CN108344995A - 一种基于微波雷达技术的手势识别装置及手势识别方法 - Google Patents
一种基于微波雷达技术的手势识别装置及手势识别方法 Download PDFInfo
- Publication number
- CN108344995A CN108344995A CN201810072067.4A CN201810072067A CN108344995A CN 108344995 A CN108344995 A CN 108344995A CN 201810072067 A CN201810072067 A CN 201810072067A CN 108344995 A CN108344995 A CN 108344995A
- Authority
- CN
- China
- Prior art keywords
- gesture
- signal
- feature
- module
- hand
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
Abstract
本发明涉及信息技术领域,尤其涉及一种基于微波雷达技术的手势识别装置及手势识别方法,所述手势识别装置包括:信号收发模块,用于周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号;数据处理模块,与所述信号收发模块连接,用于根据雷达回波信号获取手势动作的特征信息;手势识别模块,与所述数据处理模块连接,用于根据所述数据处理模块获取的特征信息识别手势动作。上述手势识别装置及手势识别方法克服现有手势识别的缺陷,实现了更加自然智能的交互方式。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于微波雷达技术的手势识别装置及手势识别方法。
背景技术
近年来随着智能家居与可穿戴设备的迅速发展,用于计算的设备无处不在并融入到人们生活的环境当中。为方便人与计算设备的交互,相对于传统的接触式人机交互方式,有必要提出一种更加自然、使用户尽可能摆脱对输入设备等依赖的交互方式,如隔空手势。隔空手势是一类非接触式的、能够使用户以徒手方式进行操作的空中手势,其本质是一种不给用户手势交互带来任何不便的自然人机交互方式。
隔空手势通过用户自然地利用手指、手腕和手臂动作表达其交互意图,主要包括指、挥手、握拳、手掌转动等,具有更广阔的交互空间、更高的灵活度和更好的交互体验等特点。隔空手势识别技术主要包括手势数据感知、手势分割、有效特征提取和手势识别模型构建等关键模块,依据感知设备的不同,目前主要分为基于计算机视觉、超声波和电磁信号的三大类隔空手势识别技术。
基于计算机视觉的手势识别技术局限于肤色、光照、姿态等条件导致其应用场景大大受限;超声波手势识别技术能够在一定程度上克服环境光照的影响并扩大了手势操控的范围。但由于其鲁棒性较弱、信噪比需求较高等问题还有待进一步研究和解决;雷达电磁波由于具有不受光线、噪声、环境的影响,能够穿透大部分材料等优势,目前已经被应用于构建快响应、高精准的物体移动监测和追踪系统。但是如何克服电磁信号本身所固有的衰减、多径、碰撞等问题,以及如何设计更加有效的机器学习模型,仍是在实际应用中所面临的挑战。
如何克服上述手势识别技术的问题,是目前亟待解决的问题。
发明内容
本发明提供一种基于微波雷达技术的手势识别装置及手势识别方法,用以提供一种更加自然智能的交互方式,克服目前手势识别技术的问题。
为了解决上述问题,本发明提供了一种基于微波雷达技术的手势识别装置,包括:信号收发模块,用于周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号;数据处理模块,与所述信号收发模块连接,用于根据雷达回波信号获取手势动作的特征信息;手势识别模块,与所述数据处理模块连接,用于根据所述数据处理模块获取的特征信息识别手势动作。
可选的,所述数据处理模块包括:第一预处理单元、第二预处理单元、变换单元以及特征提取单元;所述第一预处理单元,连接所述信号收发模块,用于将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;所述第二预处理单元,连接所述第一预处理单元,用于将经过低通滤波处理的模拟信号转换成数字信号;所述变换单元,连接所述第二预处理单元,用于将所述数字信号变换为手部的距离多普勒图像;特征提取单元,连接所述变换单元,对所述手部的距离多普勒图像进行特征提取,获取特征信息。
可选的,还包括:设置模块,与所述数据处理模块和所述手势识别模块、数据处理模块连接,用于根据所述数据处理模块获得的距离多普勒图像,建立手势识别模型,并提供给所述手势识别模块。
可选的,所述设置模块包括:特征计算单元、特征降维单元以及算法训练单元;所述特征计算单元与所述数据处理模块连接,用于从所述数据处理模块获取距离多普勒图像,计算出若干用于后续手势识别算法的特征量;所述特征降维单元用于对特征计算单元得到的特征量进行降维操作,得到一组固定的特征组合,并将所述特征组合名传输至数据处理模块进行记忆;所述算法训练模块用于对收集到的训练样本集合进行训练以建立手势识别模型,并导入至所述手势识别模块,所述训练样本包括接收到的回波信号以及对应的手势动作。
可选的,所述特征组合包括但不限于:手部发生的位移、平均频率偏移、回波总能量以及手部移动平均速度。
为了解决上述问题,本发明还提供了一种基于微波雷达技术的手势识别方法,包括:周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号;根据所述雷达回波信号获取手势动作的特征信息;根据所述特征信息识别手势动作。
可选的,根据所述雷达回波信号获取手势动作的特征信息的方法包括:将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;将经过低通滤波处理的模拟信号转换成数字信号;将所述数字信号变换为手部的距离多普勒图像;对所述手部的距离多普勒图像进行特征提取,获取特征信息。
可选的,还包括:根据距离多普勒图像建立用于识别手势动作的手势识别模型。
可选的,所述建立用于识别手势动作的手势识别模型的方法包括:根据距离多普特图像,计算出若干用于后续手势识别算法的特征量;对特征计算单元得到的特征量进行降维操作,得到一组固定的特征组合,并对所述特征组合名进行记忆;对收集到的训练样本集合进行训练以建立手势识别模型,所述训练样本包括接收到的回波信号以及对应的手势动作。
可选的,所述特征组合包括但不限于:手部发生的位移、平均频率偏移、回波总能量以及手部移动平均速度。
本发明提供的基于微波雷达技术的手势识别装置及手势识别方法,通过主动发射微波雷达信号并接收经人手反射后的雷达回波信号,根据雷达回波信号对手势动作以及手势动作变化进行识别,克服了现有基于计算机视觉的隔空手势识别算法存在易受肤色和环境光照限制的缺点,而且使用微波发射信号,也克服了使用毫米波发射信号造成的器件成本昂贵,有效范围小等不足,实现了更加自然智能的交互方式。
附图说明
图1为本发明一具体实施方式中手势识别装置的结构示意图;
图2为本发明一具体实施方式中手势识别装置的结构示意图;
图3为本发明一具体实施方式中手势识别装置的结构示意图;
图4为本发明一具体实施方式中手势识别方法的流程示意图;
图5为本发明一具体实施方式中手势识别方法的流程示意图。
具体实施方式
下面结合附图对本发明提供的基于微波雷达技术的手势识别装置及手势识别方法的具体实施方式做详细说明。
请参考图1,为本发明一具体实施方式的基于微波雷达技术的手势识别装置的结构示意图。
该具体实施方式中,所述手势识别装置包括信号收发模块11、数据处理模块12以及手势识别模块13。
所述信号收发模块11,用于周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号。所述预设范围,即所述手势识别装置的监控范围,本领域技术人员可以根据实际需要进行选择。所述信号收发模块11发射的微波雷达信号,可以是但不限于调频连续波模式的微波雷达信号。所述信号收发模块11发射微波雷达信号的周期,本领域技术人员可以根据实际需要进行设置。
所述数据处理模块12,连接所述信号收发模块11,用于根据所述雷达回波信号获取手势动作的特征信息。
所述手势识别模块13根据设定的手势识别模型结合数据处理模块12获得的手势动作的特征信息,对用户的手势动作及手势动作变化进行识别。所述手势识别模块12可以通过判断用户的手势动作是否与预先设置的第一动作匹配来进行识别,并产生相应的识别信号。例如,若所述手势动作与第一动作匹配则产生第一识别信号;若用户的手势动作与第一动作不匹配,则产生第二识别信号。所述第一动作包括若干特征量,判断所述手势动作是否与预先设置的第一动作匹配是指:判断所述手势动作的特征量与预先设置的第一动作的特征量相似度是否高于预设值,若是,则确认所述手势动作与预先设置的第一动作匹配;若否,则确认所述手势动作与预先设置的第一动作不匹配。在本发明的另一具体实施方式中,所述手势识别13也可以用于当用户的手势动作与第二动作匹配时,产生第二识别信号。所述第一动作、第二动作可以是预先存储于所述手势识别模块13中,也可以对所述第一动作、第二动作进行修改。
请参考图2,为本发明一具体实施方式的手势识别装置的结构示意图。
所述数据处理模块12包括:第一预处理单元121、第二预处理单元122、变换单元123、特征提取单元124。
所述第一预处理单元121,连接所述信号收发模块11,用于将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理。
所述第二预处理单元122,连接所述第一预处理单元121,用于将经过低通滤波处理的模拟信号转换成数字信号。
所述变换单元123,连接所述第二预处理单元122,用于将所述数字信号变换为手部的距离多普勒图像(Range Doppler Map)。具体的,所述变换单元123将所述数字信号变换为手部的距离多普勒图像的具体步骤是:将所述数字信号依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;然后将与当前采样周期相邻的前若干个采样周期获得的雷达回波信号也分别依次经所述第一预处理单元121、所述第二预处理单元122的处理,得到与前若干个采样周期一一对应的多个前数字信号;将多个前数字信号再分别依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;将当前经静态背景噪声滤波处理后的信号与前若干个采用周期经静态背景噪声滤波处理后的信号共同组织成矩阵形式的信号组合,并将所述矩阵形式的信号组合在采样周期标签的维度上进行第二次快速傅里叶变换,从而得到手部的距离多普勒图像。其中,可以采用移动目标指示滤波器(Moving Target Indicator)进行静态背景噪声滤波处理,所述静态背景噪声是指无手势动作时信号接收装置接收到的回波信号。
所述特征提取单元124,连接所述变换单元123,对所述手部的距离多普勒图像进行特征提取,获取特征信息。
请参考图3,为本发明一具体实施方式的手势识别装置的结构示意图。
所述手势识别装置进一步包括设置模块31,所述设置模块31与所述手势识别模块13、数据处理模块12连接,用于根据所述数据处理模块12获得的距离多普勒图像,建立手势识别模型并提供给所述手势识别模块13。
所述设置模块31可以在进行手势动作识别之前,通过学习算法建立手势动作识别模型。具体的,该具体实施方式中,所述设置模块31包括:特征计算单元311、特征降维单元312以及算法训练单元313。
所述特征计算单元311与所述数据处理模块12连接,具体的,与所述变换单元123连接。所述特征计算单元311根据所述处理模块12的变换单元123一采样周期获得的手部的距离多普勒图像计算出若干用于后续手势识别算法的特征量组合,这些特征量组合包括但不限于手部发生的位移、微波雷达信号的平均频率偏移、雷达回波信号的总能量、手部移动平均速度等。
所述特征降维单元312与所述特征计算单元311连接,用于采用主成量分析(Principal Component Analysis)算法对所述手势识别特征进行降维处理,以得到一组固定的特征组合,并将所述特征组合名推送至手势识别模块12进行记忆,具体的可以推送至手势识别模块12的特征提取单元124中进行记忆。
所述算法训练单元313与所述特征降维单元312连接,用于采用学习算法(例如随机森林算法)对收集到的训练样本集合进行训练以建立手势动作识别模型,并将所述手势动作识别模型导入至所述手势识别模块13内。所述训练样本集合为收集到的真实数据集,训练样本包括接收到的回波信号以及对应的手势动作,训练过程中需计算出训练数据的特征组合量,至模型收敛后最终建立手势动作识别模型。这样,在进行手势识别的过程中,所述数据处理模块12的特征提取单元124可以根据所述特征组合名直接对所述手部的距离多普勒图像进行特征提取;所述手势识别模块13根据所述特征提取单元124提取的特征组合,使用导入的手势动作识别模型作出手势进行识别。
具体的,所述设置模块31在设置第一动作的识别模型时,在一采用周期内获得第一动作的距离多普勒图像,并通过特征计算获得一组特征组合,在通过降维处理,得到所述第一动作的固定的特征组合,并将组合名推送至手势识别模块13,最后,采用学习算法对采集到的训练样本集合进行训练,建立手势动作识别模型,并导入至手势识别模块13内。
用户需要重新设置其他手势动作作为第一动作时,可以通过所述设置模块31重新进行训练即可。
上述具体实施方式提供的手势识别设备,能够主动发射微波雷达信号并接收经人手反射后的雷达回波信号,根据雷达回波信号对手势动作进行识别,克服了现有基于计算机视觉的隔空手势识别算法存在易受肤色和环境光照限制的缺点,而且使用微波发射信号,也克服了使用毫米波发射信号造成的器件成本昂贵,有效范围小等不足,实现了更加自然智能的交互方式。
请参考图4,为本发明另一具体实施方式的手势识别方法流程示意图。
所述手势识别方法包括如下步骤:
步骤S41:周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号。所述预设范围,即所述手势识别装置的监控范围,本领域技术人员可以根据实际需要进行选择。发射的微波雷达信号,可以是但不限于调频连续波模式的微波雷达信号。发射微波雷达信号的周期,本领域技术人员可以根据实际需要进行设置。
步骤S42:根据所述雷达回波信号获取手势动作的特征信息。具体包括:将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;将经过低通滤波处理的模拟信号转换成数字信号;将所述数字信号变换为手部的距离多普勒图像;对所述手部的距离多普勒图像进行特征提取,获取特征信息。
步骤S43:根据所述特征信息识别手势动作。根据设定的手势识别模型结合手势动作的特征信息,对用户的手势动作及手势动作变化进行识别。可以通过判断用户的手势动作是否与预先设置的第一动作匹配来进行识别,并产生相应的识别信号。例如,若所述手势动作与第一动作匹配则产生第一识别信号;若用户的手势动作与第一动作不匹配,则产生第二识别信号。所述第一动作包括若干特征量,判断所述手势动作是否与预先设置的第一动作匹配是指:判断所述手势动作的特征量与预先设置的第一动作的特征量相似度是否高于预设值,若是,则确认所述手势动作与预先设置的第一动作匹配;若否,则确认所述手势动作与预先设置的第一动作不匹配。在本发明的另一具体实施方式中,也可以用于当用户的手势动作与第二动作匹配时,产生第二识别信号。所述第一动作、第二动作可以是预先存储,也可以对所述第一动作、第二动作进行修改。
请参考图5,为本发明另一具体实施方式的手势识别方法的流程示意图。
该具体实施方式的手势识别方法包括两个阶段,一个是训练阶段,用于建立手势识别模型;二是识别阶段,用于根据训练阶段建立的手势识别模型进行手势识别。
训练阶段包括如下步骤:
步骤S51:周期性发射特定调制模式的微波雷达信号;
步骤S52:接收经过手势动作反射的雷达回波信号;训练阶段的手势动作为用户预设的手势动作。
步骤S53:模拟信号预处理,将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;
步骤S54:数字信号预处理,将经过低通滤波处理的模拟信号转换成数字信号;
步骤S55:信号变换,将所述数字信号变换为手部的距离多普勒图像。具体的,包括将所述数字信号依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;然后将与当前采样周期相邻的前若干个采样周期获得的雷达回波信号也分别依次经步骤S53、S54的处理,得到与前若干个采样周期一一对应的多个前数字信号;将多个前数字信号再分别依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;将当前经静态背景噪声滤波处理后的信号与前若干个采用周期经静态背景噪声滤波处理后的信号共同组织成矩阵形式的信号组合,并将所述矩阵形式的信号组合在采样周期标签的维度上进行第二次快速傅里叶变换,从而得到手部的距离多普勒图像。其中,可以采用移动目标指示滤波器(Moving TargetIndicator)进行静态背景噪声滤波处理,所述静态背景噪声是指无手势动作时信号接收装置接收到的回波信号。
步骤S61:特征计算,根据步骤S55获得的手部的距离多普勒图像计算出若干用于后续手势识别算法的特征量组合,这些特征量组合包括但不限于手部发生的位移、微波雷达信号的平均频率偏移、雷达回波信号的总能量、手部移动平均速度等;
步骤S62:特征降维,采用主成量分析(Principal Component Analysis)算法对所述手势识别特征进行降维处理,以得到一组固定的特征组合,并将所述特征组合名进行记忆;
步骤S63:算法训练,采用学习算法(例如随机森林算法)对收集到的训练样本集合进行训练以建立手势动作识别模型。所述训练样本集合包括接收到的回波信号以及对应的手势动作,训练过程中需计算出训练数据的特征组合量,至模型收敛后最终建立手势动作识别模型。
在手势识别模型建立完成之后,可以进入手势识别阶段,包括如下步骤:
步骤S51:周期性发射特定调制模式的微波雷达信号;
步骤S52:接收经过手势动作反射的雷达回波信号;识别阶段的手势动作为待识别的手势动作。
步骤S53:模拟信号预处理,将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;
步骤S54:数字信号预处理,将经过低通滤波处理的模拟信号转换成数字信号;
步骤S55:信号变换,将所述数字信号变换为手部的距离多普勒图像。具体的,包括将所述数字信号依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;然后将与当前采样周期相邻的前若干个采样周期获得的雷达回波信号也分别依次经步骤S53、S54的处理,得到与前若干个采样周期一一对应的多个前数字信号;将多个前数字信号再分别依次进行第一次快速傅里叶变换、静态背景噪声滤波处理;将当前经静态背景噪声滤波处理后的信号与前若干个采用周期经静态背景噪声滤波处理后的信号共同组织成矩阵形式的信号组合,并将所述矩阵形式的信号组合在采样周期标签的维度上进行第二次快速傅里叶变换,从而得到手部的距离多普勒图像。其中,可以采用移动目标指示滤波器(Moving TargetIndicator)进行静态背景噪声滤波处理,所述静态背景噪声是指无手势动作时信号接收装置接收到的回波信号。
步骤S56:特征提取,对所述手部的距离多普勒图像进行特征提取,获取特征信息。可以直接通过训练阶段步骤S62记忆的组合名直接提取特征。
步骤S57:手势识别,根据训练阶段步骤S63建立的手势识别模型结合步骤S56获得的手势动作的特征信息,对用户的手势动作及手势动作变化进行识别。
上述具体实施方式提供的手势识别方法,通过主动发射微波雷达信号并接收经人手反射后的雷达回波信号,根据雷达回波信号对手势动作进行识别,克服了现有基于计算机视觉的隔空手势识别算法存在易受肤色和环境光照限制的缺点,而且使用微波发射信号,也克服了使用毫米波发射信号造成的器件成本昂贵,有效范围小等不足,实现了更加自然智能的交互方式。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于微波雷达技术的手势识别装置,其特征在于包括:
信号收发模块,用于周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号;
数据处理模块,与所述信号收发模块连接,用于根据雷达回波信号获取手势动作的特征信息;
手势识别模块,与所述数据处理模块连接,用于根据所述数据处理模块获取的特征信息识别手势动作。
2.根据权利要求1所述的手势识别装置,其特征在于,所述数据处理模块包括:第一预处理单元、第二预处理单元、变换单元以及特征提取单元;所述第一预处理单元,连接所述信号收发模块,用于将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;所述第二预处理单元,连接所述第一预处理单元,用于将经过低通滤波处理的模拟信号转换成数字信号;所述变换单元,连接所述第二预处理单元,用于将所述数字信号变换为手部的距离多普勒图像;特征提取单元,连接所述变换单元,对所述手部的距离多普勒图像进行特征提取,获取特征信息。
3.根据权利要求2所述的手势识别装置,其特征在于,还包括:设置模块,与所述数据处理模块和所述手势识别模块、数据处理模块连接,用于根据所述数据处理模块获得的距离多普勒图像,建立手势识别模型,并提供给所述手势识别模块。
4.根据权利要求3所述的手势识别装置,其特征在于,所述设置模块包括:
特征计算单元、特征降维单元以及算法训练单元;所述特征计算单元与所述数据处理模块连接,用于从所述数据处理模块获取距离多普勒图像,计算出若干用于后续手势识别算法的特征量;所述特征降维单元用于对特征计算单元得到的特征量进行降维操作,得到一组固定的特征组合,并将所述特征组合名传输至数据处理模块进行记忆;所述算法训练模块用于对收集到的训练样本集合进行训练以建立手势识别模型,并导入至所述手势识别模块,所述训练样本包括接收到的回波信号以及对应的手势动作。
5.根据权利要求4所述的手势识别装置,其特征在于,所述特征组合包括但不限于:手部发生的位移、平均频率偏移、回波总能量以及手部移动平均速度。
6.一种基于微波雷达技术的手势识别方法,其特征在于包括:
周期性的向一预设范围发射微波雷达信号,并接收经手部反射后的雷达回波信号;
根据所述雷达回波信号获取手势动作的特征信息;
根据所述特征信息识别手势动作。
7.根据权利要求6所述的手势识别方法,其特征在于,根据所述雷达回波信号获取手势动作的特征信息的方法包括:将一个采样周期内发射的微波雷达信号与接收到的雷达回波信号相乘并将相乘后的结果进行低通滤波处理;将经过低通滤波处理的模拟信号转换成数字信号;将所述数字信号变换为手部的距离多普勒图像;对所述手部的距离多普勒图像进行特征提取,获取特征信息。
8.根据权利要求7所述的手势识别方法,其特征在于,还包括:根据距离多普勒图像,建立用于识别手势动作的手势识别模型。
9.根据权利要求8所述的手势识别方法,其特征在于,所述建立用于识别手势动作的手势识别模型的方法包括:根据距离多普特图像,计算出若干用于后续手势识别算法的特征量;对特征计算单元得到的特征量进行降维操作,得到一组固定的特征组合,并对所述特征组合名进行记忆;对收集到的训练样本集合进行训练以建立手势识别模型,所述训练样本包括接收到的回波信号以及对应的手势动作。
10.根据权利要求9所述的手势识别方法,其特征在于,所述特征组合包括但不限于:手部发生的位移、平均频率偏移、回波总能量以及手部移动平均速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810072067.4A CN108344995A (zh) | 2018-01-25 | 2018-01-25 | 一种基于微波雷达技术的手势识别装置及手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810072067.4A CN108344995A (zh) | 2018-01-25 | 2018-01-25 | 一种基于微波雷达技术的手势识别装置及手势识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108344995A true CN108344995A (zh) | 2018-07-31 |
Family
ID=62961267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810072067.4A Pending CN108344995A (zh) | 2018-01-25 | 2018-01-25 | 一种基于微波雷达技术的手势识别装置及手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108344995A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164915A (zh) * | 2018-08-17 | 2019-01-08 | 湖南时变通讯科技有限公司 | 一种手势识别方法、装置、系统和设备 |
CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
CN109541580A (zh) * | 2018-09-10 | 2019-03-29 | 珠海格力电器股份有限公司 | 电器设备控制方法、装置及电器设备 |
CN109740559A (zh) * | 2019-01-10 | 2019-05-10 | 珠海格力电器股份有限公司 | 身份识别方法、装置及系统 |
CN109857251A (zh) * | 2019-01-16 | 2019-06-07 | 珠海格力电器股份有限公司 | 智能家电的手势识别控制方法、装置、存储介质及设备 |
CN110009869A (zh) * | 2019-04-01 | 2019-07-12 | 珠海格力电器股份有限公司 | 活动信息的监控方法、装置和系统 |
CN110687816A (zh) * | 2019-10-31 | 2020-01-14 | 复旦大学 | 基于毫米波雷达的智能家居控制系统和方法 |
CN110781764A (zh) * | 2019-09-30 | 2020-02-11 | 北京大学 | 智能微波手语识别方法 |
CN110799927A (zh) * | 2018-08-30 | 2020-02-14 | Oppo广东移动通信有限公司 | 一种手势识别方法及终端、存储介质 |
CN111240472A (zh) * | 2019-12-31 | 2020-06-05 | Oppo广东移动通信有限公司 | 电子设备、手势识别装置和方法 |
CN111399642A (zh) * | 2020-03-09 | 2020-07-10 | 深圳大学 | 手势的识别方法、装置、移动终端和存储介质 |
CN111427031A (zh) * | 2020-04-09 | 2020-07-17 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
CN111722715A (zh) * | 2020-06-17 | 2020-09-29 | 上海思立微电子科技有限公司 | 一种手势控制系统及电子设备 |
CN111857354A (zh) * | 2020-08-04 | 2020-10-30 | RealMe重庆移动通信有限公司 | 解锁方法、装置、电子设备以及存储介质 |
WO2021068470A1 (zh) * | 2020-04-09 | 2021-04-15 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
WO2021203364A1 (zh) * | 2020-04-09 | 2021-10-14 | 浙江大学 | 一种用于身份识别的雷达信号处理方法 |
WO2021238710A1 (zh) * | 2020-05-26 | 2021-12-02 | 京东方科技集团股份有限公司 | 人体手部与手势识别的方法及装置、显示设备 |
TWI756958B (zh) * | 2020-12-02 | 2022-03-01 | 輝創電子股份有限公司 | 非接觸式感測裝置及其動作識別方法 |
US11442550B2 (en) * | 2019-05-06 | 2022-09-13 | Samsung Electronics Co., Ltd. | Methods for gesture recognition and control |
CN110850404B (zh) * | 2018-08-20 | 2023-05-16 | 富士通株式会社 | 基于微波雷达的动作识别装置及方法、电子设备 |
TWI810564B (zh) * | 2021-05-14 | 2023-08-01 | 開酷科技股份有限公司 | 通用手勢檢測方法和通用手勢檢測設備 |
US11804077B2 (en) | 2021-04-01 | 2023-10-31 | KaiKuTek Inc. | Generic gesture detecting method and generic gesture detecting device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
CN106537173A (zh) * | 2014-08-07 | 2017-03-22 | 谷歌公司 | 基于雷达的姿势识别 |
CN106815578A (zh) * | 2017-01-23 | 2017-06-09 | 重庆邮电大学 | 一种基于深度运动图‑尺度不变特征变换的手势识别方法 |
CN106970647A (zh) * | 2017-05-27 | 2017-07-21 | 吉林大学 | 基于rdm算法的无人飞行器手势交互装置 |
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 |
US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
-
2018
- 2018-01-25 CN CN201810072067.4A patent/CN108344995A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106537173A (zh) * | 2014-08-07 | 2017-03-22 | 谷歌公司 | 基于雷达的姿势识别 |
US20170364160A1 (en) * | 2016-06-17 | 2017-12-21 | Texas Instruments Incorporated | Hidden markov model-based gesture recognition with fmcw radar |
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
CN106815578A (zh) * | 2017-01-23 | 2017-06-09 | 重庆邮电大学 | 一种基于深度运动图‑尺度不变特征变换的手势识别方法 |
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 |
CN106970647A (zh) * | 2017-05-27 | 2017-07-21 | 吉林大学 | 基于rdm算法的无人飞行器手势交互装置 |
Non-Patent Citations (1)
Title |
---|
龚黎明: "解读英伟达芯的雷达手势识别,我们对Project Soli有了更多了解", 《雷锋网》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164915A (zh) * | 2018-08-17 | 2019-01-08 | 湖南时变通讯科技有限公司 | 一种手势识别方法、装置、系统和设备 |
CN110850404B (zh) * | 2018-08-20 | 2023-05-16 | 富士通株式会社 | 基于微波雷达的动作识别装置及方法、电子设备 |
CN110799927A (zh) * | 2018-08-30 | 2020-02-14 | Oppo广东移动通信有限公司 | 一种手势识别方法及终端、存储介质 |
CN109541580A (zh) * | 2018-09-10 | 2019-03-29 | 珠海格力电器股份有限公司 | 电器设备控制方法、装置及电器设备 |
CN109188414A (zh) * | 2018-09-12 | 2019-01-11 | 北京工业大学 | 一种基于毫米波雷达的手势运动探测方法 |
CN109740559A (zh) * | 2019-01-10 | 2019-05-10 | 珠海格力电器股份有限公司 | 身份识别方法、装置及系统 |
CN109857251A (zh) * | 2019-01-16 | 2019-06-07 | 珠海格力电器股份有限公司 | 智能家电的手势识别控制方法、装置、存储介质及设备 |
CN110009869A (zh) * | 2019-04-01 | 2019-07-12 | 珠海格力电器股份有限公司 | 活动信息的监控方法、装置和系统 |
US11442550B2 (en) * | 2019-05-06 | 2022-09-13 | Samsung Electronics Co., Ltd. | Methods for gesture recognition and control |
CN110781764A (zh) * | 2019-09-30 | 2020-02-11 | 北京大学 | 智能微波手语识别方法 |
CN110687816A (zh) * | 2019-10-31 | 2020-01-14 | 复旦大学 | 基于毫米波雷达的智能家居控制系统和方法 |
CN111240472A (zh) * | 2019-12-31 | 2020-06-05 | Oppo广东移动通信有限公司 | 电子设备、手势识别装置和方法 |
CN111399642A (zh) * | 2020-03-09 | 2020-07-10 | 深圳大学 | 手势的识别方法、装置、移动终端和存储介质 |
CN111399642B (zh) * | 2020-03-09 | 2023-09-29 | 深圳大学 | 手势的识别方法、装置、移动终端和存储介质 |
US11947002B2 (en) | 2020-04-09 | 2024-04-02 | Zhejiang University | Method for recognizing identity and gesture based on radar signals |
WO2021068470A1 (zh) * | 2020-04-09 | 2021-04-15 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
WO2021203364A1 (zh) * | 2020-04-09 | 2021-10-14 | 浙江大学 | 一种用于身份识别的雷达信号处理方法 |
CN111427031B (zh) * | 2020-04-09 | 2021-12-07 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
CN111427031A (zh) * | 2020-04-09 | 2020-07-17 | 浙江大学 | 一种基于雷达信号的身份及手势识别方法 |
WO2021238710A1 (zh) * | 2020-05-26 | 2021-12-02 | 京东方科技集团股份有限公司 | 人体手部与手势识别的方法及装置、显示设备 |
US11797098B2 (en) | 2020-05-26 | 2023-10-24 | Boe Technology Group Co., Ltd. | Methods for recognizing human hand and hand gesture from human, and display apparatus |
CN111722715A (zh) * | 2020-06-17 | 2020-09-29 | 上海思立微电子科技有限公司 | 一种手势控制系统及电子设备 |
CN111857354A (zh) * | 2020-08-04 | 2020-10-30 | RealMe重庆移动通信有限公司 | 解锁方法、装置、电子设备以及存储介质 |
TWI756958B (zh) * | 2020-12-02 | 2022-03-01 | 輝創電子股份有限公司 | 非接觸式感測裝置及其動作識別方法 |
US11804077B2 (en) | 2021-04-01 | 2023-10-31 | KaiKuTek Inc. | Generic gesture detecting method and generic gesture detecting device |
TWI810564B (zh) * | 2021-05-14 | 2023-08-01 | 開酷科技股份有限公司 | 通用手勢檢測方法和通用手勢檢測設備 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108344995A (zh) | 一种基于微波雷达技术的手势识别装置及手势识别方法 | |
Kim et al. | A hand gesture recognition sensor using reflected impulses | |
CN111695420B (zh) | 一种手势识别方法以及相关装置 | |
Yu et al. | Noninvasive human activity recognition using millimeter-wave radar | |
Sang et al. | Micro hand gesture recognition system using ultrasonic active sensing | |
CN111399642B (zh) | 手势的识别方法、装置、移动终端和存储介质 | |
Li et al. | Towards domain-independent and real-time gesture recognition using mmwave signal | |
Sakamoto et al. | Hand gesture recognition using a radar echo I–Q plot and a convolutional neural network | |
Yang et al. | Hand gesture recognition based on trajectories features and computation-efficient reused LSTM network | |
CN107024685A (zh) | 一种基于距离‑速度特征的手势识别方法 | |
Wang et al. | Learning to sense: Deep learning for wireless sensing with less training efforts | |
Zhao et al. | Cubelearn: End-to-end learning for human motion recognition from raw mmwave radar signals | |
US11567580B2 (en) | Adaptive thresholding and noise reduction for radar data | |
Wu et al. | Dynamic hand gesture recognition using FMCW radar sensor for driving assistance | |
US20240000345A1 (en) | MILLIMETER-WAVE (mmWave) RADAR-BASED NON-CONTACT IDENTITY RECOGNITION METHOD AND SYSTEM | |
CN111476058A (zh) | 一种基于毫米波雷达的手势识别方法 | |
Zhou et al. | Efficient high cross-user recognition rate ultrasonic hand gesture recognition system | |
Li et al. | Hierarchical sensor fusion for micro-gesture recognition with pressure sensor array and radar | |
CN110866468A (zh) | 一种基于无源rfid的手势识别系统及方法 | |
Arsalan et al. | Radarsnn: A resource efficient gesture sensing system based on mm-wave radar | |
Jiang et al. | Recognition of dynamic hand gesture based on mm-wave FMCW radar micro-Doppler signatures | |
Yu et al. | Gesture recognition using reflected visible and infrared lightwave signals | |
CN113064483A (zh) | 一种手势识别方法以及相关装置 | |
Ghaffar et al. | Hand pointing gestures based digital menu board implementation using IR-UWB transceivers | |
CN115792897A (zh) | 一种基于fmcw雷达的低复杂度多手势识别方法及系统 |
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 |