CN108371545A - 一种基于多普勒雷达的人体手臂动作感知方法 - Google Patents

Abstract

本发明提供一种基于多普勒雷达的人体手臂动作感知方法，对采集雷达信号进行滤波处理，采用双门限算法，对信号中有起伏波动的信号片段进行检测与提取；采用离散小波变化进行降采样；使用相位判别方法对双通道I、Q信号的相位差作出分析，将该信号进行第一次分类成靠近、远离两类动作；与该大类的样本库中已知的信号进行带约束路径限制的动态时间规整距离计算；邻近算法采用kNN进行第二次分类，识别出人体手臂具体动作。本发明为基于多普勒雷达所提出来的感知人体手臂动作的新型技术，根据手臂运动时与雷达的相对位置和速度，利用多普勒信号变化情况来检测出单个动作，再利用信号的特征进行双次分类，完成对实际动作的感知。

Description

一种基于多普勒雷达的人体手臂动作感知方法

技术领域

本发明涉及基于无线电磁波信号的人体行为感知领域，尤其涉及微型多普勒雷达对用户的手臂动作进行感知与识别的方法。

背景技术

随着人机交互需求的增加和技术的发展，人们越来越多地使用无线设备进行动作识别工作。不同于计算机视觉的动作识别方法对于光照有额外的要求，以及使用加速度传感器感知的动作识别方法对人在整体的动作识别上有困难的情况，无线设备的动作识别具有普适、易操作的优势。同时随着诸如智能手机等智能设备的发展，无线设备也深入到生活的方方面面，普及程度大幅增加。目前已经有许多基于无线的感知技术，例如在2016年UbiComp发表的《WiFinger:talk to your smart devices with finger-grainedgesture》文章利用Wi-Fi信号经过人体时其CSI信号强度发生变化的特性，来对用户做出的手势进行识别，实现了更自然的人机交互；专利US20120139708A1则说明了一种基于RFID的手势识别方法，其通过用户佩戴在身体上的RFID雷达接收用户佩戴在手部的RFID标签传输的信号，获得用户手部的空间位置进而识别出用户做出的手势。然而，在现有的方法中，Wi-Fi无线信号分布不稳定、易受干扰的特点使得很难应用到实际情况，RFID识别技术则需要给用户佩戴额外的设备，影响体验。而雷达信号具有噪声低、频带宽、损耗小的优点，可在相同环境中对用户的动作做出更精确、稳定的识别。使用微型多普勒雷达进行人体手臂动作的感知，可提供更好更便捷的人机交互体验，能在智能家居、工作娱乐等领域均带来一定实际意义。

发明内容

基于多普勒雷达信号的感知主要内容为动作信号提取与动作信号识别。对于动作信号提取我们将从原始信号中抽离出能反应人体手臂动作的信号片段。其主要工作内容包括信号的低通滤波，端点检测，离散小波变化。对于动作信号识别我们采用先基于相位后基于改良DTW(动态时间规整)算法的双次分类方法。其中基于相位的分类可以将动作信号划分为两大类，然后用基于改良DTW算法的分类可以在大类中进一步将动作细分。在实时应用中，相比大量样本的单次分类，可以大幅提高计算处理效率，也能提高准确性。最终能识别出诸如抬起、放下、推、拉、旋转等手臂的动作。

为实现上述任务，本发明采用以下技术方案：

基于多普勒雷达的人体手臂动作感知方法，其特征在于，包括如下步骤：

步骤1：对采集雷达信号进行滤波处理，减少噪音对实验结果的干扰；

步骤2：基于滤波后的雷达信号，采用双门限算法，对信号中有起伏波动的信号片段进行检测与提取；

步骤3：将提取得到的动作信号采用离散小波变化进行降采样，并最大限度保持原有信号特征；

步骤4：对于单个动作信号片段，使用相位判别方法对I、Q信号的相位差作出分析，将该信号进行第一次分类成靠近、远离两类动作；

步骤5：基于步骤4第一次分类后的信号，将其与该大类的样本库中已知的信号进行带约束路径限制的DTW(动态时间规整)距离计算，每一个样本库中的信号均能得到一个相应的 DTW距离值；

步骤6：基于DTW距离值，采用kNN(邻近算法)进行第二次分类，识别出人体手臂具体动作。

进一步地，基于多普勒雷达的人体手臂动作感知方法，步骤2中所述双门限算法是采用短时过门限率和短时能量为阈值；对信号进行分帧处理，对于每一帧分别计算它的过门限率与能量，所述连续多帧均超过两个阈值，将其判定为有效的动作信号，否则则丢弃。

进一步地，基于多普勒雷达的人体手臂动作感知方法，所述的短时过门限率为：

短时能量为：，其中，i为每一帧的序号，T为门限值。并分别设定T＝0.15，短时过门限阈值TZ＝10，短时能量阈值TE＝10。

优选地，基于多普勒雷达的人体手臂动作感知方法，所述步骤3中通过多次离散小波变化将一个动作信号序列长度控制在160-320个点之间。

进一步地，基于多普勒雷达的人体手臂动作感知方法，步骤4所述的相位判别方法，是根据相位差值随时间的增加、减少趋势，分别将该信号进行第一次分类成靠近、远离两类动作。

进一步地，基于多普勒雷达的人体手臂动作感知方法，所述的信号相位差计算方法为θ＝tan^-1Q(t)/I(t)＝4π·vt/λ，其中，t为时域，I和Q分别为双通道多普勒雷达输出的两条正交信号，v为手臂动作相对于雷达的速度的垂直分量，λ为手臂进行动作前相对于雷达的距离产生的初始相位。

进一步地，基于多普勒雷达的人体手臂动作感知方法，所述的反正切函数在区间端点处会出现相位突变，需要对得到相位差做额外的相位展开来恢复相位才能进行后续增减趋势判断，所述相位展开公式为θ_u,i＝θ_u,i-1+mod(θ_w,i-θ_w,i-1-π,2π)+π，

其中，i为时域上的序列点，θ_w,i为在第i个时间点上展开前的相位差，θ_u,i为在第i个时间点上展开后的相位差。

进一步地，基于多普勒雷达的人体手臂动作感知方法，步骤5中所述约束路径限制采用抛物线约束方式，所述抛物线约束路径公式为：

2nx²/3m²+nx/3m²-10≤y≤-2nx²/3m²+5nx/3m²+10，其中m，n分别代表被比较的两个信号序列的长度。

进一步地，基于多普勒雷达的人体手臂动作感知方法，步骤6中所述的kNN邻近算法，采用每个动作的样本数量为30个，并设定邻近数量k＝7。

本发明为基于多普勒雷达所提出来的感知人体手臂动作的新型技术，根据手臂运动时与雷达的相对位置和速度，利用多普勒信号变化情况来检测出单个动作，再利用信号的特征进行双次分类，完成对实际动作的感知。

附图说明

图1为本发明为基于多普勒雷达的人体手臂动作感知方法的流程图；

图2为本发明为基于多普勒雷达的人体手臂动作感知方法中处理完毕的信号图；

图3为本发明为基于多普勒雷达的人体手臂动作感知方法约束结果图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点做详细的说明。

实验准备：将24GHz的K-LC2型号多普勒雷达传感器放置在离地面1.4米高的位置，通过USB数据线连接至计算机；用户则站在雷达正前方1.5米的距离，面朝雷达并执行一些手势动作。雷达传感器通过感知环境，以44100Hz的采样率输出双通道I、Q的时域信号。计算机则实时收集这些数据，进行后一步处理。

整体处理流程如图1所示，具体步骤如下：

步骤1：对采集到的雷达信号进行滤波处理，减少噪音对实验结果的干扰。因为考虑到需要最大限度过滤高频噪声，采用的是I型切比雪夫低通滤波器。根据多普勒频移计算公式f_d＝f_r-f_t＝2v/(c+v)可知，当手臂运动速度v在正常值0.5m/s以下时，产生的信号频率不超过75Hz，因此在滤波器中各项参数设定为通带截止频率40Hz，阻带截止频率75Hz，边带区衰减0.1dB，截止区衰减30dB，采样率即雷达传感器的输出频率为44100Hz。这样尽可能保留了实际动作的信号特征而去除了多余的环境噪声。

步骤2：基于滤波后的雷达信号，采用双门限算法，对信号中可能是动作导致产生的信号片段进行检测与提取。端点检测算法使用短时过门限率和短时能量为阈值进行两级判决。首先对信号进行分帧处理，对于每一帧分别计算它的过门限率与能量。短时过门限率公式为：

短时能量为：并分别设定门限值T＝0.15，短时过门限阈值TZ＝10，短时能量阈值TE＝10。只有连续多帧均超过上面两个阈值，才将其判定为有效的动作信号，否则会被当做其余干扰引起的波动而被丢弃。

步骤3：将提取得到的动作信号采用离散小波变化进行降采样，最大限度保持了原有信号特征。通过多次离散小波变化将一个动作信号序列长度控制在160-320个点之间，为后续的计算降低复杂度提高效率。处理完毕的信号如图2所示(注：为了展示更直观，图中保留了前后多余的信号以便观察，实际上得到的只有中间标记的信号段)。

步骤4：对于单个动作信号片段，使用相位判别方法对I、Q信号的相位差作出分析，然后把该信号进行第一次分类成靠近、远离两大类动作。根据多普勒雷达原理，可以简单地认为信号的表达式为：

由此可计算出两信号相位差θ＝tan^-1Q(t)/I(t)＝4π·vt/λ。另外，本步骤中由于反正切函数在开区间(-π/2,π/2) 内单调连续，区间端点处会出现相位突变，需要对得到相位差做额外的相位展开来恢复相位。所用展开公式为θ_u,i＝θ_u,i-1+mod(θ_w,i-θ_w,i-1-π,2π)+π。进而根据展开后的相位差值随时间变化的增、减趋势得出多普勒频移的正、负性，并由此认为运动方向是靠近还是远离。

步骤5：基于第一次分类后的信号，将其与该大类的样本库中已知的信号进行改良的 DTW(动态时间规整)距离计算，每一个样本库中的信号均能得到一个相应的DTW距离值。DTW在原始算法的基础上进行了约束路径的改进。具体采用抛物线约束方式，即在两条信号的距离矩阵中，用两条抛物线作为边界将矩阵区域进行划分，限制匹配路径处于中间一块区域而无法越界，使得距离计算更为合理准确，同时也提高效率。抛物线约束路径公式为2nx²/3m²+nx/3m²-10≤y≤-2nx²/3m²+5nx/3m²+10，其中m，n分别代表被比较的两个信号的长度。约束效果图见图3。

步骤6：基于DTW距离，采用kNN(邻近算法)进行第二次分类，最终识别出该信号的具体代表动作。在样本库中每个动作有30个信号样本的情况下，选择k＝7进行临近匹配。在具体实施中，基于第一次分类划分后的动作对应的样本库中均各有4种手臂动作的数据(分类为靠近的动作样本：抬起、推、顺时针旋转、逆时针旋转。分类为远离的动作样本：放下、拉、顺时针旋转、逆时针旋转)，因此每个样本库中有30*4＝120个信号样本。将待识别的动作信号进行步骤1-5的处理后，能得到对应的120个DTW距离值。采用kNN算法，将会取出距离最近的前7个信号样本。如果这7个信号样本中的众数属于某一个动作，则认定该待识别动作也属于此类动作，从而实现对动作的识别。

Claims (9)

1.一种基于多普勒雷达的人体手臂动作感知方法，其特征在于，包括如下步骤：

步骤1：对采集雷达信号进行滤波处理，减少噪音对实验结果的干扰；

步骤2：基于滤波后的雷达信号，采用双门限算法，对信号中有起伏波动的信号片段进行检测与提取；

步骤3：将提取得到的动作信号采用离散小波变化进行降采样，并最大限度保持原有信号特征；

步骤4：对于单个动作信号片段，使用相位判别方法对双通道I、Q信号的相位差作出分析，将该信号进行第一次分类成靠近、远离两类动作；

步骤5：基于步骤4第一次分类后的信号，将其与该大类的样本库中已知的信号进行带约束路径限制的动态时间规整DTW距离计算，每一个样本库中的信号均能得到一个相应的DTW距离值；

步骤6：基于DTW距离值，邻近算法采用kNN进行第二次分类，识别出人体手臂具体动作。

2.根据权利要求1所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：步骤2中所述双门限算法是采用短时过门限率和短时能量为阈值；对信号进行分帧处理，对于每一帧分别计算它的过门限率与能量，所述连续多帧均超过两个阈值，将其判定为有效的动作信号，否则则丢弃。

3.根据权利要求2所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：所述的短时过门限率为：

短时能量为；

其中，i为每一帧的序号，T为门限值；并分别设定T＝0.15，短时过门限阈值TZ＝10，短时能量阈值TE＝10。

4.根据权利要求1所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：所述步骤3中通过多次离散小波变化将一个动作信号序列长度控制在160-320个点之间。

5.根据权利要求1所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：步骤4所述的相位判别方法，是根据相位差值随时间的增加、减少趋势，分别将该信号进行第一次分类成靠近、远离两类动作。

6.根据权利要求5所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：所述的信号相位差计算方式为：

θ＝tan^-1Q(t)/I(t)＝4π·vt/λ

其中，t为时域，I和Q分别为双通道多普勒雷达输出的两条正交信号，v为手臂动作相对于雷达的速度的垂直分量，λ为手臂进行动作前相对于雷达的距离产生的初始相位。

7.根据权利要求6所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：所述的反正切函数在区间端点处会出现相位突变，需要对得到相位差做额外的相位展开来恢复相位才能进行后续增减趋势判断，所述相位展开公式为：

θ_u,i＝θ_u,i-1+mod(θ_w,i-θ_w,i-1-π,2π)+π

其中，i为时域上的序列点，θ_w,i为在第i个时间点上展开前的相位差，θ_u,i为在第i个时间点上展开后的相位差。

8.根据权利要求1所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：步骤5中所述约束路径限制采用抛物线约束方式，所述抛物线约束路径公式为：

2nx²/3m²+nx/3m²-10≤y≤-2nx²/3m²+5nx/3m²+10，

其中m，n分别代表被比较的两个信号序列的长度。

9.根据权利要求1所述的基于多普勒雷达的人体手臂动作感知方法，其特征在于：步骤6中所述的kNN邻近算法，采用每个动作的样本数量为30个，并设定邻近数量k＝7。