论文部分内容阅读
基于手势识别的人机交互技术一直是研究的热点领域。其中基于无线感知的手势识别具有低开销,容易部署并且所需设备数量通常比较少,不受光照等条件的影响,无需穿戴特殊设备,可以同时在可视路径和非可视路径的情况下进行手势识别等优点。而在基于无线感知的手势识别的方法中,由于WiFi设备的大量部署,使得研究者可基于现有的WiFi信号来进行手势识别的研究。本文基于现有的商用路由器和在支持802.11n协议的IWL5300无线网卡上获取原始的信道状态信息(Channel State Information,CSI)数据包,然后进行振幅信息的提取。通过使用滑动平均对获取到原始的CSI数据信息进行数据平滑处理以滤除存在的高频信息的干扰。接着将30组子载波上的CSI数据通过选取第二主成分的方法进行降维处理以滤除高相关性的背景噪声。再通过时频分析,提出一种基于朴素贝叶斯分类器的天线数据流分类算法,通过提取天线数据流上最大的波峰值和波谷值的差值、平均值、标准差等特征值可以找到并移除“坏天线”数据流。然后基于小波分析的结果,本文设计并使用一个动态的时域窗口来准确提取每个手势动作的数据片段。最后,提取了包括信号的周期,标准差,绝对中位差,四分位距,熵值等特征值。再通过不同的分类算法包括支持向量机(Support Vector Machine,SVM)和最近邻算法(k-Nearest Neighbor,k-NN),用于训练和测试数据,从而选择出合适的分类器,最后选出了性能较好的SVM算法。本文具体的研究工作如下:(1)针对日常生活的室内环境中,经人体手势动作反射回来的WiFi信号容易被周围其他同频率设备的干扰,本文使用了滑动平均来滤除这种高频噪声的干扰,保留下来经人体手势动作反射回来的低频信号。(2)将30组子载波上的CSI数据通过选取第二主成分的方法进行降维处理以滤除高相关性的背景噪声。通过时频分析,提出一种基于朴素贝叶斯分类器的天线数据流分类算法,将对于手势动作不敏感的天线数据流进行移除从而提高对于手势动作的识别率。(3)针对包含有手势动作信息的CSI数据,在小波分析的基础上,本文通过三次的包络提取,根据第三次的包络提取的峰值点左右两边的斜率零点来确定用来提取手势动作的动态时间窗口。(4)通过分类算法的对比,本文选择比k-NN算法有更好的手势识别效果的SVM分类算法。在基于视距和非视距的实验场景下进行手势识别的实验,分别得到了93.8%和84.2%的平均识别率,识别效果比同类的基于接收信号的强度(Received Signal Strength Indication,RSSI)的手势识别方法要好,验证了本文基于WiFi的手势识别方法的可行性和鲁棒性。