CN109947238B - 一种基于wifi的非合作式手势识别的方法 - Google Patents

Abstract

本发明涉及一种基于WIFI的非合作式手势识别的方法，解决的是准确率低的技术问题，通过采用利用CSI作为检测手段用于解决利用RSSI对人体手势识别精度不够的问题。本发明首先采用精度比较高的通用USRP作为无线信号接收设备和无线路由器作为发射装备来采集CSI数据使用时间戳进行时间同步以分割CSI数据块的方法，并采用主成分分析法和更加精确的小波变换去除CSI数据噪声和提取数据特征，并采用XGBoost算法进行特征选择，最后用随机森林算法来对不同的手势类别分类的技术方案，较好的解决了该问题，可用于手势识别中。

Description

一种基于WIFI的非合作式手势识别的方法

技术领域

本发明涉及手势识别领域，具体涉及一种基于WIFI的非合作式手势识别的方法。

背景技术

为满足当代人们对高速便捷的数据服务的需求，WIFI早已成为人们生活不可或缺的一项技术。据统计，在重点公共场合的WIFI的覆盖率早已达到97％。研究发现WIFI除了能提供人们数据服务外，还能利用WIFI信号检测人体的运动情况。利用WIFI信号对人体运动检测***主要分为两类：利用WIFI信号的接收信号的强度指示(Received SignalStrength Indicator，RSSI)是检测和利用WIFI信号的利用信道状态信息(Channel StateInformation,CSI)进行检测。由于这两个检测指标都对环境有着很高的敏感性，当人体运动时，接收机收到的检测指标会发生明显改变以此判断运动的状态，RSSI指信号在某一时间内功率的平均值，表示接收信号的强度。RSSI容易获取早已成为比较广泛且成熟的检测指标，然而RSSI仅仅表示信号的平均值，含有信号的幅值信息忽略了信号中相位信息因此检测的精确度不够显著。CSI是指信号的信道状态信息，相比RSSI，CSI不仅包含了接收信号的幅值信息还包含了其相位信息，并精确到信号的每一个子载波的信道信息，相较RSSI大大提高了数值的颗粒度。因此目前主流的运动检测的指标主要根据CSI作为运动检测指标。

目前使用CSI进行运动检测大致可以分为：利用CSI对人***置信息定位，并判别其运动轨迹。部分学者将室内区域切分成小方格，利用被检查者对WIFI接收信号的CSI在每个小方格的位置的改变程度构建WIFI指纹库来匹配被检查者的具***置；利用WIFI成像，部分学者利用WIFI对人体各部位成像，形成一个3D的图样；利用CSI对人体手势进行检测部分学者利用MIMO天线体系消除干扰能识别墙体后的人体姿态。在进行手势识别的实现上，很多学者采用现有的商业的WIFI设备去接收WIFI信号，然而利用这些设备会引入更多噪声导致做手势识别准确率低，一些学者使用2台USRP设备作为收发装置去采集CSI数据，但他们并未使用到WIFI协议，这样导致在收发信号在工作频率上的偏差造成相位偏移，从而导致手势识别精度很低。此外，以往的研究中手势识别的环境均在理想情况下进行。

本发明提出一种基于WIFI信号的非合作式手势识别方法，基于WIFI数据包的不连续性，提出了使用添加时间戳的方法进行时间同步以分割CSI数据块，采用PCA算法和离散小波变换算法去除CSI数据噪声和提取数据特征，提高了手势识别的精度。

发明内容

本发明所要解决的技术问题是现有技术中存在的手势识别精度差的技术问题。提供一种新的WIFI的非合作式手势识别的方法，该WIFI的非合作式手势识别的方法具有识别精度高的特点。

为解决上述技术问题，采用的技术方案如下：

一种基于WIFI的非合作式手势识别的方法，所述方法包括：

步骤一，人体作出手势动作，采集对应的表征信道状态信息的WIFI数据；

步骤二，对步骤一的WIFI数据使用添加时间戳方法分割处理，对分割处理后的数据进行降噪处理，再对降噪处理后的数据提取有效特征；

步骤三，对WIFI数据进行分类，根据步骤二的有效特征进行特征选取并建立模型，使用至少两种机器学习的方法进行数据训练；

步骤四，计算所有机器学习方法对应的模型的准确度，进行模型误差分析，将误差分析结果的最小的模型定义为最优分类器算法模型；

步骤五，在步骤四中的最优分类器算法模型中输入待检测的WIFI数据，输出检测结果，完成基于WIFI的非合作式手势识别。

本发明的工作原理：由于WIFI路由器发送数据包速度的不可控，当接收机接收到数据包后无法从大量的数据包中直接分离出每个手势样本对应的数据包。因此，我们在接收机端，对每次接收到的数据包上都附上一个时间戳，然后根据时间戳将一个等间隔时间内的所有数据包归类成一个手势样本的数据。

上述方案中，为优化，进一步，所述添加时间戳方法为等间隔时间添加时间戳，得到相应时间段的对应手势的数据。将手势的数据采集时间定义为等间隔时间，例如2秒一次，3秒一次均可，从而采集对应时间内的数据进行识别。在本发明中，可以设定为2秒时间间隔，同时需要用户在数据采集时使用同样的速率执行手势，实现手势和WIFI数据在时间上的同步。然后进一步的，实际上每秒路由器发送的数据包数量不同，导致每个手势样本的数据包数量不相等。在PC端以最大速率下载文件时，网络传送的数据包数量大约为1300个每秒(802.11g协议路由器，100M网络带宽)，我们从中随机采样1024个数据包(因为1024跟实际数据包数量相近，采样可以得到较为完整的原始数据分布)，由此得到了稳定数量的手势样本数据，便于开展后续的信号处理流程。

进一步地，所述降噪处理采用的是主成分分析法：

步骤1，定义表征信道状态信息的WIFI数据的矩阵形式表示为

H＝[H₁,H₂,...,H₅₂]^T；

其中，H_j表示信道状态信息的列向量，j＝1,2,...,52；

步骤2，计算H_j的均值，构建均值向量

步骤3，计算协方差矩阵

步骤4，对协方差矩阵的特征进行分解，计算出C＝UΛU^T；

步骤5，保留Λ的前k个特征值，对H矩阵重构得到新的信道状态信息矩阵；

其中，k的选择满足条件

步骤6，根据步骤5的前k个特征值和对应的特征向量重建信道状态信息矩阵。

进一步地，所述提取有效特征采用的是离散小波变换的方法。

进一步地，对步骤二的有效特征进行特征选取采用的是XGBoost的算法模型。

进一步地，所述机器学习的方法包括随机森林算法，随机森林算法包括：

步骤a，设原始训练集数据为N，从中随机且有放回抽取k个自助样本集；

步骤b，对每个样本特征维度M，随机从M个特征中选择m个特征子集，每次决策树***时从m个特征中选择最优特征，对k个样本集可建立k个独立的决策树；

步骤c，根据每个k个决策树得到预测结果投票得到最终的预测结果。

进一步地，步骤一的采集对应的表征信道状态信息的WIFI数据包括：

步骤A，定义的表征信道状态信息的WIFI数据包为CSI数据，采用基于软件无线电平台GNU Radio的OFDM接收机，探测数据包，检验当前信号中的OFDM数据包数量，计算数据包探测判决度量m_n：

当连续出现m_n>0.8时判断检测到OFDM数据包，否则判断为OFDM数据包数量为0，重新检测；

步骤B，时钟同步，确定第一个OFDM码元的起始位置，如果计算出匹配滤波窗口Ls内最大的两个匹配滤波结果的索引{i₁,i₂}＝argmax(f_n)，则第一个长码元的位置定义为i_s＝max(i₁,i₂)+64；

步骤C，进行信道估计与均衡，提取接收机信号的长码元l_k(k＝0,1,...63)，求出频域值

步骤D，记录CSI数据，计算CFR值

(其中k＝0,1,...,63)，其中，CSI值即为CFR的采样值；

其中，

s_n+k为n+k时刻接收设备采集到的数据流，s_n+k+16为延时16个采样的数据，L_d为采样窗口；

表示接受信号的平均功率；

表示preamble长码元匹配滤波的结果；l_k表示Preamble长码元时域的采样值；L_k表示Preamble长码元频域的采样值，L_k＝FFT[l_k]，FFT[]表示傅里叶变换；

表示接收机信号频域的采样值。

本发明的有益效果：本发明主要利用信道状态信息CSI作为检测手段用于解决利用信号强度指示数据RSSI对人体手势识别精度不够的问题。采用精度比较高的通用软件无线电外设(Universal Software Radio Peripheral,USRP)作为无线信号接收设备和无线路由器作为发射装备来采集CSI数据。基于无线路由器发射WIFI数据包的不连续性，本发明还使用时间戳进行时间同步以分割CSI数据块的方法，并采用主成分分析法和更加精确的小波变换等方法去除CSI数据噪声和提取数据特征，并采用XGBoost算法等算法进行特征选择，最后用随机森林算法等机器学习算法来对不同的手势类别分类。很大程度提高理想状况下视距环境手势识别的准确率达到96％，非视距下达到92％。当实验环境中出现一定人数干扰和WIFI收发设备距离改变时手势识别准确率仍然保持90％以上。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，实施例1的算法流程图。

图2，实施例1的几种不同算法随特征的准确率关系图。

图3，采用XGBoost算法进行特征选择不同算法准确率对比图。

图4，实施例中最优算法得到的实验结果图。

图5，实施例的算法在不同人数干扰下表现图。

图6，实施例的算法在不同收发装置距离下的表现图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种基于WIFI的非合作式手势识别的方法，如图1，所述方法包括：

步骤一，人体作出手势动作，采集对应的表征信道状态信息的WIFI数据；

步骤二，对步骤一的WIFI数据使用添加时间戳方法分割处理，对分割处理后的数据进行降噪处理，再对降噪处理后的数据提取有效特征；

步骤三，对WIFI数据进行分类，根据步骤二的有效特征进行特征选取并建立模型，使用至少两种机器学习的方法进行数据训练；

步骤四，计算所有机器学习方法对应的模型的准确度，进行模型误差分析，将误差分析结果的最小的模型定义为最优分类器算法模型；如图2为本实施例采用的集中不同的算法模型的准确率关系图；

步骤五，在步骤四中的最优分类器算法模型中输入待检测的WIFI数据，输出检测结果，完成基于WIFI的非合作式手势识别。

被检测者要求在固定时间内做出8种不同的手势分别是上，下，左，右，画圈，拳击，开窗，滑动，通过不同手势对接收信号的CSI数据的改变据此对不同手势分类。

本实施例可采用一般的WIFI数据采集。优选情况下，可采用方法实现：

步骤A，定义的表征信道状态信息的WIFI数据包为CSI数据，采用基于软件无线电平台GNU Radio的OFDM接收机，无线路由器作为发射设备；随后探测数据包，检验当前信号中的OFDM数据包数量，计算数据包探测判决度量m_n：

当连续出现m_n>0.8时判断检测到OFDM数据包，否则判断为OFDM数据包数量为0，重新检测；

步骤B，时钟同步，确定第一个OFDM码元的起始位置，如果计算出匹配滤波窗口Ls内最大的两个匹配滤波结果的索引{i₁,i₂}＝argmax(f_n)，则第一个长码元的位置定义为i_s＝max(i₁,i₂)+64；

步骤C，进行信道估计与均衡，提取接收机信号的长码元l_k(k＝0,1,...63)，求出频域值

步骤D，获取CSI数据，计算CFR值

(其中k＝0,1,...,63)，其中，CSI值即为CFR的采样值；

其中，

s_n+k为n+k时刻接收设备采集到的数据流，s_n+k+16为延时16个采样的数据，L_d为采样窗口；

表示接受信号的平均功率；

表示preamble长码元匹配滤波的结果；l_k表示Preamble长码元时域的采样值；L_k表示Preamble长码元频域的采样值，L_k＝FFT[l_k]，FFT[]表示傅里叶变换；

表示接收机信号频域的采样值。

本实施例中的软件无线电平台GNU Radio的OFDM接收机，无线路由器作为发射设备是可以直接采用现有技术的，本实施不再赘述。

本实施例的提取有效特征可以采用离散小波变换方法也可以采用其他现有的提取有效特征的算法。

本实施例对有效特征进行特征选取可采XGBoost的算法模型也可选用其他类似的算法模型。如图3是采用XGBoost进行特征选择不同算法准确率对比图。

实施例2

本实施例是在实施例1的基础上，提供一种优选的进行数据降噪处理的方法，为主成分分析法：

步骤1，定义表征信道状态信息的WIFI数据的矩阵形式表示为

H＝[H₁,H₂,...,H₅₂]^T；

其中，H_j表示信道状态信息的列向量，j＝1,2,...,52；

步骤2，计算H_j的均值，构建均值向量

步骤3，计算协方差矩阵

步骤4，对协方差矩阵的特征进行分解，计算出C＝UΛU^T；

步骤5，保留Λ的前k个特征值，对H矩阵重构得到新的信道状态信息矩阵；

其中，k的选择满足条件

步骤6，根据步骤5的前k个特征值和对应的特征向量重建信道状态信息矩阵。

实施例3

本实施例在实施例2的基础上，提供一种性能较为优秀的机器学习算法，为随机森林算法，随机森林算法包括：

步骤a，设原始训练集数据为N，从中随机且有放回抽取k个自助样本集；

步骤b，对每个样本特征维度M，随机从M个特征中选择m个特征子集，每次决策树***时从m个特征中选择最优特征，对k个样本集可建立k个独立的决策树；

步骤c，根据每个k个决策树得到预测结果投票得到最终的预测结果。

如图4为最优算法为随机森林算法时得到的实验结果图。

本发明主要用于改善现有手势识别算法准确度低的问题，特别用于解决环境改变时算法的识别精度较低的问题。如图5-图6，图5为算法在不同人数干扰下表现图。图6为算法在不同收发装置距离下的表现图。

因此，本发明的有益效果如下：效果一，很大程度提高理想状况下视距环境手势识别的准确率达到96％，非视距下达到92％；效果二，当实验环境中出现一定人数干扰和WIFI收发设备距离改变时手势识别准确率仍然保持90％以上。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种基于WIFI的非合作式手势识别的方法，其特征在于：所述方法包括：

步骤一，作出手势动作，采集对应的表征信道状态信息的WIFI数据；

步骤二，对步骤一的WIFI数据使用添加时间戳方法分割处理，对分割处理后的数据进行降噪处理，再对降噪处理后的数据提取有效特征；

步骤三，对WIFI数据进行分类，根据步骤二的有效特征进行特征选取并建立模型，使用至少两种机器学习的方法进行数据训练；

步骤四，计算所有机器学习方法对应的模型的准确度，进行模型误差分析，将误差分析结果的最小的模型定义为最优分类器算法模型；

步骤五，在步骤四中的最优分类器算法模型中输入待检测的WIFI数据，输出检测结果，完成基于WIFI的非合作式手势识别；

步骤一的采集对应的表征信道状态信息的WIFI数据包括：

步骤A，定义的表征信道状态信息的WIFI数据包为CSI数据，采用基于软件无线电平台GNU Radio的OFDM接收机，探测数据包，检验当前信号中的OFDM数据包数量，计算数据包探测判决度量m_n：

当连续出现m_n>0.8时判断检测到OFDM数据包，否则判断为OFDM数据包数量为0，重新检测；

步骤B，时钟同步，确定第一个OFDM码元的起始位置，如果计算出匹配滤波窗口Ls内最大的两个匹配滤波结果的索引{i₁,i₂}＝arg max(f_n)，则第一个长码元的位置定义为i_s＝max(i₁,i₂)+64；

步骤C，进行信道估计与均衡，提取接收机信号的长码元l_k(k＝0,1,...,63)，求出频域值

步骤D，记录CSI数据，计算CFR值

(其中k＝0,1,...,63)，其中，CSI值即为CFR的采样值；

其中，

s_n+k为n+k时刻接收设备采集到的数据流，s_n+k+16为延时16个采样的数据，L_d为采样窗口；

表示接受信号的平均功率；

表示preamble长码元匹配滤波的结果；l_k表示Preamble长码元时域的采样值；L_k表示Preamble长码元频域的采样值，L_k＝FFT[l_k]，FFT[]表示傅里叶变换；

表示接收机信号频域的采样值。

2.根据权利要求1所述的基于WIFI的非合作式手势识别的方法，其特征在于：所述添加时间戳方法为等间隔时间添加时间戳，得到相应时间段的对应手势的数据。

3.根据权利要求1所述的基于WIFI的非合作式手势识别的方法，其特征在于：所述降噪处理采用的是主成分分析法：

步骤1，定义表征信道状态信息的WIFI数据的矩阵形式表示为

H＝[H₁,H₂,...,H₅₂]^T；

其中，H_j表示信道状态信息的列向量，j＝1,2,...,52；

步骤2，计算H_j的均值，构建均值向量

步骤3，计算协方差矩阵

步骤4，对协方差矩阵的特征进行分解，计算出C＝UΛU^T；

步骤5，保留Λ的前k个特征值，对H矩阵重构得到新的信道状态信息矩阵；

其中，k的选择满足条件

步骤6，根据步骤5的前k个特征值和对应的特征向量重建信道状态信息矩阵。

4.根据权利要求3所述的基于WIFI的非合作式手势识别的方法，其特征在于：所述提取有效特征采用的是离散小波变换的方法。

5.根据权利要求3所述的基于WIFI的非合作式手势识别的方法，其特征在于：对步骤二的有效特征进行特征选取采用的是XGBoost的算法模型。

6.据权利要求4或5所述的基于WIFI的非合作式手势识别的方法，其特征在于：所述机器学习的方法包括随机森林算法，随机森林算法包括：

步骤a，设原始训练集数据为N，从中随机且有放回抽取k个自助样本集；

步骤b，对每个样本特征维度M，随机从M个特征中选择m个特征子集，每次决策树***时从m个特征中选择最优特征，对k个样本集可建立k个独立的决策树；

步骤c，根据每个k个决策树得到预测结果投票得到最终的预测结果。

Images