[发明专利]一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法

说明书

本发明提供一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，其特征在于：采用两个相同的微型多普勒雷达持续收集用户的手势运动信息；对采集雷达信号进行滤波处理；基于滤波后的雷达信号，采用双门限算法，对信号中有起伏波动的信号片段进行检测与提取；将经过滤波的两个雷达提取得到的动作信号进行短时傅里叶变换获得时频谱图；对时频谱图的二值化、边缘检测处理，提取出手势动作的时频谱特征；对时频谱线使用X方法分类，完成具体的手臂动作种类判断。不但识别动作种类，还分析动作细节，可提供更好更便捷的人机交互体验，能在智能家居、遥操作领域带来一定实际意义。

技术领域

本发明涉及基于电磁波信号的人体行为感知领域，尤其涉及微型多普勒雷达对用户手臂运动识别、细粒度运动方向细节感知的方法。

背景技术

随着无线感知和物联网技术的发展，许多新型的人机交互技术被人们所利用。不同于计算机视觉的动作识别方法对环境光照有额外的要求，和使用可穿戴传感器感知动作的方法在整体动作识别上有更复杂的设备需求，使用无线设备的动作识别具有普适、易操作的优势。同时随着诸如智能手机等智能设备的发展，无线设备也深入到生活的方方面面，普及程度大幅增加。然而，在现有的方法中，可穿戴的视觉识别方法对环境光源依赖较大，Wi-Fi无线信号分布不稳定、易受干扰的特点使得很难应用到实际情况，RFID识别技术则需要给用户佩戴额外的设备，影响体验。此外，它们基本都是以识别动作种类为目的，很少有考虑到手势细节信息分析。手势运动中还有更多的细节可以挖掘，比如不同的抬手角度、挥手幅度等差异，而用户很可能希望以此来进行一些特殊人机交互。

发明内容

针对以上缺陷，本发明提供一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，能够准确识别人体手臂动作的细微动作。

本发明于多普勒雷达时频域特征的细粒度人体手臂运动识别方法的技术方案为：采用两个相同的微型多普勒雷达持续收集用户的手势运动信息并保存至上位主机；对采集雷达信号进行滤波处理；基于滤波后的雷达信号，采用双门限算法，对信号中有起伏波动的信号片段进行检测与提取；将经过滤波的两个雷达提取得到的动作信号进行短时傅里叶变换获得时频谱图；对时频谱图的二值化、边缘检测处理，提取出手势动作的时频谱特征，再根据多普勒效应原理将两雷达时频谱特征进行合成以消除运动角度对两雷达分布信号造成的幅度和频率降低的影响；对时频谱线使用X方法分类，完成具体的手臂动作种类判断。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述两雷达时频谱特征的对比得出的动作的运动方向，体现为运动相对于正面雷达的夹角。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述手臂动作种类包括：抬手、放下、推、拉、伸手、握拳、旋转、非手势信号。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述识别结果若属于动作种类中的任意一个，则继续向后进行步骤；否则输出结果中止识别。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述双门限算法中采用短时过门限率作为判断依据，在对信号分帧后计算每帧的短时过门限率，其计算公式为：

其中T_s代表信号门限，计算完成后将连续多帧信号在不中断超过宽容限度帧内短时过门限率和均超过T_s的信号段认为是动作信号。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述X方法为根据多普勒雷达正交调制原理计算两正交信号I、Q的相位差且由于即可以通过相位差的一阶导数计算出实时的动作运动方向；进而使用动态时间规整算法(DTW)+邻近算法(kNN)方式进行手势分类。

进一步的，一种基于多普勒雷达时频域特征的细粒度人体手臂运动识别方法，所述动态时间规整算法(DTW)在原始算法的基础上进行了约束路径与拒绝错误信号的改进。