CN113051972A - 一种基于WiFi的手势识别系统 - Google Patents

一种基于WiFi的手势识别系统 Download PDF

Info

Publication number
CN113051972A
CN113051972A CN201911376460.3A CN201911376460A CN113051972A CN 113051972 A CN113051972 A CN 113051972A CN 201911376460 A CN201911376460 A CN 201911376460A CN 113051972 A CN113051972 A CN 113051972A
Authority
CN
China
Prior art keywords
wifi
gesture
gesture recognition
recognition system
data
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
Application number
CN201911376460.3A
Other languages
English (en)
Inventor
陈良银
薛源
陈彦如
胡顺仿
王浩
刘诗佳
刘畅
赵万槟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911376460.3A priority Critical patent/CN113051972A/zh
Publication of CN113051972A publication Critical patent/CN113051972A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational 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)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于WiFi的手势识别系统，该系统包括手势识别单元、处理单元和判别输出单元三个部分。首先，手势识别单元用来收发信号；然后，在处理单元提出了一种基于能量累积分布的动作识别算法，该算法能够利用现有的商用WiFi设备和个人计算机通过信号获取、滤波、特征处理和提取、小波分析等步骤分析动作频率范围内的能量分布比例；最后在判别输出单元利用支持向量机训练好的模型进行分类和识别。相比于现有识别算法，该算法能够有效地提高识别精度。

Description

一种基于WiFi的手势识别系统
技术领域
本发明涉及无线传感网技术领域，尤其涉及传感网中的人机交互技术，具体是一种基于WiFi的手势识别系统。
背景技术
通常情况下，常用于手势识别的主流技术分为三种：基于视觉的手势识别技术、基于可穿戴式设备的手势识别和基于无线技术的手势识别。其中，基于视觉的识别技术需要一定的视频采集设备才能进行。此类技术对采集到的图像素材进行分割，让手势动作与背景相分离。然后根据不同的应用场景，对手势进行建模，一般采用的模型为表现手势模型和三维手势模型。建模之后，此类算法对手势进行识别，包括：基于模板的匹配、基于人工神经网络(Artificial Neural Network，ANN)的匹配和基于概率统计模型的匹配。然而，基于视觉的手势识别有一个重要的前提，就是所要识别的手势必须处于视觉设备的观测范围内。此外，由于其依赖的基础是视觉图像，所以它受到光线、水汽等的影响较大，对环境的要求较为严格。
相比于基于视觉的手势识别，基于可穿戴式传感器的手势识别在环境要求上降低了一些，其基本思路是通过特定传感器的数据重建传感器的运动轨迹，进而能够重建相关身体部位的运动轨迹。在整个识别过程当中，需要通过手的位置、运动方向以及姿态信息建立模型，然后利用动态时间规整(Dynamic Time Warping，DTW)、有限状态机(Finite StateMachine，FSM)以及人工神经网络等方式进行识别。
基于无线技术的手势识别的核心在于：如果空间内没有物体发生运动，则空间内的无线信号传播路径不会发生变化，一旦空间内有物体运动，则会对无线信号的传播产生扰动，表现出能量的变化或者是多普勒频移。在后续的研究当中，科研人员发现了更多可以描述手势运动的特征如：统计特征、小波变换特征、时频图特征等。获取特征之后，此类研究通过各种处理方式如支持向量机(Support Vector Machine，SVM)、动态时间规整(DTW)、k近邻(k-Nearest Neighbor，kNN)等方式对动作进行分类或识别，最终输出识别结果。
在基于无线技术的手势识别当中，基于WiFi的手势识别技术是热门。现阶段，基于WiFi的手势识别可以分为两类：基于接收信号强度(Received Signal Strength，RSS)的识别与基于信道状态信息(Channel State Information，CSI)的识别。
基于RSS的系统有：
(1)AllSee：2014年，B.Kellogg等人提出了AllSee(Kellogg B,Talla V,Gollakota S.Bringing gesture recognition to all devices[C]//11th{USENIX}Symposium on Networked Systems Design and Implementation({NSDI}14).2014:303-316.)，通过分析RSS信号对手势动作进行识别。它采用了时域分析和信号包络提取的方法。首先，对信号进行调整，在时间窗口上进行平移，从而对信号进行归一化。然后它对连续信号进行分割，在系统中设定了电流采样阈值来判断一个手势的开始和结束，从而对样本进行分割。最后，该系统对处理好的数据进行分类。由于识别的动作相对简单，该系统使用相对距离和信号类型结合的方式进行动作分类。最终，该系统取得了97％的识别精度。
(2)WiGest：2015年，Abdelnasser等人提出了WiGest(Abdelnasser H,Youssef M,Harras K A.Wigest:A ubiquitous wifi-based gesture recognition system[C]//2015IEEE Conference on Computer Communications(INFOCOM).IEEE,2015:1472-1480.)。它通过利用通用WiFi设备的RSS信号对七种手势进行分析，达到了87.5％(单发射器)和96％(三发射器)的精确度。该系统通过分析信号的上升沿、下降沿以及其停顿来描述复杂的手势。由于手势动作幅度较小，噪声对识别精度的影响很大，该系统采用离散小波变换(Discrete Wavelet Transformation，DWT)进行去噪，并且基于每个沿的速度和幅度参数进行动作分割。在提取到信号之后，将其按照“上升为正、下降为负、停顿为零”的规则转换成一系列字符串，并与手势模板进行比较，从而获得识别结果。为了得到更高的识别精度，该团队增加了收发器数量并将多个信号源的数据进行综合分析，显著地提高识别精度。
(3)WiDraw：2015年，Li等人提出了WiDraw(Sun L,Sen S,Koutsonikolas D,etal.Widraw:Enabling hands-free drawing in the air on commodity wifi devices[C]//The21st Annual International Conference on Mobile Computing andNetworking.ACM,2015:77-89.)。该系统结合了到达角测量和RSS定位估计的方式，成功识别了手在空中画出的字母。由于手的存在会影响信号的传播，因此当手放入某条传播路径当中时，该路径上接收到的RSS就会降低。此外，手在路径上的位置不同，阻挡程度也不同，因此可以通过检测不同传播路径上RSS值的变化情况推断手所处的大概位置。之后，将不同时间点的位置信息组合，就可以获得轨迹信息。在获取到轨迹之后，WiDraw通过图形处理的技术，将轨迹与英文字母相匹配，最终识别到书写者所写的字母。
基于CSI的系统有：
(1)WiFinger：2016年，Tan.S等人提出了WiFinger([8]Tan S,Yang J.WiFinger:leveraging commodity WiFi for fine-grained finger gesture recognition[C]//Proceedings of the 17th ACM international symposium on mobile ad hocnetworking and computing.ACM,2016:201-210.)，它在处理环境影响方面有了较大的改进。由于多径效应的存在，室内环境改变或者是人的走动有可能导致接收到的信号发生变化，为了尽可能消除这些影响，首先，该系统将频域CSI信号转换为时域功率时延谱，可以去除延迟较长的信号分量，从而减轻多径效应的影响。鉴于一般室内环境下最大延迟小于500ns，因此以此为阈值来删除延迟较长的信号。然后，为了去除环境中其他无线信号的影响，系统采用了离散小波变换方法，将高频的噪声分量去除，通过分解、阈值化和重构完成去噪操作。该系统在识别过程中采用了多维动态时间规整(Muti-Dimensional DynamicTime Warping，MD-DTW)算法将处理过的数据进行时间规整，然后与配置文件进行对比，进而得出结论。
(2)WiCatch：2018年，Fan.T等人提出了WiCatch(Tian Z,Wang J,Yang X,etal.WiCatch:A Wi-Fi Based Hand Gesture Recognition System[J].IEEE Access,2018,6:16911-16923)。与以往的识别系统不同，该系统可以识别有限的双手手势动作。在数据采集阶段，系统通过估计不同子载波的相位斜率和截距来消除误差。在系统设计中，该团队提出了虚拟天线阵列的概念，并将移动的手作为天线阵列来处理，然后使用多重信号分类法(Multiple Signal classification，MUSIC)进行角度计算。他们对移动的手反射的信号进行时间采样，利用这些序列代替空间采样来构建虚拟天线阵列。
(3)WiFinger：2016年，另一同样名为WiFinger的系统开始研究美国手势语言(American sign language，ASL)，并成功地识别出了数字1-9，准确率达到了90.4％(Li H,Yang W,Wang J,et al.WiFinger:talk to your smart devices with finger-grainedgesture[C]//Proceedings of the 2016ACM International Joint Conference onPervasive and Ubiquitous Computing.ACM,2016:250-261.)。考虑到手指移动的速度较低，其引起的信号变化处于低频状态，系统采用巴特沃斯低通滤波的方式滤去环境噪声。然后，利用了和WiGest类似的方式，通过信号的上升沿和下降沿判别手势起始点和结束点。由于手指动作的幅度相对来说比较小，该系统将提取的6个子载波的手指手势轮廓进行平均，并将它们连接起来，形成一个可区分的手势识别特征，并经过一系列变换形成特征向量。之后，采用DWT算法对特征向量进行压缩，最终分析两个手势之间细微的特征区别。
发明内容
由于已有的基于视觉和基于可穿戴式设备的手势识别系统受限于环境条件和特殊硬件设备，因此，探索出一种对环境要求低、且易于扩展的手势识别算法是本发明想解决的问题。
本发明提出了一种基于WiFi的手势识别系统，包括：
手势识别单元，包括用于收发手势变换所产生的WiFi信号的收发模块，和用于提取收发模块所获取WiFi信号的原始CSI信息的主控模块；
处理单元，与手势识别单元相连，用于将主控模块得到的CSI原始数据用芯片进行处理，处理单元包括去噪模块、降维及代表性序列提取模块、小波包分析模块、动作分类和识别模块，通过一系列操作取得模板动作的能量累积分布特征，并将这些特征输入SVM分类器中训练，形成动作分类器。
判别输出单元，分别与手势识别单元和处理单元相连，利用手势识别单元获取待测手势信号，并在一系列处理过后将其输入到处理单元中训练好的分类器中进行分类，将识别结果上传至终端显示。
提取能量累积分布特征的做法是：
(1)获取CSI信息。首先利用装有Intel 5300NIC的计算机和商用WiFi设备获取室内CSI信息。CSI信息是一种时间序列。在室内没有运动物体的时候，CSI序列会保持在一定的范围之内。如果室内有运动的物体，CSI序列的波形图会发生较大的变化。
(2)滤波。首先去除各条波形当中存在的偶发性噪声。然后确定待测动作所引起的多普勒频移的频率范围，根据该范围确定滤波器所需的参数，并通过巴特沃斯带通滤波器对波形进行进一步处理，使得处理后波形中只有极少部分与目标动作无关的波形信息。
(3)数据降维和代表性序列提取。由于子载波之间有较高的相似性，存在部分冗余的信息，需要将每一根天线的30条子载波进行降维，获取N组降维后的数据，N为天线数目。之后，再对不同的天线进行二次降维，最终获得代表性序列。
(4)小波包分析。将降维后的数据进行小波包分析，分别观测在不同小波尺度下代表性序列的表现，记录动作频率范围内的能量分布比例。
进一步的，将进行动作分类和识别。利用支持向量机(Support Vector Machine，SVM)对模板动作进行训练并生成分类器。当有新的动作进入系统时，按照1-4进行处理并用训练好的模型进行分类和识别，最终输出识别结果。
作为优选，SVM分类器采用逐层分类的方式，每次分类只分出两个类别，直到所有动作分类完成。
作为优选，所述个人电脑需要安装有CSI Tool作为信号提取软件。
本发明的积极效果是：
1.提出了基于能量累积分布的动作识别算法，该算法能够利用现有的商用WiFi设备和个人计算机进行动作识别。
2.相比于现有识别算法，该算法能够有效地提高识别精度。
3.选用WiFi信号检测手势，可穿透一定厚度的障碍物，不受环境因素(如光照)等影响。
4.可广泛应用于家庭环境和其他室内环境
附图说明
图1原始CSI数据。
图2经过滤波操作后的数据。
图3获得的代表性序列。
图4序列方差示意图。
图5前后推拉动作的能量-时间关系图。
图6SVM分类器示意图(四动作为例)。
图7身体与系统的距离对识别准确率的影响。
图8天线数量对识别准确率的影响。
图9天线间距对识别准确率的影响。
图10发明方法步骤。
具体实施方式
本发明利用能量累积分布对动作进行识别，具体实施方式如下：
本发明大略可以分为五个阶段：
(1)获取CSI信息：本发明所构建的采集系统中所采集的CSI数据是1×3×30的一个复矩阵，矩阵中的每一个值都包含了对一个OFDM子载波CFR采样的幅频响应与相频响应。由于CSI Tool采集的原始CSI数据是根据Intel内部参数定义进行记录的，其值不能直接用于分析，因此本发明根据CSI Tool记录的RSSI和AGC增益等其它信息对原始CSI数据进行加工，将其转换成绝对单位制，以此获得一个能够表征该系统信道状态信息的CSI矩阵，此时获得的CSI矩阵依旧是一个复矩阵。
采集到的原始数据经过简单提取后，形成了一个30×N的矩阵，其中N是采样点数。在实验过程中发现，不同的接收天线所得到的子载波有一定的差异，一根天线所接收到的信号当中，不同子载波之间也有一定的差异。如图1，三条曲线分别为一根接收天线内不同子载波的波形。
(2)滤波：本发明采取了Hampel滤波，首先求窗口内波形幅度值的均值、标准差和方差，然后将不在区间[μ-γ×σ,μ+γ×σ]范围内的点都定义为离群点。其中，μ为数据平均值，σ为数据标准差，γ为倍数，通过实验以及一些部分参考文献，本发明中将其定为3。也即假如样本数据值与中值相差3倍的标准差，则用中值替换该样本值。
然后根据公式
Figure BDA0002341109820000051
计算待测动作的频率范围。其中，f'表示接收频率，f表示发射频率，v、vr、vs分别表示信号传输速度、接收器移动速度和发射器移动速度。获得待测动作频率范围后，计算Matlab中butter函数所需的参数，其中，通带截止频率wc和阶数n(根据需求确定，非计算所得)，wc和信号频率f、数据采样频率Fs满足以下关系：
Figure BDA0002341109820000052
计算出所需要的参数后，使用巴特沃斯带通滤波进行波形过滤。过滤后结果如图2所示。
(3)数据降维和代表性序列提取：选取一根接收天线所获得的数据(30维)，对于经过简单滤波的信息，可以表示为：
Figure BDA0002341109820000053
其中，S(t,r)是接收矩阵中数据的合集，每一列表示一条子载波在时间序列上的表现，每一行表示同一时刻内不同子载波的CSI幅值信息。
在进行PCA过程时，首先要将序列零均值化：
Figure BDA0002341109820000054
然后计算序列数据协方差：
Figure BDA0002341109820000061
最终得到协方差矩阵：
Figure BDA0002341109820000062
在上述公式中，X和Y是两个随机变量，n为样本数据规模，
Figure BDA0002341109820000063
和
Figure BDA0002341109820000064
分别为对应变量的均值。之后，求出该矩阵所对应的特征值和特征向量，将其特征向量按对应的特征值大小从上到下排列成矩阵，并取前k行组成新的矩阵P，执行Y＝PX获得降维后的k维数据。通过以上方式就可以对数据进行降维。
上述方式是针对一根天线进行的。本发明将所有天线的第2-10条主成分合并，再进行一次代表性序列选取，保留最终主成分，如图3所示。图3显示了由图2得到的降维后的最终数据。
之后，摘取包含动作特征的部分波形，本发明采用了一种基于窗口方差的序列切分方法，同时，为了加强数据之间的连贯性，连续窗口之间会有50％的重叠。具体步骤如下：
1.定义一个窗口，窗口长度设为L，并将窗口的头部与数据头部对齐；
2.计算窗口内数据值的方差，记为S0；
Figure BDA0002341109820000065
其中n为窗口长度，根据待测序列决定；
3.按照上式计算窗口序列内方差Si和下一个窗口内的方差Si+1，一直到完成整个序列的方差计算，记为VAR＝[var1,var2...vark]；
4.记初始状态tag＝0，用来记录是否已经有动作发生，0表示未发生，1表示已经发生。若vari≤V&&vari+1＞V&&tag＝0，则将两个窗口的中间值视为动作开始点Ts，并记标签tag＝1；若var i≥V&&var i+1＜V&&tag＝1，则将两个窗口的中间值视为动作结束点Te，计标签tag＝0，并计算动作时长t；
5.若序列最后的长度不足窗口大小，则按照实际序列数量进行计算；
6.特殊情况1：若一个结束点和下一个开始点之间的时间间隔小于一定阈值，则视这两个动作为同一连续动作；
7.特殊情况2：若一个开始点和结束点之间的时间间隔小于一定阈值，则视该片段为非动作片段。
在上述步骤当中，V代表一个阈值。在动作开始时，信号从平稳变化为剧烈波动，相邻时间窗口内的信号变化很大，也即var的值会由小变大。同样，在动作结束时，信号由剧烈波动变化为平稳，其相邻时间窗口内的信号方差var由大变小。图4表示图3中序列方差大小。
(4)小波包分析：利用小波包对提取出的数据进行分析。将每层小波分析出的结果进行迭代分析，一直到第五层，共分为32个层次，也即五层小波包分解。由于运动成分更多地集中于较低的频带，因此取前16个层次作为特征。本文实验所采用的采样频率为200Hz，Nyquist采样频率为100Hz，每层代表3.125Hz的频率范围。前后推拉动作的能量-时间关系如图5所示。
(5)动作分类和识别：使用SVM分类器训练模型，形成分类器。经过上述步骤，可以获得较为准确的识别结果。识别结果如图7、8、9所示。
本发明的用户使用场景举例：
室内音乐播放器：通过手势可以自由控制音乐播放器，无需在桌面呼出播放器即可进行操作，全部流程在后台实现。同时，当用户不在电脑旁边时，也可以利用手势在一定范围内对播放器进行控制。

Claims (8)

1.一种基于WiFi的手势识别系统，其特征在于包括：
手势识别单元，包括用于收发手势变换所产生的WiFi信号的收发模块，和用于提取收发模块所获取WiFi信号的原始CSI信息的主控模块；
处理单元，与手势识别单元相连，用于将主控模块得到的CSI原始数据用芯片进行处理，处理单元包括去噪模块、降维及代表性序列提取模块、小波包分析模块、动作分类和识别模块，通过一系列操作取得模板动作的能量累积分布特征，并将这些特征输入SVM分类器中训练，形成动作分类器；
判别输出单元，分别与手势识别单元和处理单元相连，利用手势识别单元获取待测手势信号，并在一系列处理过后将其输入到处理单元中训练好的分类器中进行分类，将识别结果上传至终端显示。
2.根据权利要求1所述的一种基于WiFi的手势识别系统，其特征在于：所述目标分类器中包括五个类别的特定手势，为前推后拉手势、左右挥动手势、上下挥动手势、双手开门手势和双手拳击手势。
3.根据权利要求1所述的一种基于WiFi的手势识别系统，其特征在于：所述收发模块包括商用WiFi热点和安装有Intel 5300网卡的个人电脑以及外置接收天线。
4.根据权利要求3所述的一种基于WiFi的手势识别系统，其特征在于：所述WiFi传感器的发射频率为5GHz。
5.根据权利要求1所述的一种基于WiFi的手势识别系统，其特征在于，所述提取能量累积分布特征参数的过程包括：
1)对原始CSI序列采取Hampel滤波和巴特沃斯滤波的方式进行滤波处理；
2)将步骤1)处理后的数据进行降维，并提取出动作片段信息；
3)将步骤2)中处理得到的动作片段信息经过小波包变换后提取能量累积分布特征。
6.根据权利要求1所述的一种基于WiFi的手势识别系统，其特征在于，还包括以下步骤：将CSI信号分解为段，将每段CSI信号序列依此存入一个数据区，用循环队列存储数据，已处理完成并提取出了手势能量累积分布特征的一帧手势数据依次抛弃，以让出存储空间来存储新数据。
7.根据权利要求1所述的一种基于WiFi的手势识别系统，其特征在于：SVM分类器采用逐层分类的方式，每次分类只分出两个类别，直到所有动作分类完成。
8.根据权利要求3所述的一种基于WiFi的手势识别系统，其特征在于：所述个人电脑需要安装有CSITool作为信号提取软件。
CN201911376460.3A 2019-12-27 2019-12-27 一种基于WiFi的手势识别系统 Pending CN113051972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911376460.3A CN113051972A (zh) 2019-12-27 2019-12-27 一种基于WiFi的手势识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911376460.3A CN113051972A (zh) 2019-12-27 2019-12-27 一种基于WiFi的手势识别系统

Publications (1)

Publication Number Publication Date
CN113051972A true CN113051972A (zh) 2021-06-29

Family

ID=76506448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911376460.3A Pending CN113051972A (zh) 2019-12-27 2019-12-27 一种基于WiFi的手势识别系统

Country Status (1)

Country Link
CN (1) CN113051972A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408476A (zh) * 2021-06-30 2021-09-17 北京工业大学 一种基于无线网络的人体姿态识别方法
CN116126144A (zh) * 2023-01-16 2023-05-16 上海物骐微电子有限公司 基于pdp的手势识别方法及装置、电子设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805194A (zh) * 2018-06-04 2018-11-13 上海交通大学 一种基于wifi信道状态信息的手写识别方法及系统
CN110287863A (zh) * 2019-06-24 2019-09-27 桂林电子科技大学 一种基于WiFi信号的手势识别方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805194A (zh) * 2018-06-04 2018-11-13 上海交通大学 一种基于wifi信道状态信息的手写识别方法及系统
CN110287863A (zh) * 2019-06-24 2019-09-27 桂林电子科技大学 一种基于WiFi信号的手势识别方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王旋等: "基于RFID的免携带设备手势识别关键技术研究", 《计算机研究与发展》 *
薛源等: "基于 Wi-Fi 信号的人体动作识别系统设计", 《现代计算机》 *
鲁勇等: "基于WiFi信号的人体行为感知技术研究综述", 《计算机学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408476A (zh) * 2021-06-30 2021-09-17 北京工业大学 一种基于无线网络的人体姿态识别方法
CN116126144A (zh) * 2023-01-16 2023-05-16 上海物骐微电子有限公司 基于pdp的手势识别方法及装置、电子设备、存储介质
CN116126144B (zh) * 2023-01-16 2023-08-22 上海物骐微电子有限公司 基于pdp的手势识别方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
Ali et al. Recognizing keystrokes using WiFi devices
CN105807935B (zh) 一种基于WiFi的手势控制人机交互系统
Li et al. Wi-motion: A robust human activity recognition using WiFi signals
Ding et al. WiFi CSI-based human activity recognition using deep recurrent neural network
CN106658590B (zh) 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现
CN106407905B (zh) 基于机器学习的无线感知动作识别方法
CN105844216B (zh) 一种利用WiFi信号识别手写字母的检测与匹配机制
CN106899968A (zh) 一种基于WiFi信道状态信息的主动非接触身份认证方法
WO2023010886A1 (zh) 一种室内非接触式人体活动识别方法及系统
US11913970B2 (en) Wireless motion detection using multiband filters
CN107862295B (zh) 一种基于WiFi信道状态信息识别面部表情的方法
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
WO2018068521A1 (zh) 一种人群分析方法及计算机设备
CN110059612A (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
Uysal et al. RF-Wri: An efficient framework for RF-based device-free air-writing recognition
CN113051972A (zh) 一种基于WiFi的手势识别系统
CN116343261A (zh) 基于多模态特征融合与小样本学习的手势识别方法和系统
Pan et al. Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
CN113466852A (zh) 应用于随机干扰场景下的毫米波雷达动态手势识别方法
Sheng et al. An accurate device-free action recognition system using two-stream network
Chen et al. WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals
CN112380903B (zh) 一种基于WiFi-CSI信号增强的人体活动识别方法
CN114333044A (zh) 一种非接触式连续行为感知方法
Zhang et al. WiNum: A WiFi finger gesture recognition system based on CSI

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210629

WD01 Invention patent application deemed withdrawn after publication