基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)
閱讀：1037發(fā)布：2020-06-16
專利匯可以提供基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)專利檢索，專利查詢，專利分析的服務(wù)。并且本 發(fā)明 公開了一種基于RFID系統(tǒng)的實時精確且無 接觸 的 手勢識別 方法及系統(tǒng)，讀寫器收集來自用戶的手勢 信號 ，所述手勢信號包括時間戳和 相位 值；對所述手勢信號進行預(yù)處理和手勢分割；提取經(jīng)手勢分割處理后的信號的粗粒度的統(tǒng)計特征和細粒度的 小波變換 特征來構(gòu)建系統(tǒng)的分類器；將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，預(yù)測手勢。本發(fā)明極大地縮短了識別時間，且保證了識別 精度 。，下面是基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)專利的具體信息內(nèi)容。
1.一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，其特征在于，包括以下步驟：
1)讀寫器收集來自用戶的手勢信號，所述手勢信號包括時間戳和相位值；
2)對所述手勢信號進行預(yù)處理，得到歸一化后的相位值，利用所述歸一化后的相位值進行手勢分割；
3)提取經(jīng)步驟2)處理后的信號的粗粒度的統(tǒng)計特征和細粒度的小波變換特征來構(gòu)建系統(tǒng)的分類器；
4)將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，利用隨機深林算法預(yù)測手勢。
2.根據(jù)權(quán)利要求1所述的基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，其特征在于，每個所述讀寫器監(jiān)聽M個標(biāo)簽，在本系統(tǒng)中M＝4；在一個手勢的時間里，對每個標(biāo)簽的相位值 進行如下預(yù)處理：
若當(dāng)前時刻相位值和下一時刻相位值的差值大于5，則將下一時刻相位值加上2π；若當(dāng)前時刻下位置和下一時刻相位值的差值小于-5，則將下一時刻相位值減去2π；以此得到解纏后的相位值；
對于解纏后的相位值，若當(dāng)前時刻下位置和下一時刻相位值的差值大于2.5，則將下一時刻相位值加π；若當(dāng)前時刻下位置和下一時刻相位值的差值小于-2.5，則將下移時刻相位值減去π；以此得到模糊處理后的相位值；
對模糊處理后的相位值進行濾波處理，得到濾波后的相位值；
歸一化所述濾波后的相位值。
3.根據(jù)權(quán)利要求2所述的基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，其特征在于，步驟2)中，對于讀寫器的所有標(biāo)簽，手勢分割的具體實現(xiàn)過程包括：
利用歸一化后的相位值構(gòu)建 函數(shù)；
根據(jù)RFID系統(tǒng)中天線的讀取速率和手勢的快慢設(shè)定滑動窗口的長度，通過所述滑動窗口得到多個 函數(shù)值；
選擇所有 函數(shù)值中的最大值，根據(jù)該最大值得到當(dāng)前滑動窗口長度下所有標(biāo)簽的相位值和對應(yīng)的時間戳；
利用每個標(biāo)簽的第一個時間戳組成左時間戳集合，每個標(biāo)簽的最后一個時間戳組成右時間戳集合，判斷檢測邊框是否異常，若左時間戳集合中最小值-左時間戳集合中次小值<-
1或者右時間戳集合中最大值-右時間戳集合次大值>1，則發(fā)生異常，則刪除左時間戳集合的最小值或右時間戳集合最大值異常的檢測邊框；
將左時間戳集合中剩下的最小值和右時間戳集合中剩下的最大值確定為檢測邊框的左、右邊框，即分割的起始和結(jié)束時間，將對應(yīng)的歸一化相位分割出來。
4.根據(jù)權(quán)利要求1所述的基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，其特征在于，所述粗粒度的統(tǒng)計特征包括集中趨勢、離散程度和分布形態(tài)。
5.根據(jù)權(quán)利要求1所述的基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，其特征在于，所述細粒度的小波變換特征的具體提取過程包括：
1)利用線性插值方法將手勢分割后的數(shù)據(jù)分割為等長度的數(shù)據(jù)段；
2)利用小波分解對線性插值處理后的數(shù)據(jù)進行分解，得到細粒度的小波變換特征。
6.一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別系統(tǒng)，其特征在于，包括：
讀寫器，用于收集來自用戶的手勢信號，所述手勢信號包括時間戳和相位值；
預(yù)處理單元，用于對所述手勢信號進行預(yù)處理，得到歸一化后的相位值，利用所述歸一化后的相位值進行手勢分割；
建模單元，用于提取經(jīng)預(yù)處理單元處理后的信號的粗粒度的統(tǒng)計特征和細粒度的小波變換特征來構(gòu)建系統(tǒng)的分類器；
預(yù)測單元，用于將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，預(yù)測手勢。
基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明主要應(yīng)用于物聯(lián)網(wǎng)領(lǐng)域、RFID技術(shù)、手勢識別、機器學(xué)習(xí)領(lǐng)域，特別是一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)。
背景技術(shù)
[0002] 隨著計算機技術(shù)的發(fā)展，計算機從各個方面給我們的生活帶來了翻天覆地的變化。人們已經(jīng)與計算機密不可分，其中人與計算機的信息交互Human-Machine?Interface(HMI)[5]是至關(guān)重要的。在人機交互中最常見的交互方式就是通過簡單的機械裝置，如鍵盤和鼠標(biāo)，以及觸屏等方式。盡管上述的方式在我們目前的生活中處于主流的地位，但是我們還是不禁要想起是否要更加的自然，更加的符合人類習(xí)慣的人機交互方式。
[0003] 于是我們自然而然地想到了手勢。手勢是人類體征的一種，是我們在日常生活中不可缺少的一部分，如果計算機能夠直接識別人類日常生活中的手勢并將其轉(zhuǎn)化為機器指令，這將極大的解放通過特定的外接設(shè)備進行指令的輸入。在過去的科幻電影中，我們不禁想問他們是如何用手一揮就可以控制家中的電視、電腦和其他設(shè)備。隨著手勢識別技術(shù)的成熟，過去的科幻夢想正在迅速成為現(xiàn)實。
[0004] 目前通過手勢進行人機交互的研究主要分為兩個方向：一個是基于視覺的手勢識別[6]，通過攝像設(shè)備采集手勢動作信息作為手勢交互信息；另一種是基于計算機設(shè)備的，其中設(shè)備包含了很多種，比如數(shù)據(jù)手套[7]、傳感器[8]或者RFID[9]等終端設(shè)備進行采集手勢動作信息。而第二種是相對于第一種作為輸入的終端設(shè)備更自然、更人性化的人機交互方式。
[0005] 手勢識別的初期階段采用的是基于數(shù)據(jù)手套的輸入方式。該手套集成多個傳感器并與計算機相連，能夠直接獲取用戶的肢體運動信息。因為含有多個傳感器件，所以能夠準(zhǔn)確的獲取信息進而識別手勢，但是手套的價格比較昂貴，同時手套以及附屬連接線極大的降低了用戶的體驗感。針對數(shù)據(jù)手套價格過高的缺點，一些研究者通過在手上做標(biāo)記來簡化手勢識別的過程，但是其精確度卻沒那么高。為了綜合上述的兩種情況，研究者們借助傳感器相對便宜的優(yōu)勢在用戶手部貼上各種類型的傳感器來獲取數(shù)據(jù)信息?？墒且笥脩裘看味家獛蟼鞲衅鬟@一步驟在現(xiàn)實生活中始終不方便，學(xué)者們又開發(fā)基于視覺的手勢識別系統(tǒng)。該類系統(tǒng)收集的是圖像信息，它解放了過去可穿戴設(shè)備的手勢識別系統(tǒng)，但是在現(xiàn)實應(yīng)用中，手勢通常處于復(fù)雜的環(huán)境下，例如在光線過亮或者光線不好的條件下，基于視覺的手勢識別的應(yīng)用就無法正常工作了。于是出現(xiàn)了基于RFID(射頻識別Radio?Frequency?Identification)系統(tǒng)的手勢識別。
[0006] 現(xiàn)有的基于RFID的手勢識別系統(tǒng)主要分為戴設(shè)備的軌跡跟蹤法和不戴設(shè)備的模板匹配法。在用戶體驗方面，免設(shè)備這類占據(jù)優(yōu)勢。它將手勢的動作看成是一個由靜態(tài)手勢圖像所組成的序列或者是一組信號數(shù)據(jù)向量，然后將待識別的手勢序列與已知的手勢模板序列進行比較，從而識別出手勢。其中識別效果最好的方法是利用動態(tài)時間規(guī)整算法(Dynamic?Time?Warping-DTW)[10]來匹配模板。而從我們的了解來看，該算法的時間復(fù)雜度比較高，具體時間復(fù)雜度在后文進行分析，在匹配模板時耗時較長，有較高的滯后性。同時其擴展性也不好，隨著動作的增加，模板數(shù)量也不斷增多，既會影響識別的精確度，又加重了系統(tǒng)的滯后性。本發(fā)明所用到的名詞解釋如下：
[0007] 相位：對于一個波，特定的時刻在它循環(huán)中的位置，一種它是否在波峰、波谷或它們之間的某點的標(biāo)度。相位描述信號波形變化的度量，通常以度(角度)作為單位，也稱作相角。當(dāng)信號波形以周期的方式變化，波形循環(huán)一周即為360°。免戴設(shè)備：指的是用戶本身不需要攜帶任何設(shè)備。
發(fā)明內(nèi)容
[0008] 本發(fā)明所要解決的技術(shù)問題是，針對現(xiàn)有技術(shù)不足，提供一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法及系統(tǒng)，在短時間內(nèi)識別手勢，且保證識別精度。
[0009] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別方法，包括以下步驟：
[0010] 1)讀寫器收集來自用戶的手勢信號，所述手勢信號包括時間戳和相位值；
[0011] 2)對所述手勢信號進行預(yù)處理，得到歸一化后的相位值，利用所述歸一化后的相位值進行手勢分割；
[0012] 3)提取經(jīng)步驟2)處理后的信號的粗粒度的統(tǒng)計特征和細粒度的小波變換特征來構(gòu)建系統(tǒng)的分類器；
[0013] 4)將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，預(yù)測手勢。
[0014] 每個所述讀寫器監(jiān)聽M個標(biāo)簽；在一個手勢的時間里，對每個標(biāo)簽的相位值進行如下預(yù)處理：
[0015] 若當(dāng)前時刻相位值和下一時刻相位值的差值大于5，則將下一時刻相位值加上2π；若當(dāng)前時刻下位置和下一時刻相位值的差值小于-5，則將下一時刻相位值減去2π；以此得到解纏后的相位值；
[0016] 對于解纏后的相位值，若當(dāng)前時刻下位置和下一時刻相位值的差值大于2.5，則將下一時刻相位值加π；若當(dāng)前時刻下位置和下一時刻相位值的差值小于-2.5，則將下移時刻相位值減去π；以此得到模糊處理后的相位值；
[0017] 對模糊處理后的相位值進行濾波處理，得到濾波后的相位值；
[0018] 歸一化所述濾波后的相位值。
[0019] 步驟2)中，對于讀寫器的所有標(biāo)簽，手勢分割的具體實現(xiàn)過程包括：
[0020] 利用歸一化后的相位值構(gòu)建 函數(shù)；
[0021] 根據(jù)RFID系統(tǒng)中天線的讀取速率和手勢的快慢設(shè)定滑動窗口的長度，通過所述滑動窗口得到多個 函數(shù)值；
[0022] 選擇所有 函數(shù)值中的最大值，根據(jù)該最大值得到當(dāng)前滑動窗口長度下所有標(biāo)簽的相位值和對應(yīng)的時間戳；
[0023] 利用每個標(biāo)簽的第一個時間戳組成左時間戳集合，每個標(biāo)簽的最后一個時間戳組成右時間戳集合，判斷檢測邊框是否異常，若左時間戳集合中最小值-左時間戳集合中次小值<-1或者右時間戳集合中最大值-右時間戳集合次大值>1，則發(fā)生異常，則刪除左時間戳集合的最小值或右時間戳集合最大值異常的檢測邊框；
[0024] 將左時間戳集合中剩下的最小值和右時間戳集合中剩下的最大值確定為檢測邊框的左、右邊框，即分割的起始和結(jié)束時間，將對應(yīng)的歸一化相位分割出來。所述粗粒度的統(tǒng)計特征包括集中趨勢、離散程度和分布形態(tài)。
[0025] 所述細粒度的小波變換特征的具體提取過程包括：
[0026] 1)通過如下公式進行線性插值，得到等個數(shù)的分割數(shù)據(jù)： 其中tj表示第j個特定查詢點，φj表示第j個特定查詢點的相位值；
[0027] 2)利用小波分解對所述分割數(shù)據(jù)進行特征提取，得到細粒度的小波變換特征。
[0028] 采用Daubechies小波對所述分割數(shù)據(jù)進行特征提取。
[0029] 本發(fā)明還提供了一種基于RFID系統(tǒng)的實時精確且無接觸的手勢識別系統(tǒng)，其包括：
[0030] 讀寫器，用于收集來自用戶的手勢信號，所述手勢信號包括時間戳和相位值；預(yù)處理單元，用于對所述手勢信號進行預(yù)處理，得到歸一化后的相位值，利用所述歸一化后的相位值進行手勢分割；
[0031] 建模單元，用于提取經(jīng)預(yù)處理單元處理后的信號的粗粒度的統(tǒng)計特征和細粒度的小波變換特征來構(gòu)建系統(tǒng)的分類器；
[0032] 預(yù)測單元，用于將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，預(yù)測手勢。
[0033] 與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果為：本發(fā)明通過機器學(xué)習(xí)方法進行手勢識別，既克服了數(shù)據(jù)手套和傳感器等穿戴式終端設(shè)備固有的缺點和因產(chǎn)品價格昂貴而無法普及的問題，實現(xiàn)了免設(shè)備而使得人機交互更加自然，又克服了基于視覺的手勢識別在光線不好時無法工作的不便，實現(xiàn)了用戶在無光時晚上需要起夜時揮手就能控制室內(nèi)的燈光的功能。在0.2s內(nèi)即能識別手勢并作出響應(yīng)，極大地縮短了識別時間，且保證了識別精度。附圖說明
[0034] 圖1為收集到手勢信息的原始信號圖；
[0035] 圖2為原始信號中發(fā)生了相位纏繞圖；
[0036] 圖3為處理后的連續(xù)相位信號圖；
[0037] 圖4為S-Golay濾波后的相位圖；
[0038] 圖5為相位的歸一化；
[0039] 圖6為正常情況下手勢分割檢測；(a)各個標(biāo)簽獨自檢測；(b)最后統(tǒng)一邊界；
[0040] 圖7為異常情況下手勢分割檢測；(a)各個標(biāo)簽獨自檢測；(b)最后排除異常統(tǒng)一邊界；
具體實施方式
[0043] 在我們的系統(tǒng)中需要使用到的硬件包括以下：其中impinj?Speedway讀寫器、圓極化Laird?S9028PCR天線和內(nèi)置Monza芯片型號為AZ-9654的無源標(biāo)簽，讀寫器需要通過外界電源進行工作，其另一端包括4個天線端口，通過其中一個端口用饋線與天線相連，來給標(biāo)簽發(fā)送信號。標(biāo)簽利用接收到的信號作為能量，并通過反射信號與讀寫器進行通信。以上構(gòu)成了RFID系統(tǒng)模塊，讀寫器通過Ethernet端口利用網(wǎng)線與PC機相連，作為我們系統(tǒng)的輸入設(shè)備來獲取用戶的手勢動作信息。
[0044] (2)所需軟件設(shè)備
[0045] 我們使用的是Java開發(fā)環(huán)境，在MyEclipse軟件中導(dǎo)入OctaneSDKJava-1.22.0.30的jar包，在高度集成的Impinj產(chǎn)品環(huán)境中編寫控制我們RFID系統(tǒng)的代碼。我們采集的手勢信息包括標(biāo)簽的EPC、時間戳和相位。然后將這些信息導(dǎo)入Matlab應(yīng)用程序中對其進行預(yù)處理和分析，最終我們將提取出來的屬性特征打上標(biāo)簽，利用Weka軟件的算法進行訓(xùn)練和測試。
[0046] (3)場景布置
[0047] 在我們設(shè)計的場景中，我們的4個標(biāo)簽貼在墻上成一個正方形，標(biāo)簽之間的距離為0.4M，天線距離正對正方形兩對角線交點0.5M；用戶的手貼著墻壁在正方形內(nèi)做手勢。
[0048] 本發(fā)明實現(xiàn)過程如下：
[0049] 1)讀寫器收集來自用戶的手勢信號包括時間戳和相位值；
[0050] 2)將收集的信號進行預(yù)處理以及手勢分割；
[0051] 3)將分割出來的信號提取粗粒度的統(tǒng)計特征和細粒度的小波變換特征來構(gòu)建系統(tǒng)的分類器；
[0052] 4)最后實現(xiàn)將獲取的數(shù)據(jù)輸入到的構(gòu)建好的分類器，系統(tǒng)將做出手勢的預(yù)測。
[0053] 步驟2)中，相位預(yù)處理的具體過程包括：
[0054] 1)相位解纏與相位模糊處理：從輸入終端設(shè)備RFID系統(tǒng)收集到手勢的原始相位信息如圖1所示，可以看到4個標(biāo)簽的數(shù)據(jù)非常的凌亂。這是因為相位信號出現(xiàn)了相位纏繞和相位模糊[1]。如圖2中的矩形框所示處就是出現(xiàn)相位纏繞的地方。相位纏繞現(xiàn)象的出現(xiàn)是因為相位角是一個0到2pi或-pi到pi的值。我們可以看到，當(dāng)相位值達到2pi時它會跳到0，所以我們需要在發(fā)生跳變的值上加上2pi使圖像變得連續(xù)。相位模糊則是圖1中尖刺處，其相位值與真實的相位值相差一個pi。故我們通過識別出發(fā)生倒pi現(xiàn)象的值加上pi便使得圖像變得連續(xù)。處理后得到如圖3所示的連續(xù)的數(shù)據(jù)；
[0055] 2)相位平滑處理：我們使用的是Savitzky-Golay濾波器[2]來平滑我們的信號如圖4所示；
[0056] 3)相位歸一化處理：為了減少環(huán)境對相位的影響，以及不同量綱之間的差異，我們將相位值按如下公式進行歸一化處理，歸一化只是將數(shù)據(jù)按比例縮放，它只是形式上發(fā)生了變化使其值落入特定范圍內(nèi)如圖5所示。
[0057]
[0058] 其中 和 分別表示相位的均值，最大值和最小值。
[0059] 手勢分割，將發(fā)生動作的信號提取出來，其具體步驟包括：
[0060] 1)單標(biāo)簽手勢邊界的檢測：我們應(yīng)用Modified?Varri?Method[3]來得到每個標(biāo)簽的手勢分割邊界。該方法使用基于滑動窗口的振幅測量與頻率測量的結(jié)合來獲取局部最大值進而確定邊界如圖6(a)所示。函數(shù)公式如下：
[0061]
[0062]
[0063]
[0064] 其中，L＝60為滑動窗口的長度，我們設(shè)置為60是根據(jù)RFID系統(tǒng)中天線的讀取速率以及手勢的快慢決定的。 分別表示第i個窗口的振幅和頻率值， 表示第k個相位值。
[0065] 2)統(tǒng)一手勢邊界決策：通過對每個標(biāo)簽進行 函數(shù)的檢測之后，得到了每個標(biāo)簽的手勢邊界值。然后將4個標(biāo)簽窗口的左邊也就是檢測到動作開始的時間歸為一組記為Bl,j，再將4個標(biāo)簽窗口右邊即動作結(jié)束的時間歸為另外一組記為Br,j。最終的手勢邊界如圖6(b)所示，其決策表示為：
[0066] Bl＝min(Bl，j)
[0067] Br＝max(Br，j)
[0068] 其中1≤j≤4,表示第j個標(biāo)簽。
[0069] 3)異常情況處理：在現(xiàn)實情況中，可能會出現(xiàn)如圖7(a)所示。在做動作時把標(biāo)簽給遮擋住而無信號的緣故或者因為動作發(fā)生地距離某一個標(biāo)簽比較遠而導(dǎo)致該標(biāo)簽的信號變化小，在應(yīng)用G函數(shù)在檢測動作時，在上述的幾種情況都有可能發(fā)生偏差。于是提出了一個基于閾值的方法來處理此異常情況。設(shè)閾值δ＝1，當(dāng)左邊組最小值比左邊組的第二小的值小1即Bleft1-Bleft2＜-δ我們則將Bleft2作為動作的起始點，同理當(dāng)Bright4-Bright3＞δ,我們將Bright3作為動作的結(jié)束時間。最終如圖7(b)
[0070] 所示，正確的實現(xiàn)手勢分割。
[0071] 步驟3)中，利用分割出來的手勢信息進行粗粒度的統(tǒng)計特征提取，其具體統(tǒng)計特征包括：
[0072] 1)集中趨勢包括：眾數(shù)、中位數(shù)、上下四分位數(shù)和算數(shù)均值；
[0073] 2)離散程度包括：最大值、最小值、方差、標(biāo)準(zhǔn)差、三階中心距；
[0074] 3)分布形態(tài)包括：峰度和偏度。
[0075] 步驟3)中，利用所述分割出來的手勢信息進行細粒度的小波變化系數(shù)的特征，其具體實現(xiàn)過程包括：
[0076] 1)插值：由于讀寫器讀寫的標(biāo)簽是隨機的，故在同一時間段內(nèi)分割出來的數(shù)據(jù)長度不等，故通過如下公式進行線性插值：
[0077]
[0078] 其中tj表示第j個特定查詢點，φj表示第j個特定查詢點的相位值。我們的查詢點是通過將截取下來的時間段分成99份，故每段時間可以得到100個特定查詢點。
[0079] 2)小波分解三級：我們得到等個數(shù)的分割數(shù)據(jù)后利用小波分解對其進行特征提取。我們選用的小波基是Daubechies小波(dbN)[4]，由于其具有較好的正則性，即該小波作為稀疏基所引入的光滑誤差不容易被察覺。同時dbN小波的特點是隨著階次(序列N)的增大消失矩階數(shù)越大，其中消失矩越高光滑性就越好，頻域的局部化能力就越強，頻帶的劃分效果越好，但是會使時域緊支撐性減弱，同時計算量大大增加，實時性變差。所以我們根據(jù)經(jīng)驗選擇折中的db2做我們的小波基。為了減小小波變換系數(shù)的冗余度，我們使用離散小波變換，其公式如下：
[0080]
[0081] 其中尺度參數(shù)離散化 a0>1,j∈Z平移參數(shù)離散化 b0＞0,k∈Z。通過對分解各級的數(shù)據(jù)進行精度測試，如表1所示，小波分解三級時精度最高。
[0082] 步驟4)中，具體實現(xiàn)過程包括：
[0084] 本發(fā)明的具體實現(xiàn)過程如下：
[0085] 首先，我們通過讀寫器監(jiān)聽4個標(biāo)簽，標(biāo)簽不斷返回相位值和時間戳給讀寫器，然后讀寫器反饋給電腦。在一個手勢的時間段里，我們可以得到每個標(biāo)簽的相位值和時間戳 其中j＝1,2,3,4表示標(biāo)簽；i＝1,2,…,n代表第i個值。每個動作我們會輸入8個向量 T1, T2, T3, T4。
[0086] 一、相位預(yù)處理：
[0087] 1.相位解纏：
[0088] 輸入
[0089] 如果 我們則認為發(fā)生了相位纏繞，
[0090] 那么 ，如果 則 如果 則
[0091] 時間戳 不做處理。
[0092] 2.相位模糊處理：
[0093] 輸入相位解纏后的
[0094] 如果 我們則認為發(fā)生了相位模糊，
[0095] 那么，如果 則 如果 則
[0096] 時間戳 不做處理。
[0097] 3.濾波：
[0098] 同理輸入相位模糊處理后的
[0099] 利用Savitzky-Golay濾波器[2]，在matlab工具中可直接調(diào)用該函數(shù)其中5代表階數(shù)，11代表計算階數(shù)的相位的個數(shù)?？奢敵?/div>
[0100] 時間戳 不做處理。
[0101] 4.歸一化：
[0102] 輸入的還是由濾波后的
[0103]
[0104] 其中 分布表示標(biāo)簽j相位的均值，最大值和最小值。
[0105] 時間戳 不做處理。
[0106] 二、手勢分割
[0107] 1.單標(biāo)簽的的手勢邊界檢測，我們有4個標(biāo)簽，
[0108] 輸入是歸一化后的相位 我們應(yīng)用Modified? Varri?Method[3]來得到每個標(biāo)簽的手勢分割邊界。該方法使用基于滑動窗口的振幅測量與頻率測量的結(jié)合來獲取局部最大值，函數(shù)公式如下：
[0109]
[0110]
[0111]
[0112] 其中，L＝60表示滑動窗口的長度，我們設(shè)置為60是根據(jù)RFID系統(tǒng)中天線的讀取速率以及手勢的快慢決定的。 分別表示標(biāo)簽j的第k＝1,2,…,n-60個窗口的振幅和頻率值。通過滑動窗口，我們可以得到n-60+1個 和 值，以及n-60個值。
[0113] 我們選擇 假設(shè)是當(dāng)k＝a時得到最大的我們可以反推出是 60個歸一化后的相位值得到的 以及對應(yīng)的
于是我們得到檢測的邊框B，重復(fù)對4個(向量)歸一化后的相位值計算
于是我們得到檢測的邊框B，重復(fù)對4個(向量)歸一化后的相位值計算
[0114] 最后輸出左邊框集合 右邊框集合
[0115] 2.異常檢測
[0116] 輸入左邊框集合 右邊框集合
[0117] 如果Blmin1-Blmin2＜-1則表明左邊界發(fā)生了異常，我們將刪除Blmin1[0118] 如果Brmax1-Brmax2＞1則表明右邊界發(fā)生了異常我們將刪除Brmax1[0119] 其中Blmin1，Blmin2，Brmax1，Brmax2分別表示左邊框集合中最小值和第2小值，右邊框的最大值和第二大的值。
[0120] 輸出集合Bl，Br，檢測出異常的集合只有3個值，沒有異常的有4個值。
[0121] 3.數(shù)據(jù)分割
[0122] 輸入集合Bl，Br，歸一化后的相位 和時間戳
[0123] 我們選擇最小的Blmin和最大的Brmax，
[0124] Blmin＝min(Bl),Brmax＝max(Br),
[0125] 我們得到本次動作的時間分割點Blmin，Brmax，
[0126] 分割出來的時間 都滿足 以及每個時間戳對應(yīng)的 輸出和Blmin，Brmax。
[0127] 三、信號分析
[0128] 1.統(tǒng)計特征：
[0129] 輸入 j＝1,2,3,4
[0130] 進行以下的13個統(tǒng)計特征計算：
[0131] 4)集中趨勢包括：眾數(shù)、中位數(shù)、上下四分位數(shù)和算數(shù)均值；
[0132] 5)離散程度包括：最大值、最小值、方差、標(biāo)準(zhǔn)差、三階中心距，極差；
[0133] 6)分布形態(tài)包括：峰度和偏度。
[0134] 輸出13*4個粗粒度的統(tǒng)計特診值(F1,F2,…,F52)。
[0135] 2.插值：
[0136] 由于讀寫器每次都是隨機讀取4個標(biāo)簽中的一個，導(dǎo)致向量 的長度不一樣。所以我們要進行插值法，使向量 的長度一致。輸入：
j＝1,2,3,4，Blmin，Brmax利用線性插值
法：
j＝1,2,3,4，Blmin，Brmax利用線性插值
法：
[0137]
[0138] 其中 表示第i個特定查詢點， 是我們要求的值，表示第i個特定查詢點的相位值, 表示在 中不超過 的最大值， 表示在 中超過 的最小值， 和分別表示對應(yīng)的 與 我們的查詢點是通過將截取下來的時間段分成99份，即故每段時間可以得到100個特定查詢點。
[0139] 輸出 j＝1,2,3,4
[0140] 3.小波分解
[0141] 輸入 j＝1,2,3,4，小波基db2＝(-0.129409522550921,0.224143868041857,0.836516303737469,0.482962913144690)
[0142] 我們使用離散小波分解，選用的小波基是Daubechies小波(db2)，[0143] 我們將4個長度為100的 向量連接成一個長度為400的向量即使用matlab的小波分解
函數(shù)
函數(shù)
[0144] 輸出細粒度的統(tǒng)計特診值(F53,F54,…,F104)。
[0145] 四、訓(xùn)練與測試
[0146] 1.建立訓(xùn)練模型
[0147] 至此我們的每一個動作都可以用這104個特征表示，然后我們再根據(jù)手勢的真實情況為每一條記錄標(biāo)記一個動作類別。為每個動作訓(xùn)練100次，并使用weka工具，建立分類器。
[0148] 2.測試
[0149] 當(dāng)用戶做一個手勢之后，經(jīng)過前面的三個大步驟后會輸出一個長度為104的特征向量F(F1,F2,…,F104)，然后輸入到weka工具的分類器中用隨機深林算法，做出動作類別的預(yù)測。
[0150] 我們提出了首個實時的、精確的、無接觸的、免戴設(shè)備的手勢識別系統(tǒng)。它通過收集由RFID設(shè)備產(chǎn)生的相位信息，將相位信息進行處理后對手勢進行分割，然后對其進行特征提取，最后利用隨機森林算法進行分類。我們實現(xiàn)了其識別精度為96.5％的同時只需要0.01s就能識別一個未知手勢的速度。它在保證識別的正確性下，極大的提高了手勢的識別的實時性，因此極大的提高了用戶的體驗感。參考文獻：
[0151] [1]Zuo,Chao,et?al."Temporal?phase?unwrapping?algorithms?for?fringe?projection?profilometry:A?comparative?review."Optics?and?Lasers? in?Engineering?85?(2016):84-103.
[0152] [2]Schafer,Ronald?W."What?is?a?Savitzky-Golay?filter？[lecture?notes]."IEEE?Signal?processing?magazine?28.4(2011):111-117.
[0153] [3]Azami,Hamed,Karim?Mohammadi,and?Behzad?Bozorgtabar."An?improved?signal?segmentation?using?moving?average?and?Savitzky-Golay?filter."Journal?of?Signal?and?Information?Processing?3.01(2012):39.
[0154] [4]Amin,Hafeez?Ullah,et?al."Feature?extraction?and?classification?for?EEG?signals?using?wavelet?transform?and?machine?learning?techniques."Australasian?physical?&engineering?sciences?in?medicine?38.1(2015):139-149.[0155] [5]Cannan,James,and?Huosheng?Hu."Human-machine?interaction(hmi):A?survey."University?of?Essex(2011).
[0156] [6]Rautaray,Siddharth?S.,and?Anupam?Agrawal."Vision?based?hand?gesture?recognition?for?human?computer?interaction:a?survey."Artificial?Intelligence?Review?43.1(2015):1-54.
[0157] [7]Ohn-Bar,Eshed,and?Mohan?Manubhai?Trivedi."Hand?gesture?recognition?in?real?time?for?automotive?interfaces:A?multimodal?vision-based?approach?and?evaluations."IEEE?transactions?on?intelligent?transportation?systems?15.6(2014):2368-2377.
[0158] [8]Ahmed,Washef,Kunal?Chanda,and?Soma?Mitra."Vision?based?hand?gesture?recognition?using?dynamic?time?warping?for?Indian?sign?language."Information?Science(ICIS),International?Conference?on.IEEE,2016.[0159] [9]Oyedotun,Oyebade?K.,and?Adnan?Khashman."Deep?learning?in?vision-based?static?hand?gesture?recognition."Neural?Computing?and?Applications?28.12(2017):3941-3951.
[0160] [10]Celebi,Sait,et?al."Gesture?recognition?using?skeleton?data?with?weighted?dynamic?time?warping."VISAPP(1).2013
[0161] [11]Xiao,Feng,et?al."Security?Protocol?for?RFID?System?Conforming?to?EPC-C1G2?Standard."JCP?8.3(2013):605-612.
| 標(biāo)題 | 發(fā)布/更新時間 | 閱讀量 |
|---|---|---|
| 一種基于車載經(jīng)緯儀的自定位系統(tǒng)及方法 | 2020-05-08 | 260 |
| 一種考慮相機姿態(tài)變化的大跨橋梁多點撓度測量方法 | 2020-05-08 | 121 |
| 一種站點模板的處理方法及裝置 | 2020-05-11 | 610 |
| 基于可穿戴腦電設(shè)備的偽跡去除和腦電信號質(zhì)量評估方法 | 2020-05-11 | 425 |
| 一種基于邊緣的深度學(xué)習(xí)圖像去運動模糊方法 | 2020-05-11 | 397 |
| 一種含噪聲模糊的高能閃光圖像去模糊方法 | 2020-05-11 | 231 |
| 一種拍照的方法和裝置 | 2020-05-11 | 194 |
| 一種實時檢測及控制空心螺柱焊電弧旋轉(zhuǎn)的方法與裝置 | 2020-05-08 | 307 |
| 一種基于OCR和文本處理技術(shù)識別網(wǎng)貸網(wǎng)站的方法及系統(tǒng) | 2020-05-08 | 113 |
| 一種基于語義的生產(chǎn)線設(shè)備故障診斷系統(tǒng)及方法 | 2020-05-11 | 429 |
高效檢索全球?qū)＠?/div>專利匯是專利免費檢索,專利查詢,專利分析-國家發(fā)明專利查詢檢索分析平臺，是提供專利分析，專利查詢，專利檢索等數(shù)據(jù)服務(wù)功能的知識產(chǎn)權(quán)數(shù)據(jù)服務(wù)商。
我們的產(chǎn)品包含105個國家的1.26億組數(shù)據(jù)，免費查、免費專利分析。
分析報告專利匯分析報告產(chǎn)品可以對行業(yè)情報數(shù)據(jù)進行梳理分析，涉及維度包括行業(yè)專利基本狀況分析、地域分析、技術(shù)分析、發(fā)明人分析、申請人分析、專利權(quán)人分析、失效分析、核心專利分析、法律分析、研發(fā)重點分析、企業(yè)專利處境分析、技術(shù)處境分析、專利壽命分析、企業(yè)定位分析、引證分析等超過60個分析角度，系統(tǒng)通過AI智能系統(tǒng)對圖表進行解讀，只需1分鐘，一鍵生成行業(yè)專利分析報告。
去模糊熱門專利
QQ群二維碼
意見反饋
意見反饋