CN111414843B - 手势识别方法及终端设备 - Google Patents
手势识别方法及终端设备 Download PDFInfo
- Publication number
- CN111414843B CN111414843B CN202010187945.4A CN202010187945A CN111414843B CN 111414843 B CN111414843 B CN 111414843B CN 202010187945 A CN202010187945 A CN 202010187945A CN 111414843 B CN111414843 B CN 111414843B
- Authority
- CN
- China
- Prior art keywords
- radar echo
- frame
- preset
- gesture
- echo signal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Radar Systems Or Details Thereof (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明适用于信息技术领域,提供了一种手势识别方法及终端设备,包括:获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;采用分类模型分别对所述各帧雷达回波信号进行分类,得到所述各帧雷达回波信号分别对应的各预设手势类型的分类概率;根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定手势识别结果。本发明采用毫米波雷达,根据多帧雷达回波信号综合得到手势识别结果,可以克服环境光照的影响,鲁棒性强,识别准确度高。
Description
技术领域
本发明属于信息技术领域,尤其涉及一种手势识别方法及终端设备。
背景技术
近年来,随着智能家居和可穿戴设备的迅速发展,有必要提供一种非接触式、自然且使用户尽可能减少对输入设备的依赖的交互方式,如隔空手势。隔空手势通过用户自然的利用手指、手腕等表达其交互意图,具有广阔的交互空间、更高的灵活性及更好的交互体验等优点,在人机交互领域得到了越来越广泛的应用。
基于计算机视觉的手势识别技术受背景噪音、场景照度等因素的影响,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,但其鲁棒性较弱、识别准确度不够高的问题有待进一步研究和解决。
发明内容
有鉴于此,本发明实施例提供了一种手势识别方法及终端设备,以克服现有手势识别技术中存在的问题。
本发明实施例的第一方面提供了一种手势识别方法,包括:
获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;
采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;
根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。
本发明实施例的第二方面提供了一种手势识别装置,包括:
第一计算模块,用于获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;
第二计算模块,用于采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;
结果输出模块,用于根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如本发明实施例第一方面提供的手势识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例第一方面提供的手势识别方法的步骤。
本发明实施例提供了一种手势识别方法,包括:获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。本发明实施例采用毫米波雷达,根据多帧雷达回波信号综合得到手势识别结果,可以克服环境光照的影响,鲁棒性性强,识别准确度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种手势识别方法的实现流程示意图;
图2是本发明实施例提供的一种手势识别装置的示意图;
图3是本发明实施例提供的一种灯具的系统结构示意图;
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参考图1,本发明实施例提供了一种手势识别方法,包括:
步骤S101:获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重。
雷达周期性的向预设范围发射微波雷达信号,并接收经目标手部反射后的雷达回波信号。通过雷达发射信号和雷达回波信号之间的延时可计算得到目标手势的位置,通过雷达收发天线与目标手势之间的夹角、雷达发射信号和雷达回波信号的波长变化,利用多普勒频移公式可计算得到目标手势的变换速度。
其中,微波雷达信号可以但不限于调频连续波模式的微波雷达信号,微波雷达信号的周期可根据实际需求进行设置。
雷达周期性的向预设范围发送微波雷达信号,获取得到第一预设数量帧的雷达回波信号。第一预设数量可根据微波雷达信号的周期及手势持续时间确定,例如,根据经验,一个手势持续的时间约为1000ms,微波雷达信号的周期为100ms,则第一预设数量的值可以为7。
一些实施例中,第一预设数量帧的雷达回波信号,可以包括:
当前帧雷达回波信号及与当前帧雷达回波信号连续的前第二预设数量帧的雷达回波信号。其中,第一预设数量为第二预设数量加1。
一些实施例中,第一预设数量帧的雷达回波信号,还可以包括:当前帧雷达回波信号及与当前帧雷达回波信号间隔选取的第二预设数量帧的雷达回波信号。第一预设数量为第二预设数量加1。
例如,雷达接收到多帧雷达回波信号,按时间降序排列S1,S2,S3,S4,S5,S6,S7,S8,S9,S10,S11,S12,其中,S1为当前帧雷达回波信号,第一预设数量为5,则第一预设数量帧的雷达回波信号可以包括:S1,S2,S3,S4,S5,S1,S3,S5,S7,S9或其他任何可以满足需求的组合。
一些实施例中,各帧雷达回波信号按时间降序排序,各帧雷达回波信号的权重的计算公式为:
其中,wi为第i帧雷达回波信号的权重;i=1,2,…,N,N为第一预设数量;k=1,2,…,N。
即最新时间的雷达回波信号权重最大,越新的时间的雷达回波信号越能反映当前的手势,因此权重越大。
步骤S102:采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;
预设多种手势类型,例如,各预设手势类型包括:向上手势、向下手势、向左手势、向右手势及点手势。
获取各种预设手势类型的雷达回波信号样本,分别对各雷达回波信号样本进行数据处理得到各雷达回波信号的手部距离多普勒图像,形成训练样本集。例如,数据处理可以包括滤波、加窗、傅里叶变换及频谱优化等。采用训练样本集及对分类模型进行训练,得到训练后的分类模型。例如,对每种预设手势类型可分别进行5000次训练。
相应的,对各帧雷达回波信号进行分类可以包括:
对各帧雷达回波信号进行数据处理,得到各帧雷达回波信号对应的距离多普勒图像。
将各帧雷达回波信号对应的距离多普勒图像输入训练后的分类模型,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率。
一些实施例中,分类模型可以包括:神经网络模型、支持向量机模型或随机森林模型。可以理解的,所有可以对雷达回波信号进行分类的模型均在本发明实施例的保护范围内。
步骤S103:根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。
一些实施例中,步骤S103可以包括:
步骤S1031:根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定各预设手势类型分别对应的综合概率;
步骤S1032:确定各预设手势类型分别对应的综合概率中的最大值,记为最大概率值;
步骤S1033:若最大概率值大于预设阈值,则确定手势识别结果为最大概率值对应的预设手势类型。
一些实施例中,各预设手势类型分别对应的综合概率的计算公式可以为:
其中,Pj为第j个预设手势类型对应的综合概率,j=1,2,…,M,M为各预设手势类型的数量;pij为第i帧雷达回波信号对应的第j个预设手势类型的分类概率,i=1,2,…,N,N为第一预设数量;wi为第i帧雷达回波信号的权重。
一些实施例中,预设阈值为0.7。
一些实施例中,步骤S103还可以包括:
步骤S1034:输出识别结果。
例如,对应各预设手势类型,输出结果可以为:向上手势1、向下手势2、向左手势3、向右手势4及点手势5,无手势,则输出结果为0。
本发明实施例提供的手势识别方法,通过获取多帧雷达回波信号,并分别对多帧雷达回波信号进行分类,分别得到各个预设手势类型的分类概率,进而根据各帧雷达回波信号的权重得到综合概率,由于本发明实施例采用毫米波雷达进行手势识别,可以克服环境光照的影响,同时通过多帧雷达回波信号进行识别,进一步引入权重,多帧雷达回波信号综合识别,鲁棒性强,识别准确度高。同时计算过程简单,计算量小,无需设置单独的AI芯片,利用雷达芯片资源即可完成计算,降低成本。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
参考图2,本发明实施例还提供了一种手势识别装置2,可以包括:
第一计算模块21,用于获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;
第二计算模块22,用于采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;
结果输出模块23,用于根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。
一些实施例中,结果输出模块23可以包括:
综合概率确定单元231,用于根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定各预设手势类型分别对应的综合概率;
最大概率确定单元232,用于确定各预设手势类型分别对应的综合概率中的最大值,记为最大概率值;
识别结果确定单元233,用于若最大概率值大于预设阈值,则确定手势识别结果为最大概率值对应的预设手势类型。
一些实施例中,各预设手势类型分别对应的综合概率的计算公式可以为:
其中,Pj为第j个预设手势类型对应的综合概率,j=1,2,…,M,M为各预设手势类型的数量;pij为第i帧雷达回波信号对应的第j个预设手势类型的分类概率,i=1,2,…,N,N为第一预设数量;wi为第i帧雷达回波信号的权重。
一些实施例中,预设阈值可以为0.7。
一些实施例中,第一预设数量帧的雷达回波信号,可以包括:
当前帧雷达回波信号及与当前帧雷达回波信号连续的前第二预设数量帧的雷达回波信号;其中,第一预设数量为第二预设数量加1。
一些实施例中,各帧雷达回波信号按时间降序排序,各帧雷达回波信号的权重的计算公式可以为:
其中,wi为第i帧雷达回波信号的权重;i=1,2,…,N,N为第一预设数量;k=1,2,…,N。
一些实施例中,分类模型可以包括:神经网络模型、支持向量机模型或随机森林模型。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
参考图3,本发明实施例还提供了一种灯具,包括:信号收发装置1、手势识别装置2控制装置3及发光装置4。
信号收发装置1,周期性的向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;
手势识别装置2,接收信号收发装置发送的雷达回波信号,并采用上述实施例中的手势识别方法对手势进行识别,产生手势识别信号;
控制装置3,接收手势识别装置发送的手势识别信号,并根据手势识别信号对发光装置4的开关及亮度进行调整。
具体的,控制装置3对手势识别信号进行判断,判断手势识别信号是否与预设的动作信号一致,若一致,则产生相应的控制信号控制发光装置4动作。例如,手势识别信号为1,对应向上手势,则控制发光装置4调亮;手势识别信号为2,对应向下手势,则控制发光装置4调暗;手势识别信号为3,对应向左手势,则发光装置4打开;手势识别信号为4,对应向右手势,则控制发光装置4关闭。用户无需触摸,通过手势即可对灯具进行控制,提高了用户体验,操作更加便捷,控制灵敏,可靠性高。
一些实施例中,上述灯具还可以包括呼吸心跳传感器5,通过呼吸心跳传感器5检测人体心跳,当检测到人时启动信号收发装置1、手势识别装置2及控制装置3,对发光装置4进行控制,提高了灯具控制的灵敏度,同时避免动物等造成的误触发,提高了灯具控制的准确性。
图4是本发明一实施例提供的终端设备的示意框图。如图4所示,该实施例的终端设备包括:一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个手势识别方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器40执行计算机程序42时实现上述手势识别装置实施例中各模块/单元的功能,例如图2所示模块21至23的功能。
示例性地,计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在终端设备中的执行过程。例如,计算机程序42可以被分割成第一计算模块21、第二计算模块22及结果输出模块23。
第一计算模块21,用于获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;
第二计算模块22,用于采用分类模型分别对各帧雷达回波信号进行分类,得到各帧雷达回波信号分别对应的各预设手势类型的分类概率;
结果输出模块23,用于根据各帧雷达回波信号分别对应的各预设手势类型的分类概率及各帧雷达回波信号的权重,确定手势识别结果。
其它模块或者单元可参照图2所示的实施例中的描述,在此不再赘述。
终端设备包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备的一个示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种手势识别方法,其特征在于,包括:
获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;其中,各帧雷达回波信号按时间顺序排序,各帧雷达回波信号的权重依次增大;
采用分类模型分别对所述各帧雷达回波信号进行分类,得到所述各帧雷达回波信号分别对应的各预设手势类型的分类概率;
根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定手势识别结果;
所述根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定手势识别结果,包括:
根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定各预设手势类型分别对应的综合概率;
确定所述各预设手势类型分别对应的综合概率中的最大值,记为最大概率值;
若所述最大概率值大于预设阈值,则确定所述手势识别结果为所述最大概率值对应的预设手势类型;
所述各预设手势类型分别对应的综合概率的计算公式为:
其中,Pj为第j个预设手势类型对应的综合概率,j=1,2,…,M,M为所述各预设手势类型的数量;pij为第i帧雷达回波信号对应的第j个预设手势类型的分类概率,i=1,2,…,N,N为所述第一预设数量;wi为所述第i帧雷达回波信号的权重。
2.如权利要求1所述的手势识别方法,其特征在于,所述预设阈值为0.7。
3.如权利要求1所述的手势识别方法,其特征在于,所述第一预设数量帧的雷达回波信号,包括:
当前帧雷达回波信号及与所述当前帧雷达回波信号连续的前第二预设数量帧的雷达回波信号;
其中,所述第一预设数量为所述第二预设数量加1。
5.如权利要求1至3任一项所述的手势识别方法,其特征在于,所述分类模型包括:
神经网络模型、支持向量机模型或随机森林模型。
6.一种手势识别装置,其特征在于,包括:
第一计算模块,用于获取第一预设数量帧的雷达回波信号,并确定各帧雷达回波信号的权重;其中,各帧雷达回波信号按时间顺序排序,各帧雷达回波信号的权重依次增大;
第二计算模块,用于采用分类模型分别对所述各帧雷达回波信号进行分类,得到所述各帧雷达回波信号分别对应的各预设手势类型的分类概率;
结果输出模块,用于根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定手势识别结果;
所述结果输出模块包括:
综合概率确定单元,用于根据所述各帧雷达回波信号分别对应的各预设手势类型的分类概率及所述各帧雷达回波信号的权重,确定各预设手势类型分别对应的综合概率;
最大概率确定单元,用于确定所述各预设手势类型分别对应的综合概率中的最大值,记为最大概率值;
识别结果确定单元,用于若所述最大概率值大于预设阈值,则确定所述手势识别结果为所述最大概率值对应的预设手势类型;
所述各预设手势类型分别对应的综合概率的计算公式为:
其中,Pj为第j个预设手势类型对应的综合概率,j=1,2,…,M,M为所述各预设手势类型的数量;pij为第i帧雷达回波信号对应的第j个预设手势类型的分类概率,i=1,2,…,N,N为所述第一预设数量;wi为所述第i帧雷达回波信号的权重。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述手势识别方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述手势识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187945.4A CN111414843B (zh) | 2020-03-17 | 2020-03-17 | 手势识别方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187945.4A CN111414843B (zh) | 2020-03-17 | 2020-03-17 | 手势识别方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414843A CN111414843A (zh) | 2020-07-14 |
CN111414843B true CN111414843B (zh) | 2022-12-06 |
Family
ID=71494227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010187945.4A Active CN111414843B (zh) | 2020-03-17 | 2020-03-17 | 手势识别方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414843B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112416128B (zh) * | 2020-11-23 | 2022-07-01 | 森思泰克河北科技有限公司 | 一种手势识别方法及终端设备 |
CN115412104A (zh) * | 2021-05-28 | 2022-11-29 | 北京小米移动软件有限公司 | 手势识别方法及装置、移动终端、计算机可读存储介质 |
CN113561911B (zh) * | 2021-08-12 | 2023-03-17 | 森思泰克河北科技有限公司 | 车辆控制方法、装置、毫米波雷达及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094194A (zh) * | 2011-12-09 | 2014-10-08 | 诺基亚公司 | 用于基于多个传感器信号的融合识别手势的方法和设备 |
CN106707272A (zh) * | 2016-07-01 | 2017-05-24 | 电子科技大学 | 一种基于随机集理论的多目标跟踪方法 |
CN108509910A (zh) * | 2018-04-02 | 2018-09-07 | 重庆邮电大学 | 基于fmcw雷达信号的深度学习手势识别方法 |
CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
CN109613546A (zh) * | 2018-11-10 | 2019-04-12 | 浙江大学 | 基于三维激光雷达辅助定位的转炉炉腔三维测量方法及测量装置 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110853399A (zh) * | 2019-10-12 | 2020-02-28 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于超声波传感器车位检测系统的车位识别补偿方法 |
-
2020
- 2020-03-17 CN CN202010187945.4A patent/CN111414843B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094194A (zh) * | 2011-12-09 | 2014-10-08 | 诺基亚公司 | 用于基于多个传感器信号的融合识别手势的方法和设备 |
CN106707272A (zh) * | 2016-07-01 | 2017-05-24 | 电子科技大学 | 一种基于随机集理论的多目标跟踪方法 |
CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
CN108509910A (zh) * | 2018-04-02 | 2018-09-07 | 重庆邮电大学 | 基于fmcw雷达信号的深度学习手势识别方法 |
CN109613546A (zh) * | 2018-11-10 | 2019-04-12 | 浙江大学 | 基于三维激光雷达辅助定位的转炉炉腔三维测量方法及测量装置 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110853399A (zh) * | 2019-10-12 | 2020-02-28 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于超声波传感器车位检测系统的车位识别补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111414843A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414843B (zh) | 手势识别方法及终端设备 | |
US11061115B2 (en) | Method for gesture recognition, terminal, and storage medium | |
US10509479B2 (en) | Multi-sensor based user interface | |
US20220066567A1 (en) | Gesture Recognition Using Multiple Antenna | |
CN111695420B (zh) | 一种手势识别方法以及相关装置 | |
Sang et al. | Micro hand gesture recognition system using ultrasonic active sensing | |
CN105654952B (zh) | 用于输出语音的电子设备、服务器和方法 | |
US20190383903A1 (en) | Gesture recognition system having machine-learning accelerator | |
US11567580B2 (en) | Adaptive thresholding and noise reduction for radar data | |
US20140321700A1 (en) | Light sensing module and system | |
US11144796B2 (en) | Method and apparatus for distributed edge learning | |
CN110610191A (zh) | 一种电梯楼层识别方法、装置及终端设备 | |
CN112487844A (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
CN113064483A (zh) | 一种手势识别方法以及相关装置 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
CN111246638A (zh) | 智能灯具控制方法及相关装置 | |
CN114708663A (zh) | 一种基于少样本学习的毫米波雷达感知手势识别方法 | |
WO2024046473A1 (zh) | 一种数据处理方法及其装置 | |
KR20140073294A (ko) | 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법 | |
CN117412440A (zh) | 基于人体姿势检测的灯具控制方法、装置、照明灯和介质 | |
CN109785843B (zh) | 图像处理装置和方法 | |
CN115841707A (zh) | 基于深度学习的雷达人体姿态识别方法及相关设备 | |
CN117312935A (zh) | 动作类别识别方法、装置、计算机设备和存储介质 | |
WO2022126367A1 (en) | Sequence processing for a dataset with frame dropping | |
KR20220027468A (ko) | 동글형 전자기기 인공지능 지원 모듈 및 전자기기가 인공지능을 지원받는 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |