref [k]，k表示第k种模板手势信，单个模板手势信号数据表示为ref(i)，l < i <d，其中d表示单 个模板手势数据的数据点的个数；
[0028] 步骤4.2:将待识别手势信号GS分别与多个模板手势信号进行匹配，得到待识别手 势信号GS与多个模板手势信号之间的匹配距离，具体实现方法如下：
[0029] 待识别手势信号数据为GS(j)，l < j <