[发明专利]动态手势识别方法和装置

说明书

本发明公开了一种动态手势识别方法和装置。该方法包括：采集待识别的动态手势的雷达回波信号；对待识别的动态手势的雷达回波信号进行预处理，得到归一化的时频图；通过预先训练好的手势识别模型对归一化的时频图进行分类，得到分类结果，其中，手势识别模型通过预设数量的样本数据训练得到，每组样本数据中均包含动态手势归一化的时频图和该动态手势的类型；根据分类结果确定待识别的动态手势的类型。通过本发明，达到了提高动态手势识别的准确率的效果。

技术领域

本发明涉及雷达目标识别及人机交互技术领域，具体而言，涉及一种动态手势识别方法和装置。

背景技术

人机交互，即人与计算机之间使用某种“对话语言”，以一定的交互方式实现信息交换的过程。随着人机交互场景的日益丰富和用户对交互体验要求的不断提高，传统的鼠标、键盘、触摸屏等专用硬件控制设备已难以满足人们的需求。动态手势识别技术提供了一种更为自然、灵活的人机交互方式。目前比较成熟的动态手势识别技术主要基于光学传感器和图像处理算法，但其易受光照条件影响，并且存在隐私泄露风险。雷达传感器具有对光照条件不敏感、隐私性好的优点，微型雷达芯片还可以方便地嵌入在各种设备中，使用雷达传感器进行动态手势识别能够克服光学传感器的上述缺陷。

使用雷达观测动态手势时，被观测者的手腕、手掌、手指相对雷达不断运动，且运动速度随时间变化，因而雷达回波具有随时间变化的多普勒频移。这种由目标微运动在雷达回波中引起的额外的频率调制被称为微多普勒效应。微多普勒信号蕴含了目标的微动特征，不同手势动作具有不同的微动特征，利用这些特征就能够识别出不同种类的动态手势。

短时傅里叶变换(Short-Time Fourier Transform,STFT)是一种常用的分析信号时变频率特性的工具，其主要思想是把长的非平稳随机信号看作一系列短时平稳随机信号的叠加。通过对信号在时间上加窗口函数实现短时性，再对加窗后的信号进行傅里叶变换得到信号在当前局域时间窗口内的频谱特性，窗函数在整个时间轴上移动，从而得到信号在不同时刻的短时频谱特性。

隐马尔可夫模型(Hidden Markov Model,HMM)是一个具有两层结构的统计分析模型。其中隐含层对应于一个马尔可夫链，用于描述状态之间的相互转换关系；观测层是隐含层的输出，对应于一个描述状态与观测值之间相应关系的随机过程。隐高斯马尔可夫模型(Hidden Gauss-Markov Model,HGMM)是一种隐状态和观测值均为连续值的HMM，并且其初始状态先验概率、状态转移概率、观测输出概率均为线性高斯概率密度函数。动态手势可看作服从马尔可夫过程的运动序列，手腕、手掌、手指的运动可看作隐状态，不同的运动方式决定了所观察到的微多普勒特征序列，因此可将动态手势建模为HGMM。

针对相关技术中不良光照条件下动态手势识别准确率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明的主要目的在于提供一种动态手势识别方法和装置，以解决不良光照条件下动态手势识别准确率低的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种动态手势识别装置方法，该方法包括：采集待识别的动态手势的雷达回波信号；对所述待识别的动态手势的雷达回波信号进行预处理，得到归一化的时频图；通过预先训练好的手势识别模型对所述归一化的时频图进行分类，得到分类结果，其中，所述手势识别模型通过预设数量的样本数据训练得到，每组样本数据中均包含动态手势归一化的时频图和该动态手势的类型；根据所述分类结果确定所述待识别的动态手势的类型。

进一步地，在通过预先训练好的手势识别模型对所述归一化的时频图进行分类之前，所述方法还包括：采集预设数量的雷达回波信号作为样本数据，其中，所述样本数据中包括每个类型的动态手势归一化的时频图和该动态手势的类型；对所述样本数据进行预处理，得到样本归一化的时频图；使用HGMM对每个类型的动态手势归一化的时频图进行建模，得到每一类动态手势识别模型的模型参数。