本发明涉及通信技术领域，具体涉及一种基于机器学习和雷达结合的动作识别系统。
背景技术
手势识别技术作为人机交互的重要方式之一，逐渐被广泛应用于智能设备上，特别是可穿戴设备上。现有的动作识别或者信息采集只是进行简单的信息采集，在采集到模拟信息之后按照预设的处理算法进行数据分析，最后给出分析结果。现有的行为识别分析方式通常是固定的，由于采集分析系统的参数固定，其分析的结果也就固定，可能会出现分析不准确，不能切合实际的被检测对象。
因此，需要提供一种智能化的动作识别检测系统，其能够实时进行动作信息采集，且在进行动作信息分析后，能够根据分析结果进行自身系统优化以适应各种采集对象，提高动作识别的准确性。
技术实现要素：
本发明的目的在于提供一种基于机器学习和雷达结合的动作识别系统，用以解决现有动作识别系统不能够进行自我更新，识别准确性低的问题。
为实现上述目的，本发明的技术方案为：
一种基于机器学习和雷达结合的动作识别系统，包括采集模块，用于发送和接收雷达信号，且对接收信号进行处理，将处理后信息信号发送云计算模块；云计算模块，用于对从采集模块接收的信号按数据处理算法进行计算得到动作识别结果、硬件参数和算法相关参数，且将所述动作识别结果和所述硬件参数发送所述后端处理模块，将所述算法相关参数进行本地存储；后端处理模块，用于根据所述动作识别结果和所述硬件参数发送调节命令到所述采集模块以实现其信号处理单元的自适应调整，且根据所述动作识别结果发送控制命令到外部设备实现控制。
优选的，所述采集模块包括发射模块、接收模块、传输模块和反馈模块。
优选的，所述发射模块包括雷达芯片、至少一个微处理器和发射天线；所述微处理器产生特定波形信号并发送到所述雷达芯片，所述雷达芯片产生雷达信号分别经过所述发射天线发射和输入到输入输出通道的混频器。
优选的，所述接收模块包括接收天线、雷达芯片、滤波电路、放大电路和至少一个微处理器；所述接收天线用于将接收的雷达信号发送到所述雷达芯片；所述雷达芯片用于对所述雷达信号进行低噪声处理后将其分别输入通道、输出通道的混频器中与发射信号进行混频得到混频信号；所述滤波电路用于对所述混频信号进行滤波得到滤波信号，所述滤波电路采用带通滤波；所述放大电路用于对所述滤波信号进行放大后发送到微处理器进行模数转换以得到数字中频信号；所述中频信号包括探测目标的速度、方向和距离信息。
优选的，所述传输模块包括至少一个微处理器和wifi收发模块；所述wifi收发模块将从所述微处理器得到的数字信号转换为无线信号发送到所述云计算模块。
优选的，所述反馈模块包括wifi收发模块、至少一个微处理器、放大电路和滤波电路；所述wifi收发模块接收所述硬件参数并发送到所述微处理器进行处理，且将数据处理结果发送所述放大电路和所述滤波电路进行硬件参数更新；所述硬件参数包括放大电路增益、滤波电路中心频率和带宽。
优选的，所述雷达信号是连续调频波，其频率是24.0ghz，其波形包括锯齿波和三角波。
优选的，包括至少一个雷达系统。
优选的，所述云计算模块采用的数据处理算法包括快速傅里叶变换和卷积神经网络；所述云计算模块对接收的数据进行快速傅里叶变换得到二维频域信号，将所述二维频域信号导入卷积神经网络进行训练得到动作识别结果和硬件参数。
优选的，所述后端处理模块和所述外部设备通过wifi进行无线通讯或者用输入输出串行通信接口进行有线通讯。
本发明具有如下优点：
本发明通过所述采集模块能够实时高效的采集被监控对象的动作信息并及时发送到云计算模块；
云计算模块能够对采集的信息进行高效率分析，分别得到动作识别结果、硬件参数和算法相关参数；所述算法相关参数进行本地存储以实现对数据分析算法的优化，进一步提高数据分析处理能力；
所述动作识别结果和所述硬件参数发送所述后端处理模块进行进一步的处理，实现对动作信息的进一步分析，提高分析的准确度；
后端处理模块根据所述动作识别结果和所述硬件参数发送调节命令到所述采集模块，实现对所述采集模块的闭环反馈调节，以适应各种采集对象和采集环境，且实现对外部设备的精确反馈控制。
附图说明
图1是本发明的基于机器学习和雷达结合的动作识别系统的功能模块图。
图2是本发明中采集模块的功能模块图。
图3是本发明中发射模块的功能模块图。
图4是本发明中接收模块的功能模块图。
图5是本发明中传输模块的功能模块图。
图6是本发明中反馈模块的功能模块图。
图7是实施例2的结构框图。
图8是实施例3的结构框图。
图9是实施例4的结构框图。
图10是实施例5的结构框图。
图11是实施例6的结构框图。
图12是实施例7的结构框图。
图13是实施例8的结构框图。
图中：1-采集模块；11-发射模块；12-接收模块；13-传输模块；14-反馈模块；2-云计算模块；3-后端处理模块。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
本实施例的基于机器学习和雷达结合的动作识别系统，包括采集模块1，用于发送和接收雷达信号，且对接收信号进行处理，将处理后信息信号发送云计算模块2；云计算模块2，用于对从采集模块1接收的信号按数据处理算法进行计算得到动作识别结果、硬件参数和算法相关参数，且将所述动作识别结果和所述硬件参数发送所述后端处理模块3，将所述算法相关参数进行本地存储；后端处理模块3，用于根据所述动作识别结果和所述硬件参数发送调节命令到所述采集模块1以实现其信号处理单元的自适应调整，且根据所述动作识别结果发送控制命令到外部设备实现控制。所述采集模块1包括发射模块11、接收模块12、传输模块13和反馈模块14。
所述发射模块11包括雷达芯片、至少一个微处理器和发射天线；所述微处理器产生特定波形信号并发送到所述雷达芯片，所述雷达芯片产生雷达信号分别经过所述发射天线发射和输入到输入输出通道的混频器。所述发射模块11的微处理器通过控制其外设数字模拟转换电路，连续产生一定频率和幅度的特定波形信号并输入至雷达芯片内的压控振荡器内，使其射频载波信号。射频载波信号分成两路，一路经微带发射天线发射出去。另一路又分流成两路，一路进入雷达芯片输入通道所在的混频器中，另一路先经过90°移相后进入雷达芯片的输出通道所在的混频器中。
所述接收模块12包括接收天线、雷达芯片、滤波电路、放大电路和至少一个微处理器；所述接收天线用于将接收的雷达信号发送到所述雷达芯片；所述雷达芯片用于对所述雷达信号进行低噪声处理后将其分别输入通道、输出通道的混频器中与发射信号进行混频得到混频信号；所述滤波电路用于对所述混频信号进行滤波得到滤波信号，所述滤波电路采用带通滤波；所述放大电路用于对所述滤波信号进行放大后发送到微处理器进行模数转换以得到数字中频信号；所述中频信号包括探测目标的速度、方向和距离信息。所述接收模块12通过接收天线接收到回波信号，所述回波信号先经过低噪声方法处理后分为两路，分别流入输入通道、输出通道的混频器中与发射信号进行混频。混频后的信号先经过带通滤波器进行滤波处理，再通过放大器进行放大处理。放大后的信号经由微处理器的外设模拟数字转换电路进行模数转换，得到输入通道、输出通道两通道数字信号形式的中频信号，该信号中含有探测目标的速度、方向和距离信息。
所述传输模块13包括至少一个微处理器和wifi收发模块；所述wifi收发模块将从所述微处理器得到的数字信号转换为无线信号发送到所述云计算模块2。所述传输模块13包括发送和接收两部分。发送部分由微处理器将输入通道、输出通道两通道数字信号形式的中频信号存储至串口通讯的发送数据寄存器，同时串口连接wifi收发模块，经由wifi收发模块将发送数据寄存器中的数据发送至计算云端，从而实现将输入通道、输出通道的中频信号传输至云端进行计算。当计算云端将信号发回至微处理器时，数据经由wifi收发模块存储至接收数据寄存器，微处理器将寄存器内数据读出，并根据数据进行相应操作。
所述反馈模块14包括wifi收发模块、至少一个微处理器、放大电路和滤波电路；所述wifi收发模块接收所述硬件参数并发送到所述微处理器进行处理，且将数据处理结果发送所述放大电路和所述滤波电路进行硬件参数更新；所述硬件参数包括放大电路增益、滤波电路中心频率和带宽。所述反馈模块14内使用的放大电路和滤波电路采用可编程器件，可在系统运行过程中实时更改参数进行放大电路的增益、滤波电路的中心频率和带宽参数的调整。在接收到从云端发送至微处理器的数据中包括更新放大电路、滤波电路的指令和相应数据时，由微处理器执行操作，更新可编程放大电路和滤波电路的变量的值，实现对放大电路和滤波电路的参数的更新和调整。
所述雷达信号是连续调频波，其频率是24.0ghz，其波形包括锯齿波和三角波。包括两个雷达系统。
所述云计算模块2采用的数据处理算法包括快速傅里叶变换和卷积神经网络；所述云计算模块2对接收的数据进行快速傅里叶变换得到二维频域信号，将所述二维频域信号导入卷积神经网络进行训练得到动作识别结果和硬件参数。
所述云端计算部分为：输入通道、输出通道的中频信号数据经由wifi收发模块传输至云端服务器后，数据将被存储至云端存储空间。接着，从云端存储空间将新存储的数据以及历史存储的数据进行读取。将读出的数据进行快速傅里叶变换(fft)，将输入通道、输出通道的时域信号变换为二维的频域信号，并将所得的频域信号导入至卷积神经网络(cnn)，进行卷积、池化操作后，输出动作识别结果和硬件参数的更优值，并将动作识别结果和硬件参数经由wifi发出；硬件参数包括放大电路的增益、滤波电路的中心频率和带宽参数。
所述后端处理模块3和所述外部设备通过wifi进行无线通讯或者用输入输出串行通信接口进行有线通讯。所述后端处理模块3通过读取接收到的来所述云计算模块2的数据，对数据进行判断是否需要执行及执行何种预设操作。所述后端处理模块3和被控制的系统可通过wifi进行无线通讯，也可以使用通用输入输出串行通信接口进行有线通讯，根据后端处理模块3的判断结果向被控制的系统发送预设的指令使其完成一定的操作，实现对设备的控制功能。
实施例2
雷达发射信号110由发射天线或天线矩阵辐射一定频率和特定波形的调频连续波至空间，频率可选地使用24ghz，也可根据应用场景使用其他频率，波形可选地使用锯齿波或三角波。接受回波信号111由雷达发射信号110向空间辐射出微波后，经过空间的物体的反射，并被反射天线或天线矩阵接收，向后端输出输入通道、输出通道两通道的输出量。信号滤波放大模块112由可编程滤波器、可编程放大器组成，由接受回波信号111接收的信号依次经过滤波器带通滤波，放大器低噪声放大，得到特征更明显的中频信号。数据模拟数字转换单元113为微处理器内部adc外设，对模拟量的中频信号转换成数字信号；转换后的数字信号形式的输入、输出通道信号移至微处理器的发送寄存器，经由无线数据收发114无线数据收发模块将数据传输至云端。同时，经过114可接收由云端传输至本地的数据，并移至微处理器的接收寄存器中。读取数据115为微处理器执行指令，读取在接收寄存器内的数据，获得所需的信息。更新硬件参数116为根据读取数据115所读取到的数据，对信号滤波放大模块112的可编程滤波器、可编程放大器内的参数进行编码调整，调整放大器的增益、滤波器的中心频率，带宽等参数，从而实现在下一次采集信号时，所得数据具有特征更明显、更易被识别的特点，提高对动作的识别率。
实施例3
当云端接收到数据并缓存210，便将数据移至云端服务器的数据存储区进行数据储存211。储存完毕后，读取数据存储区内的历史数据212进行数据处理。完成数据读取后，对数据进行快速傅里叶变换213，将基于时域的输入通道、输出通道的信号转换为二维的、基于频域的信号。将完成过程213后的信号导入至卷积神经网络进行训练214。完成214后，可得出本次动作的识别结果215，以及更优的硬件参数216。将动作识别结果215、216更优硬件参数通过无线传输至本地217。
实施例4
经过无线数据接收发送接收到数据后，缓存至微处理器的接收处理器。然后读取接收寄存器内的数据115。需要说明的是，将动作识别结果更优硬件参数通过无线传输至本地，在100中读取的为数据216，在本图中读取的是数据动作识别结果。读取到动作识别结果后数据，根据是被结果执行微处理器内部相应预设指令310或控制外设执行相应预设操作311。
实施例5
本实施例中410、420为对称的微带天线阵列，410作为发射天线，420作为接收天线。430为该设备所使用的雷达芯片。440为可编程滤波器，450为可编程放大器，微处理器可以通过执行指令对440、450进行参数调整。460为设备所使用的微处理器。470为wifi模块，用以进行无线数据传输。首先由微处理器460的数模转换模块461产生一调制信号，其电压、波形、频率可根据应用场景的不同而有所不同。461产生的调制信号输入至雷达芯片内部的压控振荡器431，用以产生连续的高频信号。输出的高频信号一路经由发射天线阵列410向外辐射，另一路再分流成两路，其中一路进入i通道的混频器433，另一路经过90度移项432后进入q通道的混频器。回波信号被接收天线420接收后，分两路分别进入i、q通道的混频器中。i、q通道的信号从雷达芯片430输出后，一次经过滤波器440、放大器450进行滤波放大处理，处理后所得的模拟信号包含物体的距离、速度、方向等信息。随后模拟信号进入微处理器的模数转换模块462进行模数转换，得到数字信号。微处理器通过内部usart和wifi模块470建立通讯463，进行数据的无线收发。同时，微处理器可根据所接收到的数据对外部设备通过有线的方式进行控制490，也可通过wifi模块进行无线控制480。
实施例6
采集前端设备可采用一个或多个进行同时采集。使用多个设备501、502、503时，设备分别成一定的角度，可对三维动作进行采集，不同设备采集到的信号特征不同，即多个设备可对一个动作同时采集到更多的信号特征，从而显著提高识别率。
实施例7
本方案可应用于智能眼镜上实现动作识别功能。620为可实现动作识别的智能眼镜。610、611为采集前端所使用的设备，在应用中，可在左右两侧对称集成2个或4个用于采集信号。630为610、611所辐射的雷达场，也即动作识别的有效区域。640为使用者在区域630内做出指定动作。使用者佩戴集成了本方案的智能眼镜620，在有效区域630内做出有效的动作640，经过610、611的信号发射、接收以及进一步的信号处理100，通过无线传输将信号传输至云端服务器。云端服务器在计算过后将识别结果和优化后的硬件参数传输回智能眼镜端。对返回的识别结果进行处理后，根据所得结果执行预设的指令，实现手势控制智能眼镜的使用。如将伸出食指与中指从左向右滑动设定为下翻页。通过采集、计算，得出识别结果后，智能眼镜显示界面执行下翻页操作。
实施例8
本实施例中720、721为采集前端所使用的设备，在应用中，可根据实际使用场景以不同角度、不同数量、不同位置进行放置。710为由721、720所辐射的雷达场，也是动作识别的有效区域。该应用场景是在智能家居中通过手势进行控制室内的家用设备。以卧室为例，信号采集设备720、721安装于正对床的天花板处，使其有效识别区域710可覆盖床的大部分位置。通过在有效区域内做预设的有效动作，以室内的wifi作为指令传输方式，来控制其他设备的状态。如设定双手伸直，从合拢到张开为一有效动作，用以控制窗帘的拉开。执行该动作后，通过721、720信号采集，发送至云端进行计算，得出识别结果后，通过wifi将数据传输至卧室的控制窗帘状态的处理器，使其驱动拉开窗帘的电机执行拉开窗帘的动作。同样的，通过各种指令，可以实现室内的灯光、空调、窗户、以及音响等家用设备的控制。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。