[发明专利]一种应用于智能卫浴的无线人体姿态识别方法

说明书

本发明公开了一种应用于智能卫浴的无线人体姿态识别方法，包括以下步骤：步骤1、硬件预处理设计；步骤2、数据预处理；步骤3、特征提取；步骤4、建立训练模型；步骤5、实时预测。本发明包括硬件设计、数据预处理、特征提取、模型训练、实时预测等五个步骤，本发明一方面数据通讯系统构建结构简单灵活，通用性及扩展能力强，另一方面数据处理能力强，检测精度高，数据运算量相对较小，从而可有效实现对指定动作的精准识别，经过大量测试，前进后退准确率可达98%，坐下起立准确率可达98%，上下挥手准确率95%、95%。

技术领域

本发明涉及计算机技术领域，尤其涉及一种应用于智能卫浴的无线人体姿态识别方法。

背景技术

手势识别作为一种人机交互方式，一直是计算机科学领域的主要研究课题之一。这一技术使得计算机无需借助传统的交互硬件（比如鼠标和键盘）即可理解人类指示。传统手势识别系统主要基于摄像头和图像处理算法。尽管基于摄像头的手势识别系统提供了可靠的识别率，但它们存在局限性，最明显的一个是易受光的亮度的影响。此外，当处理器和电池资源有限时，对计算和能耗的高需求将限制其应用。而且，基于摄像头的识别系统本质上可能在公共使用中引起隐私问题。

近期，基于雷达的手势识别引起了公众的兴趣。与传统方法相比，基于雷达的手势识别具备独有的优势。首先，摄像头在昏暗的光下很难捕捉到清晰图像，而雷达信号不受影响，可以在黑暗的环境中广泛使用。第二，连续波多普勒雷达传感器检测时频信号散播的移动物体多普勒效应，这可以通过成本低廉的架构来实现。即人类手势引起的多普勒相位频率改变仅限于几赫兹，模数转换器（ADC）的价格和基带设备的成本较低。因此，基于雷达的手势系统在实际应用中具备显著优势。现有市场微波传感器主要针对有无人的检测，通用性及扩展能力不佳，另一方面数据处理能力不高，检测精度较差，数据运算量相对较大，不能有效实现对指定动作的精准识别。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种应用于智能卫浴的无线人体姿态识别方法，以解决现有技术的不足。

为实现上述目的，本发明提供了一种应用于智能卫浴的无线人体姿态识别方法，包括以下步骤：

步骤1、硬件预处理设计，传感器接收到返回的微波信号，经过放大电路，硬件滤波，数模转换等处理后，送入后端数据处理单元；

步骤2、数据预处理，信号采集I通道和Q通道的数据存入缓存，并设计FIR低通滤波器，去除高频成分；

步骤3、特征提取，提取时间窗内的I，Q数据，提取原始特征；

步骤4、建立训练模型，训练数据集通过实时采样，得到手势动作的一个完整波形，截取起始和结束点，中间这一段作为有效波形，人工标注标签；

步骤5、实时预测，预测采用滑动窗的方式，对svm预测得到的结果再次用svm分类器，作为二次判断的模型。

进一步的，所述步骤2数据预处理具体为：信号每100ms采集I通道和Q通道的数据存入缓存，每达到500ms的数据做一次处理，人走路频段为15-20hz，手臂挥动频段为70-80hz，设计FIR低通滤波器，去除高频成分，FIR低通滤波器设计参数如下：截至频率：200hz，阶数：32。

进一步的，所述步骤3特征提取具体为：提取一个500ms时间窗内的I，Q数据，变换成如下复数运算，其中s为目标信号，i为I通道数据，q为Q通道数据，1i为虚数符号：

，通过短时频傅里叶变化,具体计算公式为：，所述经过STFT之后得到的特征点记为sp，为20行12列的矩阵，其中频段0到2048为正频率方向，2049到4096为负频率方向，提取原始特征的步骤主要如下：

1）提取sp正频率3到20个点和负频率4076到4096个点，通过图像特征点选取法则，相邻的特征点相加；