CN110309689A - 基于超宽带雷达的Gabor域手势识别检测方法 - Google Patents
基于超宽带雷达的Gabor域手势识别检测方法 Download PDFInfo
- Publication number
- CN110309689A CN110309689A CN201810255881.XA CN201810255881A CN110309689A CN 110309689 A CN110309689 A CN 110309689A CN 201810255881 A CN201810255881 A CN 201810255881A CN 110309689 A CN110309689 A CN 110309689A
- Authority
- CN
- China
- Prior art keywords
- gesture
- gabor
- echo
- ultra
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于超宽带雷达的Gabor域手势识别检测方法。首先将超宽带雷达录取的手势数据经过预处理,截取包含手势信息的数据,得到预处理后的灰度图;然后利用Gabor域,从s个基本方向对手势回波图像进行Gabor变换,提取图中手势包络的特征参数;接着利用机器学习算法判决手势的种类。本发明方法有效可行,性能可靠,可以准确地实现不同手势的识别检测。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于超宽带雷达的人体手势识别方法。
背景技术
随着计算机技术的发展,人与机器交互的重要性逐渐凸显,最初的人机交互通过键盘输入命令行进行,之后出现鼠标、触摸屏等方式,而以手势作为人机交互的输入,显得更加自然与便捷,更能体现出以人为中心的思想。手势识别作为一种自然、直观的交互方式,是人机交互领域的一大研究热点,涉及人工智能、模式识别、机器学习、计算机图形学等众多学科,其应用也深入到各个领域,如虚拟现实、机器人控制、智能家居等等。
现有手势识别技术大多是基于接触式或者摄像头等设备,基于数据手套的方式不利于自然的人机交互,设备昂贵。基于视觉的手势识别识别率较低,实时性较差,手势种类较少,而且类似摄像头等设备一直以来就有着侵犯隐私等道德上的问题,没有被群众广泛认可,而运用雷达来进行手势识别,人体无需接触任何电极和传感器。
传统的雷达实现手势识别检测,多是利用稀疏算法,三维空间定位,快速傅里叶变换等传统雷达信号处理方法,计算量大,可靠性低,且效果较差。
发明内容
本发明的目的主要针对目前雷达对手势识别信号处理的不足,提出了一种基于超宽带雷达的Gabor域手势识别检测方法,并且实现了常见手势的分类:
实现本发明目的的技术解决方案为:一种基于超宽带雷达的Gabor域手势识别检测方法,包括以下步骤:
步骤1、采用超宽带雷达得到人体常见手势的数据,将数据进行预处理,消除背景和噪声干扰,具体为:
步骤1-1、雷达回波信号为:R[j,n]=r(t=jTs,τ=nTf),其中j=[1,2,...,J]代表慢时采样的时间序号,n=[1,2,,...,N]代表距离门的个数;Tf和Ts分别表示快时和慢时的采样时刻;
步骤1-2、采集到的雷达信号经过快慢时采样后重新排列得到X×Y的回波矩阵,其中X表示快时采样点数,Y表示慢时采样点数,在得到了回波信号数据之后,运用动目标检测MTI方法,去除室内各种背景杂波干扰的情况,保留手势动作的信息;
步骤1-3、对手势回波信号的灰度图进行二值化处理,之后再利用中值滤波,去除动目标检测MTI后产生的尾影杂波,进一步增强手势回波信号。
步骤2、截取手势回波信号,提取手势包络的特征参数,具体为:
步骤2-1、按相同时间长度及相同距离门大小的截取手势回波信号;
步骤2-2、分别选择s个不同方向,进行不同方向的Gabor变换,其中s的取值为2~6;
步骤2-3、对Gabor变换后的图像,分别在水平和垂直方向取x×y大小的子块图像,将整个图像分成m个x×y大小的子图像块,然后计算每一块对应的能量,具体计算公式如下:
其中a(k)ij表示着第k个子图像块中第i行第j列的数值,计算之后得到一个联合空间频率能量矩阵E,所述m为子图像块的个数;
步骤2-4、将能量矩阵E变化为1×m的一维矩阵,作为原始图像在某一方向和尺度变换后的特征向量,该一维矩阵即为手势回波信号的Gabor特征参数。
步骤3、将步骤2中提取的特征输入到机器学习中,最终完成不同手势的分类。所述机器学习为现有的通用技术,详见专利《基于加权联合距离时频变换的室内人体姿态识别方法》,专利号为201710409174.7。
本发明与现有技术相比,其显著优点为:1)超宽带雷达具有抗干扰能力强,距离分辨率高等优点;2)Gabor算法具有良好的时频局部化特性,处理的数据量较少,能满足实时性要求,且能容忍一定程度的旋转和变形;3)本发明能够有效的实现手势识别,简单有效,性能可靠,便于实施。
下面结合说明书附图对本发明做进一步描述。
附图说明
图1为本发明实现手势识别的流程图。
图2为翻掌动作的Gabor变换结果图,方向为0,其中图(a)为回波信号,图(b)为变换结果图。
图3为翻掌动作的Gabor变换结果图,方向为π/4,其中图(c)为回波信号,图(d)为变换结果图。
图4为翻掌动作的Gabor变换结果图,方向为π/2,其中图(e)为回波信号,图(f)为变换结果图。
图5为翻掌动作的Gabor变换结果图,方向3π/4,其中图(g)为回波信号,图(h)为变换结果图。
图6为Gabor特征提取示意图。
具体实施方式
Gabor算法广泛应用于图像处理领域,具有很好的抗干扰能力,更加有效地运用于非平稳信号分析和处理。
结合图1,本发明的一种基于超宽带雷达的Gabor域手势识别检测方法,包括以下步骤:
步骤1、采用超宽带雷达得到人体常见手势的数据,将数据进行预处理,消除背景和噪声干扰;所述超宽带雷达为脉冲体制的雷达,采集人体常见手势的数据,具体为:
步骤1-1、雷达回波信号为:R[j,n]=r(t=jTs,τ=nTf),其中j=[1,2,...,J]代表慢时采样的时间序号,n=[1,2,,...,N]代表距离门的个数;Tf和Ts分别表示快时和慢时的采样时刻;
步骤1-2、采集到的雷达信号经过快慢时采样后重新排列得到X×Y的回波矩阵,其中X表示快时采样点数,Y表示慢时采样点数,在得到了回波信号数据之后,运用动目标检测MTI方法,去除室内各种背景杂波干扰的情况,保留手势动作的信息;
步骤1-3、对手势回波信号的灰度图进行二值化处理,之后再利用中值滤波,去除动目标检测MTI后产生的尾影杂波,从而增强手势回波信号。
所述手势为非周期瞬时手势,包括:翻掌,挥手,扇手,OK,招手以及伸掌这些动作。
步骤2、截取手势回波信号,利用Gabor算法,从s个基本方向对手势回波图像进行Gabor变换,提取图中手势包络的特征参数,其中s的取值为2~6;
所述提取图中手势包络的特征参数,具体为:
步骤2-1、按相同时间长度及相同距离门大小的截取手势回波信号;
步骤2-2、分别选择s个不同方向,进行不同方向的Gabor变换;
步骤2-3、对Gabor变换后的图像,分别在水平和垂直方向取x×y大小的子块图像,将整个图像分成m个x×y大小的子图像块,然后计算每一块对应的能量,具体计算公式如下:
其中a(k)ij表示着第k个子图像块中第i行第j列的数值,计算之后得到一个联合空间频率能量矩阵E,所述m为子图像块的个数;
步骤2-4、将能量矩阵E变化为1×m的一维矩阵,作为原始图像在某一方向和尺度变换后的特征向量,该一维矩阵即为手势回波信号的Gabor特征参数。
步骤3、将步骤2中提取的特征输入到机器学习中,最终完成手势的识别。
本发明能够有效的实现手势识别,简单有效,性能可靠,便于实施。
下面结合实施例对本发明做进一步详细的描述。
实施例
用超宽带雷达对日常生活中的六种手势动作进行数据采集,分别是:(a)翻掌,(b)挥手,(c)扇手,(d)ok,(e)招手,(f)伸掌,对每个手势动作的具体描述如下表:
表5.1手势动作描述
手势动作 | 详细描述 |
翻掌 | 手心正对雷达翻转手掌,使手心手背轮流对着雷达 |
挥手 | 手心正对雷达,五指并拢,左右挥动 |
扇手 | 伸直手掌,垂直于雷达,手腕左右运动,手掌做扇风动作 |
ok | 握拳正对雷达,之后拇指食指环绕,另外三根手指竖起,呈ok状 |
招手 | 手心向上,手指正对雷达,弯曲四根手指往上 |
伸掌 | 手臂弯曲,手心正对雷达,伸展手臂,使手掌靠近雷达 |
对雷达回波信号进行预处理,消除背景和噪声干扰,然后截取信号,通过Gabor变换法,选择了0、π/4、π/2和3π/4四个经典方向的Gabor滤波器对手势回波信号进行处理。以翻掌动作为例,方向为0的Gabor变换结果如图2所示,方向为π/4的Gabor变换结果如图3所示,方向为π/2的Gabor变换结果如图4所示,方向为3π/4的Gabor变换结果如图5所示。
图6为手势回波信号的Gabor特征参数,经过图像分块法提取的Gabor特征矩阵大小为1×247,即每一包数据提取了247个特征,放入SVM分类器中进行分类识别,各个方向的处理结果经过机器学习SVM分类器进行分类的准确率如表2所示。
表2不同方向Gabor滤波器分类准确
Gabor滤波器方向 | SVM分类准确率 |
0 | 96.2% |
π/4 | 95.6% |
π/2 | 97.8% |
3π/4 | 97.3% |
通过表2可以看出,0、π/4、π/2和3π/4这四个方向的Gabor滤波器,对于手势回波信号最终分类的结果之间差距很小,平均识别率为97.3%,说明Gabor算法能够有效的实现手势识别,简单有效,性能可靠。
Claims (4)
1.一种基于超宽带雷达的Gabor域手势识别检测方法,其特征在于,包括以下步骤:
步骤1、采用超宽带雷达得到人体常见手势的数据,将数据进行预处理,消除背景和噪声干扰;
步骤2、截取手势回波信号,利用Gabor算法,从s个基本方向对手势回波图像进行Gabor变换,提取图中手势包络的特征参数,其中s的取值为2~6;
步骤3、将步骤2中提取的特征输入到机器学习中,最终完成手势的识别。
2.根据权利要求1所述的基于超宽带雷达的Gabor域手势识别检测方法,其特征在于,步骤1中所述超宽带雷达为脉冲体制的雷达,采集人体常见手势的数据,具体为:
步骤1-1、雷达回波信号为:R[j,n]=r(t=jTs,τ=nTf),其中j=[1,2,...,J]代表慢时采样的时间序号,n=[1,2,,...,N]代表距离门的个数;Tf和Ts分别表示快时和慢时的采样时刻;
步骤1-2、采集到的雷达信号经过快慢时采样后重新排列得到X×Y的回波矩阵,其中X表示快时采样点数,Y表示慢时采样点数,在得到了回波信号数据之后,运用动目标检测MTI方法,去除室内各种背景杂波干扰的情况,保留手势动作的信息;
步骤1-3、对手势回波信号的灰度图进行二值化处理,之后再利用中值滤波,去除动目标检测MTI后产生的尾影杂波,从而增强手势回波信号。
3.根据权利要求1所述的基于超宽带雷达的Gabor域手势识别检测方法,其特征在于,步骤2中提取图中手势包络的特征参数,具体为:
步骤2-1、按相同时间长度及相同距离门大小的截取手势回波信号;
步骤2-2、分别选择s个不同方向,进行不同方向的Gabor变换;
步骤2-3、对Gabor变换后的图像,分别在水平和垂直方向取x×y大小的子块图像,将整个图像分成m个x×y大小的子图像块,然后计算每一块对应的能量,具体计算公式如下:
其中a(k)ij表示着第k个子图像块中第i行第j列的数值,计算之后得到一个联合空间频率能量矩阵E,所述m为子图像块的个数;
步骤2-4、将能量矩阵E变化为1×m的一维矩阵,作为原始图像在某一方向和尺度变换后的特征向量,该一维矩阵即为手势回波信号的Gabor特征参数。
4.根据权利要求1所述的基于超宽带雷达的Gabor域手势识别检测方法,其特征在于,步骤1中所述手势为非周期瞬时手势,包括:翻掌,挥手,扇手,OK,招手以及伸掌这些动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255881.XA CN110309689B (zh) | 2018-03-27 | 2018-03-27 | 基于超宽带雷达的Gabor域手势识别检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255881.XA CN110309689B (zh) | 2018-03-27 | 2018-03-27 | 基于超宽带雷达的Gabor域手势识别检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309689A true CN110309689A (zh) | 2019-10-08 |
CN110309689B CN110309689B (zh) | 2023-04-07 |
Family
ID=68074082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810255881.XA Active CN110309689B (zh) | 2018-03-27 | 2018-03-27 | 基于超宽带雷达的Gabor域手势识别检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309689B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415510A (zh) * | 2020-11-05 | 2021-02-26 | 深圳大学 | 双站雷达手势识别方法、装置、***和存储介质 |
CN114760168A (zh) * | 2022-03-22 | 2022-07-15 | 广东电力通信科技有限公司 | 一种ai智能边缘计算网关 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及*** |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
-
2018
- 2018-03-27 CN CN201810255881.XA patent/CN110309689B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及*** |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415510A (zh) * | 2020-11-05 | 2021-02-26 | 深圳大学 | 双站雷达手势识别方法、装置、***和存储介质 |
CN114760168A (zh) * | 2022-03-22 | 2022-07-15 | 广东电力通信科技有限公司 | 一种ai智能边缘计算网关 |
Also Published As
Publication number | Publication date |
---|---|
CN110309689B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309690B (zh) | 基于时频谱和距离多普勒谱的手势识别检测方法 | |
CN107024685A (zh) | 一种基于距离‑速度特征的手势识别方法 | |
CN102402289B (zh) | 一种基于机器视觉的手势鼠标识别方法 | |
Zhang et al. | u-DeepHand: FMCW radar-based unsupervised hand gesture feature learning using deep convolutional auto-encoder network | |
CN106845384A (zh) | 一种基于递归模型的手势识别方法 | |
Liu et al. | Spectrum-based hand gesture recognition using millimeter-wave radar parameter measurements | |
CN111444488A (zh) | 一种基于动态手势的身份认证方法 | |
Zhao et al. | Continuous human motion recognition using micro-Doppler signatures in the scenario with micro motion interference | |
CN115877376A (zh) | 基于多头自注意力机制的毫米波雷达手势识别方法及识别*** | |
Pan et al. | Sign language recognition in complex background scene based on adaptive skin colour modelling and support vector machine | |
Li et al. | Human activity recognition using dynamic representation and matching of skeleton feature sequences from RGB-D images | |
Wang et al. | Gesture Feature Extraction and Recognition Based on Image Processing. | |
CN110309689A (zh) | 基于超宽带雷达的Gabor域手势识别检测方法 | |
Mohanarathinam et al. | Study on Hand Gesture Recoginition by using Machine Learning | |
Qian et al. | Parallel LSTM-CNN network with radar multispectrogram for human activity recognition | |
Shao et al. | Deep learning methods for personnel recognition based on micro-Doppler features | |
Yashas et al. | Hand gesture recognition: a survey | |
Song et al. | High-accuracy gesture recognition using mm-wave radar based on convolutional block attention module | |
Li et al. | DeepTPA-Net: A Deep Triple Attention Network for sEMG-Based Hand Gesture Recognition | |
CN108108648A (zh) | 一种新型的手势识别***装置及方法 | |
CN105955473A (zh) | 一种基于计算机的静态手势图像识别交互*** | |
ul Haq et al. | New hand gesture recognition method for mouse operations | |
Raza et al. | An integrative approach to robust hand detection using CPM-YOLOv3 and RGBD camera in real time | |
Zhen-Yan | Chinese character recognition method based on image processing and hidden markov model | |
Munir et al. | Hand Gesture Recognition: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |