CN104615244A - 手势自动识别方法及系统 - Google Patents
手势自动识别方法及系统 Download PDFInfo
- Publication number
- CN104615244A CN104615244A CN201510035366.7A CN201510035366A CN104615244A CN 104615244 A CN104615244 A CN 104615244A CN 201510035366 A CN201510035366 A CN 201510035366A CN 104615244 A CN104615244 A CN 104615244A
- Authority
- CN
- China
- Prior art keywords
- gesture
- condition information
- channel condition
- automatic
- wireless
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Multimedia (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种手势自动识别方法及系统，基于无线网络信号传输技术，所述方法的步骤包括：无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；利用异常检测算法识别信道状态信息变化的异常；基于可以将多类目标动作类进行区分的SVM算法，以人体手势动作导致信道状态信息变化的模式为目标动作类，来识别手势动作，若识别，则可以响应手势的定义。本发明的识别方法误报率较低；利用现有的无线网络及设备，无需安装其他特定的检测设备，具有极高的普及性；同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便。
Description
技术领域
本发明涉及数据处理技术，尤其涉及一种手势自动识别方法及系统。
背景技术
随着计算机的普及，人机交互（Human-Computer Interaction, 简称HCI）变得越来越重要。人机交互是指是指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算机之间的信息交换过程[1]。它的主要目标是实现人与机器的和谐交流。我们知道，人与人之间可以通过多种方式，但人与机器之间往往都是单一的，机械的，呆板的。因此，使机器能够感知人类语言，对于提高人机交互具有重大意义。手势，作为一种直观、形象、富含大量交互信息、容易学习、具有很强视觉冲击的人体语言，完全可以作为一种人机交互的重要手段。用户可以定义适当的手势和机器进行顺畅的交流。
随着经济的发展，人们越来越想追求高科技的生活。因此手势识别的应用十分广泛。聋哑人可以通过手势识别系统与正常人进行交流；人们可以通过手势控制家庭电器，如开关灯，播放影音等等，从而实现智能家居；我们可以通过手势识别，实现虚拟现实，如玩体感游戏等等。
关于手势识别的研究，目前可以分为以下几类。（1）基于红外的手势识别，如微软的Xbox Kinect游戏机。它不需要玩家手持或脚踏控制器，而是使用手势来操作。它能捕捉玩家的全身上下的动作，用身体来进行游戏，给玩家带来前所未有的感受。（2）基于视觉的手势识别，如ios的首款体感交互游戏（Grows coming）。玩家只要调整与iPhone的前置摄像头的距离，直到软件正确识别用户人脸后，通过左右摇动就可以控制游戏中角色。（3）基于可穿戴的sensor，如使用手机在空中书写阿拉伯数字，通过加速度传感器和地磁传感器模块来实现手势识别。（4）基于声波的手势识别，如Elliptic Lab开发的基于超声波的低功耗非触摸手势控制技术。Elliptic Labs方案利用声波来辨识手部动作，让设备感应180度视野内的3D手势，可以辨识焦距达50公分的近场和空中手势。（5）基于无线信号的手势识别，如WiSee。通过捕捉微弱的多普勒效应变化以及人体在环境中移动导致的WiFi信号变形实现的。当人体在WiFi的覆盖中做出某个动作时，那接收器就能获取到对应的多普勒效应的变化。然后将不同手势跟不同的多普勒效应变化对应起来，进行手势识别。
以上的方法，要么太昂贵，要么用到特殊的工具，不能大量产业化。
发明内容
为了克服上述所指的现有技术中的不足之处，本发明提供一种手势自动识别方法及系统，以在特定的室内环境中，通过利用现有的无线网络及设备，实现对手势动作的有效的识别，并达到及时响应和反馈的功能。
本发明是通过以下技术方案实现的：
一种手势自动识别方法，基于无线网络信号传输技术，其步骤包括：
S1、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
S2、利用异常检测算法识别信道状态信息变化的异常；
S3、基于将多类目标动作类进行区分的SVM算法，以人体手势动作导致信道状态信息变化的模式为目标动作类，来识别手势动作，若识别，则响应手势的含义，否则继续执行步骤S1。
进一步地，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。
所述步骤S1评估信道状态信息包括：
S11、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；
S12、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；
S13、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。
进一步地，所述步骤S2包括：
S21、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；
S22、当所述局部异常因子大于或等于预设阀值时，将子序列作为异常模式输出。
进一步地，所述步骤S3包括：
S31、基于统计学习理论，预先建立以设定空间内由于各项手势动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
S32、将步骤S22输出的异常模式映射至SVM算法的高维特征模型中，分离出目标动作类；
S33、识别发生的手势动作，响应手势的定义。
本发明的手势自动识别方法还包括：步骤S4，反馈针对识别结果的响应信息，调整SVM算法的高维特征模型。
本发明还提供了一种手势自动识别系统，基于无线网络信号传输技术，包括：
CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常；
动作识别模块，用于基于将多类目标动作类进行分类的SVM算法，以手势动作所导致的异常模式为目标动作类，识别手势动作，若识别，那么执行响应识别模块，否则执行CSI获取模块；
响应识别模块，用于当识别发生手势动作时，执行所定义的含义。
进一步地，所述CSI获取模块包括：
感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；
数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；
平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
进一步地，所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括：
LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；
异常输出单元，用于当所述局部异常因子大于或等于预设阀值时，将子序列作为异常模式输出。
进一步地，所述动作识别模块包括：
建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项手势动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
动作识别单元，用于将异常输出单元所输出的异常模式映射至SVM算法的高维特征模型中，分离出目标动作类。
本发明的手势自动识别系统还包括一反馈模块，用于反馈针对识别手势动作的响应信息，调整SVM算法的高维特征模型。
与现有技术相比，本发明基于室内环境下的无线电传播机制，将信道状态信息CSI与手势动作建立联系，通过CSI的变化判断手势发生的动作，识别出手势的动作，从而实现响应手势的定义，并利用系统的自学习功能处理误报情况，进一步降低误报率；本检测方法是在现有的无线网络及设备的基础上，进行手势动作的识别工作，被检测环境中无需安装其他特定的检测设备，可以在家庭的任何环境中使用，具有极高的普及性，同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便，为其生活提供了便利。
附图说明
附图1为本发明的一种实施例的手势自动识别方法的实现流程示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合附图和实施例对本发明作进一步的描述。
一种手势自动识别方法，基于无线网络信号传输技术，其步骤包括：
S1、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
S2、利用异常检测算法识别信道状态信息变化的异常；
S3、基于可以将多类目标动作类进行区分的SVM算法，以人体手势动作导致信道状态信息变化的模式为目标动作类，来识别手势动作，若识别，则可以响应手势的定义，否则继续执行步骤S1。
在实际应用中，本发明的手势自动识别方法可在应用服务器上实现。优选地，所述无线接收端为无线网卡，所述无线发射端为无线路由器，该方法基于室内环境下的无线电传播机制，建立无线信号和手势动作的关系，只需要使用家庭现有的无线网络设备，即能够通过对被检测者手势动作变化而造成的无线信号的改变进行分析，识别出被检测者手势动作并进行响应，减小了周围环境因素对手势活动识别的影响，将大大的提高手势识别的的正确率。在特定的室内环境中，可通过无线网卡收集无线网络的丰富的信道状态信息。在本发明中，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。系统中分别由多根天线来发送和接收无线信号；系统所使用的无线网卡可以接收信道状态信息。优选地，无线发射端和无线接收端的数目均为2个或者3个。被检测环境中存在两个无线发射端（第一发射器和第二发射器）和两个无线接收端（第一接收端和第二接收端）。其中第一接收端接收来自第一发射器的CSI（Channel State Information 的缩写，即信道状态信息，在无线通信领域，CSI就是通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子），第二接收端接收来自第二发射器的CSI。在被检测环境中，被检测者无需携带其他额外设备。系统将利用两个无线接收端所接收的CSI来对被检测者手势的动作进行识别，并从而响应手势的定义。
为了建立无线信号和人体动作之间的联系，本发明采用无线网络的信道状态信息CSI作为指示物。CSI能够描述出在时间延迟、振幅衰减和相位转移的共同影响之下，一个信号的传播途径。基于室内环境下的无线电传播模型，本发明建立了CSI与手势动作之间的联系。在一个特定的室内环境中（如一个房间），存在一条主要传播路径和多个因为周围环境（天花板、地板和墙）影响而产生的反射路径。当被检测者处于该房间内，他的身体会产生多条散射路径。当被检测者在该环境中保持静止状态时，处于该环境内的接收端会接收到稳定的传播能量。而当被检测者的发生手势动作变化，例如被检测者向右边挥了一下手时，由手势影响而产生散射路径的散射点会迅速的改变位置，而这种突变会导致接收端所收到的能量发生变化。而通过这种变化，本发明将会识别出手势具体发生了哪种动作变化。本发明利用正交频分载波复用(Orthogonal Frequency Division Multiplex, OFDM)得到以子载波（subcarrier）形式存在的CSI。而使用这种方法得到的CSI与手势动作之间建立联系会提高对动作判断的准确率。
具体地，所述步骤S1中，评估信道状态信息包括：
S11、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；
S12、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；
S13、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
当本发明的系统开始工作时，无线发射端传播无线网络信号，同时处于特定区域内的无线接收端（如装有网卡的电脑）会收集CSI作为初始信道状态数据，然后进行数据处理。以使用3×3的多入多出技术（Multiple-Input Multiple-Out-put，MIMO）为例，在感应阶段得到的初始信道状态数据会被分成9个空间流，而在每一个流中会有30个子载波。经实验发现，手势动作的变化会对不同的空间流所包含的数据产生影响，而对每一个空间流中的所有子载波则会产生相似的影响。同时，实验表明，环境因素（如温度，房间的设置）也会造成收集的CSI有所起伏。因此，在本发明中，每一个独立的空间流中的30个子载波的CSI值被汇总成一个单独的信道状态信息。优选地，对每一个空间流，先求得连续5个子载波的CSI平均值，而且对9个空间流分别取同一时间点的CSI平均值作为信道状态信息。为了减小环境因素的干扰，本发明利用数据过滤技术和滑动平均方法，具体地，使用加权移动平均法（weighted moving average）对通过上述处理的信道状态信息进行平滑处理，以减少数据中的噪声。
所述步骤S2旨在检测出无线信号的异常改变。尽管不同的固定手势会导致不同的信号强度，但是其在时域中有相同的信号变化走势，并随着时间逐渐趋于稳定。而手势的动作，如向右挥挥手、向左挥挥手、向上挥挥手等会造成明显的信道状态信息的突然起伏。优选地，本发明利用基于局部异常因子（Local Outlier Factor）的异常检测算法，先对正常轮廓进行估计，然后计算局部异常因子，从而隔离出由各种人体动作导致的异常模式。
所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法，进一步地，包括：
S21、对信道状态信息的时间序列实施数据分割得到若干子序列，计算子序列的局部异常因子；
S22、当所述局部异常因子大于或等于预设阀值时，将子序列作为异常模式输出。
优选地，利用时间序列异常检测算法，可通过更为精确的检测标准限定，将静止不动这种姿势所对应的时间序列分离出去，排除这种常见的人体动作造成的异常模式。
在完成异常检测模块后，手势动作将因为造成信道状态信息的明显变化被检测到而输出对应的异常模式。然后，对这些异常模式将进入动作分析，从而识别异常模式是属于何种手势动作。本发明使用了基于从异常模式中所提取过的特征的SVM算法。
进一步地，所述步骤S3包括：
S31、基于统计学习理论，预先建立以设定空间内由于各项手势动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
S32、将步骤S22输出的异常模式映射至SVM算法的高维特征模型中，识别出手势动作类；
S33、识别手势动作，响应手势的定义。
本发明的手势自动识别方法还包括：步骤S4，反馈针对识别结果的响应信息，调整SVM算法的高维特征模型。当手势动作被识别出之后，将进入响应手势定义处理阶段。
具体地，如附图1所示，本发明提供了一种实施例的手势自动识别方法的实现流程，其步骤包括：
S301、无线接收端接收来自无线发射端的无线信号，同时采集初始信道状态数据；
S302、求取合并子载波的CSI平均值作为信道状态信息；
S303、对信道状态信息进行平滑处理；
S304、利用异常检测算法对信道状态信息的正常轮廓进行估计，计算局部异常因子；
S305、输出异常模式；
S306、将输出的异常模式映射至SVM算法的高维特征模型中；
S307、利用SVM算法进行分类；
S308、判断是否分离出手势动作类，若是，执行步骤S309，否则返回步骤S301；
S309、响应手势所定义的含义；
S310、向系统反馈异常模式参数，优化识别手势动作算法
本发明基于室内环境下的无线电传播机制，将信道状态信息CSI与手势动作建立联系，通过CSI的变化判断手势发生的动作，识别出手势的动作，从而实现响应手势的定义，并利用系统的自学习功能处理误报情况，进一步降低误报率；本检测方法是在现有的无线网络及设备的基础上，进行手势动作的识别工作，被检测环境中无需安装其他特定的检测设备，可以在家庭的任何环境中使用，具有极高的普及性，同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便，为其生活提供了便利。
以上内容是结合具体的优选方式对本发明所作的进一步详细说明，不应认定本发明的具体实施只局限于以上说明。对于本技术领域的技术人员而言，在不脱离本发明构思的前提下，还可以作出若干简单推演或替换，均应视为由本发明所提交的权利要求确定的保护范围之内。
Claims (10)
1. 一种手势自动识别方法，其特征在于，包括如下步骤：
S1、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
S2、利用异常检测算法识别信道状态信息变化的异常；
S3、基于将多类目标动作类进行区分的SVM算法，以人体手势动作导致信道状态信息变化的模式为目标动作类，来识别手势动作，若识别，则响应手势的定义，否则继续执行步骤S1。
2. 根据权利要求1所述的手势自动识别方法，其特征在于，在所述步骤S1中，评估信道状态信息包括如下步骤：
S11、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；
S12、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；
S13、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
3. 根据权利要求1所述的手势自动识别方法，其特征在于：在所述步骤S2中，利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。
4. 根据权利要求3所述的手势自动识别方法，其特征在于，所述步骤S2包括：
S21、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；
S22、当所述局部异常因子大于或等于预设阀值时，将子序列作为异常模式输出。
5. 根据权利要求4所述的手势自动识别方法，其特征在于：所述步骤S3包括：
S31、基于统计学习理论，预先建立以设定空间内由于各项手势动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
S32、将步骤S22输出的异常模式映射至SVM算法的高维特征模型中，分离出目标动作类；
S33、识别手势动作，响应手势的定义。
6. 根据权利要求1所述的手势自动识别方法，其特征在于，该手势自动识别方法还包括：步骤S4，反馈针对识别结果的响应信息，调整SVM算法的高维特征模型。
7. 一种手势自动识别系统，其特征在于，包括：
CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常；
动作识别模块，用于基于将多类目标动作类进行分类的SVM算法，以手势动作所导致的异常模式为目标动作类，识别手势动作，若识别，那么执行响应识别模块，否则执行CSI获取模块；
响应识别模块，用于当识别发生手势动作时，执行所定义的含义。
8. 根据权利要求7所述的手势自动识别系统，其特征在于，所述CSI获取模块包括：
感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；
数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；
平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
9. 根据权利要求7所述的手势自动识别系统，其特征在于：所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括：
LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；
异常输出单元，用于当所述局部异常因子大于或等于预设阀值时，将子序列作为异常模式输出。
10. 根据权利要求9所述的手势自动识别系统，其特征在于：所述动作识别模块包括：
建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项手势动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
动作识别单元，用于将异常输出单元所输出的异常模式映射至SVM算法的高维特征模型中，分离出目标动作类；
该手势自动识别系统还包括一反馈模块，用于反馈针对识别手势动作的响应信息，调整SVM算法的高维特征模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510035366.7A CN104615244A (zh) | 2015-01-23 | 2015-01-23 | 手势自动识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510035366.7A CN104615244A (zh) | 2015-01-23 | 2015-01-23 | 手势自动识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104615244A true CN104615244A (zh) | 2015-05-13 |
Family
ID=53149730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510035366.7A Pending CN104615244A (zh) | 2015-01-23 | 2015-01-23 | 手势自动识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104615244A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104888444A (zh) * | 2015-05-20 | 2015-09-09 | 深圳大学 | 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统 |
| CN105045390A (zh) * | 2015-07-08 | 2015-11-11 | 安徽瑞宏信息科技有限公司 | 一种人体上肢骨骼手势识别方法 |
| CN105807624A (zh) * | 2016-05-03 | 2016-07-27 | 惠州Tcl移动通信有限公司 | 一种通过vr设备控制智能家居设备的方法及vr设备 |
| CN105807935A (zh) * | 2016-04-01 | 2016-07-27 | 中国科学技术大学苏州研究院 | 一种基于WiFi的手势控制人机交互系统 |
| CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
| CN106610716A (zh) * | 2015-10-21 | 2017-05-03 | 华为技术有限公司 | 一种手势识别方法和装置 |
| CN107067031A (zh) * | 2017-03-29 | 2017-08-18 | 西北大学 | 一种基于Wi‑Fi信号的书法姿态自动识别方法 |
| CN107294621A (zh) * | 2016-07-05 | 2017-10-24 | 深圳大学 | 基于无线感知的湿度检测的方法及系统 |
| CN107728518A (zh) * | 2017-10-10 | 2018-02-23 | 长沙待电子科技有限公司 | 多功能智能人机交互控制系统及其控制方法 |
| CN107797153A (zh) * | 2017-10-23 | 2018-03-13 | 上海百芝龙网络科技有限公司 | 一种基于WiFi信号的门窗开闭状态检测方法 |
| CN108027661A (zh) * | 2015-09-21 | 2018-05-11 | 高通股份有限公司 | 将wi-fi用作人类控制接口 |
| CN108416974A (zh) * | 2018-01-23 | 2018-08-17 | 中国矿业大学 | 基于无线信道状态信息的自动报警装置及方法 |
| KR101906880B1 (ko) * | 2017-03-10 | 2018-12-05 | 가온미디어 주식회사 | 무선랜 파라미터 동요에 기초한 모션 감지 방법 |
| CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
| CN109522785A (zh) * | 2018-09-26 | 2019-03-26 | 西安电子科技大学工程技术研究院有限公司 | 一种基于大数据和无线信号模型的手势识别方法和装置 |
| CN109947238A (zh) * | 2019-01-17 | 2019-06-28 | 电子科技大学 | 一种基于wifi的非合作式手势识别的方法 |
| CN110111651A (zh) * | 2018-02-01 | 2019-08-09 | 周玮 | 基于体态感知的智能语言交互系统 |
| CN110262278A (zh) * | 2019-07-31 | 2019-09-20 | 珠海格力电器股份有限公司 | 智能家电设备的控制方法及装置、智能电器设备 |
| CN110365429A (zh) * | 2019-07-18 | 2019-10-22 | 珠海格力电器股份有限公司 | 检测方法、装置和系统 |
| CN110502105A (zh) * | 2019-07-08 | 2019-11-26 | 南京航空航天大学 | 一种基于csi相位差的手势识别系统及识别方法 |
| WO2019241877A1 (en) * | 2018-06-18 | 2019-12-26 | Cognitive Systems Corp. | Recognizing gestures based on wireless signals |
| CN111965486A (zh) * | 2020-08-07 | 2020-11-20 | 国网江苏省电力有限公司电力科学研究院 | 一种基于智能数据融合分析的配电网故障识别方法及系统 |
| CN112115855A (zh) * | 2020-09-17 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于5g的智能家居手势控制系统及控制方法 |
| CN112689812A (zh) * | 2018-11-07 | 2021-04-20 | 华为技术有限公司 | 一种基于多天线的手势识别方法及装置 |
| CN113359816A (zh) * | 2021-05-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 一种基于无线手势识别的无人机控制方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102215186A (zh) * | 2011-05-04 | 2011-10-12 | 西安电子科技大学 | 基于ls-svm的时变tdd-mimo信道互易性补偿方法 |
| WO2012051058A1 (en) * | 2010-10-11 | 2012-04-19 | Media Tek Singapore Pte. Ltd. | Mimo channel matrix feedback in ofdm systems |
| CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
-
2015
- 2015-01-23 CN CN201510035366.7A patent/CN104615244A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012051058A1 (en) * | 2010-10-11 | 2012-04-19 | Media Tek Singapore Pte. Ltd. | Mimo channel matrix feedback in ofdm systems |
| CN102215186A (zh) * | 2011-05-04 | 2011-10-12 | 西安电子科技大学 | 基于ls-svm的时变tdd-mimo信道互易性补偿方法 |
| CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104888444A (zh) * | 2015-05-20 | 2015-09-09 | 深圳大学 | 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统 |
| CN104888444B (zh) * | 2015-05-20 | 2018-09-21 | 深圳大学 | 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统 |
| CN105045390A (zh) * | 2015-07-08 | 2015-11-11 | 安徽瑞宏信息科技有限公司 | 一种人体上肢骨骼手势识别方法 |
| CN108027661A (zh) * | 2015-09-21 | 2018-05-11 | 高通股份有限公司 | 将wi-fi用作人类控制接口 |
| US10732724B2 (en) | 2015-10-21 | 2020-08-04 | Huawei Technologies Co., Ltd. | Gesture recognition method and apparatus |
| CN106610716B (zh) * | 2015-10-21 | 2019-08-27 | 华为技术有限公司 | 一种手势识别方法和装置 |
| CN106610716A (zh) * | 2015-10-21 | 2017-05-03 | 华为技术有限公司 | 一种手势识别方法和装置 |
| CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
| CN105844216B (zh) * | 2016-03-11 | 2020-10-27 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
| CN105807935A (zh) * | 2016-04-01 | 2016-07-27 | 中国科学技术大学苏州研究院 | 一种基于WiFi的手势控制人机交互系统 |
| CN105807935B (zh) * | 2016-04-01 | 2019-01-11 | 中国科学技术大学苏州研究院 | 一种基于WiFi的手势控制人机交互系统 |
| CN105807624A (zh) * | 2016-05-03 | 2016-07-27 | 惠州Tcl移动通信有限公司 | 一种通过vr设备控制智能家居设备的方法及vr设备 |
| CN107294621A (zh) * | 2016-07-05 | 2017-10-24 | 深圳大学 | 基于无线感知的湿度检测的方法及系统 |
| CN107294621B (zh) * | 2016-07-05 | 2019-04-02 | 深圳大学 | 基于无线感知的湿度检测的方法及系统 |
| KR101906880B1 (ko) * | 2017-03-10 | 2018-12-05 | 가온미디어 주식회사 | 무선랜 파라미터 동요에 기초한 모션 감지 방법 |
| CN107067031A (zh) * | 2017-03-29 | 2017-08-18 | 西北大学 | 一种基于Wi‑Fi信号的书法姿态自动识别方法 |
| CN107067031B (zh) * | 2017-03-29 | 2020-10-23 | 西北大学 | 一种基于Wi-Fi信号的书法姿态自动识别方法 |
| CN107728518A (zh) * | 2017-10-10 | 2018-02-23 | 长沙待电子科技有限公司 | 多功能智能人机交互控制系统及其控制方法 |
| CN107728518B (zh) * | 2017-10-10 | 2020-01-07 | 长沙一待电子科技有限公司 | 多功能智能人机交互控制系统及其控制方法 |
| CN107797153A (zh) * | 2017-10-23 | 2018-03-13 | 上海百芝龙网络科技有限公司 | 一种基于WiFi信号的门窗开闭状态检测方法 |
| CN108416974A (zh) * | 2018-01-23 | 2018-08-17 | 中国矿业大学 | 基于无线信道状态信息的自动报警装置及方法 |
| CN110111651A (zh) * | 2018-02-01 | 2019-08-09 | 周玮 | 基于体态感知的智能语言交互系统 |
| WO2019241877A1 (en) * | 2018-06-18 | 2019-12-26 | Cognitive Systems Corp. | Recognizing gestures based on wireless signals |
| CN112567251A (zh) * | 2018-06-18 | 2021-03-26 | 认知系统公司 | 基于无线信号来识别姿势 |
| CN112567251B (zh) * | 2018-06-18 | 2023-08-22 | 认知系统公司 | 运动检测方法和系统、计算机可读存储介质 |
| US11579703B2 (en) | 2018-06-18 | 2023-02-14 | Cognitive Systems Corp. | Recognizing gestures based on wireless signals |
| CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
| CN109522785A (zh) * | 2018-09-26 | 2019-03-26 | 西安电子科技大学工程技术研究院有限公司 | 一种基于大数据和无线信号模型的手势识别方法和装置 |
| CN112689812A (zh) * | 2018-11-07 | 2021-04-20 | 华为技术有限公司 | 一种基于多天线的手势识别方法及装置 |
| CN109947238A (zh) * | 2019-01-17 | 2019-06-28 | 电子科技大学 | 一种基于wifi的非合作式手势识别的方法 |
| CN110502105A (zh) * | 2019-07-08 | 2019-11-26 | 南京航空航天大学 | 一种基于csi相位差的手势识别系统及识别方法 |
| CN110365429A (zh) * | 2019-07-18 | 2019-10-22 | 珠海格力电器股份有限公司 | 检测方法、装置和系统 |
| CN110262278A (zh) * | 2019-07-31 | 2019-09-20 | 珠海格力电器股份有限公司 | 智能家电设备的控制方法及装置、智能电器设备 |
| CN111965486A (zh) * | 2020-08-07 | 2020-11-20 | 国网江苏省电力有限公司电力科学研究院 | 一种基于智能数据融合分析的配电网故障识别方法及系统 |
| CN111965486B (zh) * | 2020-08-07 | 2023-12-15 | 国网江苏省电力有限公司电力科学研究院 | 一种基于智能数据融合分析的配电网故障识别方法及系统 |
| CN112115855A (zh) * | 2020-09-17 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于5g的智能家居手势控制系统及控制方法 |
| CN112115855B (zh) * | 2020-09-17 | 2022-11-01 | 四川长虹电器股份有限公司 | 一种基于5g的智能家居手势控制系统及控制方法 |
| CN113359816A (zh) * | 2021-05-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 一种基于无线手势识别的无人机控制方法及系统 |
| CN113359816B (zh) * | 2021-05-21 | 2022-07-15 | 中国人民解放军陆军工程大学 | 一种基于无线手势识别的无人机控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104615244A (zh) | 手势自动识别方法及系统 | |
| CN103606248B (zh) | 一种人体摔倒自动检测方法及系统 | |
| Liu et al. | M-gesture: Person-independent real-time in-air gesture recognition using commodity millimeter wave radar | |
| Wang et al. | A review on radio based activity recognition | |
| He et al. | WiG: WiFi-based gesture recognition system | |
| Gu et al. | Paws: Passive human activity recognition based on wifi ambient signals | |
| CN112567251B (zh) | 运动检测方法和系统、计算机可读存储介质 | |
| Al Arafat et al. | Vr-spy: A side-channel attack on virtual key-logging in vr headsets | |
| CN110852200B (zh) | 一种非接触式人体动作检测方法 | |
| US20160259421A1 (en) | Devices, systems, and methods for controlling devices using gestures | |
| KR20190107620A (ko) | 지능형 식기세척기 및 그 제어 방법 | |
| Lin et al. | Human activity recognition using smartphones with WiFi signals | |
| CN110059612B (zh) | 一种基于信道状态信息的位置无关的手势识别方法及系统 | |
| Yang et al. | Temporal-frequency attention-based human activity recognition using commercial WiFi devices | |
| Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
| Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
| Yang et al. | MetaFi: Device-free pose estimation via commodity WiFi for metaverse avatar simulation | |
| Jia et al. | BeAware: Convolutional neural network (CNN) based user behavior understanding through WiFi channel state information | |
| WO2020093278A1 (zh) | 一种基于多天线的手势识别方法及装置 | |
| Meng et al. | WiHGR: A robust WiFi-based human gesture recognition system via sparse recovery and modified attention-based BGRU | |
| Chen et al. | Dynamic gesture recognition using wireless signals with less disturbance | |
| Liu et al. | Wi-Run: Device-free step estimation system with commodity Wi-Fi | |
| Man et al. | PWiG: A phase-based wireless gesture recognition system | |
| Gu et al. | Your wifi knows how you behave: Leveraging wifi channel data for behavior analysis | |
| Mo et al. | A deep learning-based human identification system with wi-fi csi data augmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150513 |