CN113495619A - 一种基于Wi-Fi信道状态信息相位的手势识别方法 - Google Patents

一种基于Wi-Fi信道状态信息相位的手势识别方法 Download PDF

Info

Publication number
CN113495619A
CN113495619A CN202010258953.3A CN202010258953A CN113495619A CN 113495619 A CN113495619 A CN 113495619A CN 202010258953 A CN202010258953 A CN 202010258953A CN 113495619 A CN113495619 A CN 113495619A
Authority
CN
China
Prior art keywords
gesture
phase
phase difference
gesture motion
speed
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.)
Granted
Application number
CN202010258953.3A
Other languages
English (en)
Other versions
CN113495619B (zh
Inventor
郭葳
吴彤
肖登坤
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.)
Beijing Jinkun Innovation Technology Co ltd
Original Assignee
Beijing Jinkun Innovation Technology Co ltd
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 Beijing Jinkun Innovation Technology Co ltd filed Critical Beijing Jinkun Innovation Technology Co ltd
Priority to CN202010258953.3A priority Critical patent/CN113495619B/zh
Publication of CN113495619A publication Critical patent/CN113495619A/zh
Application granted granted Critical
Publication of CN113495619B publication Critical patent/CN113495619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0014—Carrier regulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0014—Carrier regulation
    • H04L2027/0024—Carrier regulation at the receiver end
    • H04L2027/0026—Correction of carrier offset

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明公开了一种基于Wi‑Fi信道状态信息相位的手势识别方法。采用动态差值消除法对Wi‑Fi信道状态信息中的原始相位信息进行校正；利用校正相位信息同时获得的手势运动粗粒度方向和细粒度方向，识别手势运动形态和估计手势运动速度；根据手势运动形态以及手势运动速度，识别出具有形态和速度两种属性的手势类别。本发明无需采集大量样本进行学习和训练，算法复杂度低，在实际应用中可对同一运动形态的手势赋予不同速度信息，实现手势识别的扩展和手势动作的简化；此外，本发明适用于基于各类独立手势，及其组合手势的运动形态，在未来智能家居领域具有广泛的应用前景。

Description

一种基于Wi-Fi信道状态信息相位的手势识别方法
技术领域
本发明属于手势识别的应用技术领域，具体涉及一种基于Wi-Fi信道状态信息相位的手势识别方法。
背景技术
手势识别作为人机交互领域的一个重要研究方向，在生活中具有广泛的应用。传统基于计算机视觉和可穿戴传感设备的手势识别系统，受光线、视角、隐私和便携性等条件限制，在一些场景中并不适用。而使用Wi-Fi信号进行手势识别可以有效地克服这些缺点。目前，基于Wi-Fi的手势识别方法大多使用模式匹配和传统机器学习分类方法，利用接收信号强度指示或信道状态信息幅度的统计特征进行学习和分类。
但接收信号强度指示和信道状态信息幅度受环境影响非常大，导致采集的样本会随着环境的变化而改变，给特征的提取和分类造成困难，影响手势识别精度。而且，上述方法需要采集大量样本进行学习才可以较好地实现手势识别，时间成本、人力成本和算法复杂度较高，且只能识别预先训练过的手势。另外，现有方法从信号中提取的特征只用来识别手势运动形态这一种手势属性，而忽略了手势运动速度，即使CN107633227A的工作中提取了手势运动速度，但也只是作为一个特征辅助识别手势运动形态，没有将速度作为手势的一个属性进行应用。
本发明公开了一种基于Wi-Fi信道状态信息相位的手势识别方法，无需采集大量样本进行学习和训练，采用更细粒度的信道状态信息相位，实现基于Wi-Fi的轻量化手势识别。本发明针对现有工作只利用手势运动形态这一种手势属性识别手势类别的缺点，添加手势运动速度这一属性，利用手势运动形态和手势运动速度两种属性共同确定手势类别。在实际应用中可对同一运动形态的手势赋予不同速度信息，实现手势类别的扩展和手势动作的简化。例如，在智能家居应用中，控制灯的开关状态，可通过对同一手势运动形态的动作定义快速和慢速两种手势运动速度实现，无需定义两种手势运动形态的动作；在人机交互中，控制电脑显示器中网页的滚动，可通过对滚动动作定义快速、中速和慢速三种手势移动速度，实现网页的快速、中速和慢速滚动，无需定义三种动作，简化手势运动形态的复杂度。另外，本发明不仅可以识别独立手势的运动形态，还可以识别由多种独立手势组合而成的组合手势的运动形态，丰富了手势类别。
发明内容
本发明公开一种基于Wi-Fi信道状态信息相位的手势识别方法。采用动态插值消除法对Wi-Fi信道状态信息中的原始相位信息进行校正；利用校正相位信息同时获得的手势运动粗粒度方向和细粒度方向，识别手势运动形态和估计手势运动速度；根据手势运动形态以及手势运动速度，识别出具有形态和速度两种属性的手势类别。本发明无需采集大量样本进行学习和训练，算法复杂度低，在实际应用中可对同一运动形态的手势赋予不同速度信息，实现手势识别的扩展和手势动作的简化，并且适用于基于各类独立手势及其组合手势的运动形态。其方案步骤如下：
S1、利用具有Wi-Fi模式的收发模块，采集Wi-Fi信号的信道状态信息；
S2、从采集的信道状态信息中提取Wi-Fi信号的原始相位信息；
S3、对原始相位信息利用动态插值消除法，去除随机相位噪声，获得校正相位信息；
S4、利用校正相位信息，进行多普勒速度估计，获得手势运动粗粒度方向；
S5、利用校正相位信息，进行相位差变化趋势估计，获得手势运动细粒度方向；
S6、根据手势运动粗粒度方向以及手势运动细粒度方向，识别出手势运动形态；
S7、利用相位差变化趋势，识别手势运动速度；
S8、根据手势运动形态，以及手势运动速度，综合判定得出手势类别。
步骤S2中，所述提取Wi-Fi信号的原始相位信息，包括如下步骤：
S2-1、步骤S1中收集得到的信道状态信息为1*3*30的三维矩阵，其中1*3表示一根发射天线和三根接收天线，30表示每一路信道状态信息中包含30个子载波。先对其进行降维处理成3*30的二维矩阵，信道状态信息可以用子载波的幅度和相位表示：
Figure RE-54978DEST_PATH_IMAGE001
（1）
公式（1）中
Figure RE-149973DEST_PATH_IMAGE002
和
Figure RE-68250DEST_PATH_IMAGE003
分别代表第
Figure RE-969210DEST_PATH_IMAGE004
个子载波的幅度和相位。为便于描述，本文 用
Figure RE-390964DEST_PATH_IMAGE005
来代替
Figure RE-719178DEST_PATH_IMAGE003
。
Figure RE-859172DEST_PATH_IMAGE005
为提取出的原始相位信息，但原始相位信息中包含着随机相位噪声
Figure RE-829402DEST_PATH_IMAGE006
和
Figure RE-604198DEST_PATH_IMAGE007
，其中
Figure RE-103312DEST_PATH_IMAGE006
为时间偏移，
Figure RE-527340DEST_PATH_IMAGE007
为相位偏移，原始相位信息可表示为：
Figure RE-770103DEST_PATH_IMAGE008
（2）
公式（2）中
Figure RE-166449DEST_PATH_IMAGE005
为理论上的相位值，
Figure RE-570886DEST_PATH_IMAGE009
为加性高斯白噪声，
Figure RE-685472DEST_PATH_IMAGE010
为802.11n协议下从-28 到28变化的第
Figure RE-764549DEST_PATH_IMAGE004
个子载波的索引，
Figure RE-812139DEST_PATH_IMAGE011
表示大小为64 的FFT采样数。由公式（2）可知，在忽略高 斯白噪声情况下，随机相位噪声和子载波的索引呈线性关系。
步骤S3中，利用本发明提出的动态插值消除法去除随机相位噪声，获得校正相位信息，包括如下步骤：
S3-1、动态插值：是在信道状态信息的索引值不连续且和不为零的30个子载波集合中，根据原始子载波的信噪比，利用插值法动态地插入一个或多个新子载波，并删除原始子载波集合中的一个或多个原始子载波，以获得30个索引值不连续但和为零的新子载波集合。
S3-2、线性消除：计算新子载波集合的相位信息斜率
Figure RE-387477DEST_PATH_IMAGE012
和相位信息频带偏移
Figure RE-786097DEST_PATH_IMAGE013
。其中
Figure RE-573925DEST_PATH_IMAGE012
和
Figure RE-944863DEST_PATH_IMAGE013
可表示为：
Figure RE-455217DEST_PATH_IMAGE014
（3）
Figure RE-544396DEST_PATH_IMAGE015
(4)
利用原始相位信息
Figure RE-932652DEST_PATH_IMAGE016
减去相位误差项
Figure RE-361359DEST_PATH_IMAGE017
，得到校正相位信息
Figure RE-544078DEST_PATH_IMAGE018
：
Figure RE-120553DEST_PATH_IMAGE019
(5)
由公式（5）可知，校正相位信息中不再含有
Figure RE-312500DEST_PATH_IMAGE006
和
Figure RE-392452DEST_PATH_IMAGE007
，即随机相位噪声已被去除。
步骤S4中，利用校正相位信息进行多普勒速度估计，获取手势运动粗粒度方向，包括如下步骤：
S4-1、建立多普勒频移与路径长度变化速度关系：在典型的室内环境中，一对具有Wi-Fi模式的收发模块静止放置，形成一条Wi-Fi链路。手部在链路一侧运动时，会改变由手部反射的信号的传播路径长度，路径长度的变化引入信号频率偏移，信号的多普勒频移为：
Figure RE-746073DEST_PATH_IMAGE020
（6）
其中
Figure RE-45729DEST_PATH_IMAGE021
是信号的原始载波频率，
Figure RE-775788DEST_PATH_IMAGE022
代表信号传播路径长度变化速度，
Figure RE-506983DEST_PATH_IMAGE023
代表Wi-Fi 信号在空气中的传播速度，为了简化描述，将
Figure RE-297085DEST_PATH_IMAGE022
称为多普勒速度。
S4-2、计算多普勒速度：采用多重信号分类算法或其他可以计算多普勒频移的算法，对多普勒速度进行解算。
S4-3、手势运动粗粒度方向识别：将平行于收发链路的方向规定为切向方向，垂直于收发链路的方向规定为法向方向，手势沿切向方向运动时，反射信号路径长度变化不明显，无法获取稳定的多普勒速度；手势沿法向方向运动时，反射信号路径长度变化明显，多普勒速度稳定分布规律。对多普勒速度的方差设置阈值，若多普勒速度的方差小于阈值，手势运动粗粒度方向则为法向方向；若多普勒速度的方差大于阈值，手势运动粗粒度方向则为切向方向。
步骤S5中，利用校正相位信息，进行相位差变化趋势估计，获得手势运动细粒度方向，包括如下步骤：
S5-1、计算具有Wi-Fi模式的收发模块相邻两根天线接收信号的相位差：信号沿着 第
Figure RE-316994DEST_PATH_IMAGE024
条路径传播到达接收端，接收端天线间距为
Figure RE-585164DEST_PATH_IMAGE025
，信号到达角为
Figure RE-669401DEST_PATH_IMAGE026
，其中
Figure RE-427142DEST_PATH_IMAGE027
，信 号到达相邻两根天线的波程差为
Figure RE-465505DEST_PATH_IMAGE028
。通过波程差可得相邻两根天线接收信号的相位差 为：
Figure RE-537366DEST_PATH_IMAGE029
(7)
S5-2、计算相位差变化趋势：获取每个时刻的相位差，用此时刻的相位差减去前一时刻的相位差，即可获得此时刻的相位差变化趋势。其中，相位差变化趋势可表示为：
Figure RE-711995DEST_PATH_IMAGE030
(8)
公式（8）中
Figure RE-781582DEST_PATH_IMAGE031
代表第
Figure RE-41663DEST_PATH_IMAGE004
时刻的相位差，
Figure RE-418679DEST_PATH_IMAGE032
代表第
Figure RE-447815DEST_PATH_IMAGE033
时刻的相位差。由公式（7）可 知，信号的相位差可以反应信号到达角的变化，而信号到达角的变化又反应了手运动方向 的变化，所以通过计算每个时刻的相位差变化趋势，即可获得手势运动细粒度方向，其中相 位差变化趋势包括正、负和零三种。
S5-3、手势运动细粒度方向识别：相位差变化趋势为正对应使反射信号到达角增大的手势运动方向；相位差变化趋势为负对应使反射信号到达角减小的手势运动方向；相位差变化趋势为零，对应手势停止。
步骤S6中，根据手势运动粗粒度方向和手势运动细粒度方向，识别手势运动形态。因为粗粒度方向的两个子方向相位差变化趋势相反，所以将手势运动粗粒度方向和手势运动细粒度方向取“交集”，即可获得手势运动形态。此外，手势运动形态不仅限于单一运动形态的简单手势，还包括多种简单手势的组合手势。
步骤S7中，根据相位差变化趋势，识别手势运动速度。计算相位差变化趋势的绝对值大小，对绝对值设置N（N≥0）个阈值，将手势运动速度分为N+1个类别，根据相位差变化趋势的绝对值大小识别手势运动速度类别。特别地，当N=1时，若绝对值大于阈值，则识别手势运动速度为快速，若绝对值小于阈值，则识别手势运动速度为慢速。
步骤S8中，根据手势运动形态，以及手势运动速度，综合判定得出具有形态和速度两周属性的手势类别。
本发明提出的一种基于Wi-Fi信道状态信息相位的手势识别方法，具有如下优点：
采用更细粒度的信道状态信息相位来实现手势识别，减小环境变化对参数产生的影响，提高识别精度。
利用从信道状态信息相位中获取的多普勒速度和相位差变化趋势进行手势运动形态识别，无需采集大量样本进行学习和训练，实现基于Wi-Fi的轻量化手势识别，降低了Wi-Fi手势识别在应用中的阻碍。
不仅识别出手势运动形态，而且识别出手势运动速度，丰富了手势信息，在不减少手势数量的条件下降低了手势的复杂度。
附图说明
图1是本发明的系统框图。
图2是本发明的相位校正效果图。
图3是本发明的手势动作示意图。
图4是本发明的多普勒速度估计图。
图5是本发明的信号到达角图。
图6是本发明的手势运动细粒度方向估计图。
图7是本发明的组合手势运动细粒度方向估计图。
具体实施例
为使本发明目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
实施例
如图1所示是基于Wi-Fi信道状态信息相位的手势识别方法系统框图，具体包括以下步骤：
S1：使用一对装有商用Intel 5300网卡的笔记本电脑作为信号的收发端，避免网卡内置天线干扰过大，为发送端配置一个外置天线，为接收端配置是那个外置天线形成均匀线性阵列，其中天线间距为信号的半波长。利用CSI Tool在Monitor Mode下采集包含“推”、“拉”、“左滑”、“右滑”以及四种手势的多种组合手势的Wi-Fi信号信道状态信息。
S2：将采集的1*3*30三维信道状态信息矩阵降维为3*30的二维矩阵，每个信道状态信息可以表示为：
Figure RE-485041DEST_PATH_IMAGE035
式中
Figure RE-435680DEST_PATH_IMAGE037
代表第
Figure RE-849344DEST_PATH_IMAGE039
个子载波的相位，提取子载波相位并用
Figure RE-732986DEST_PATH_IMAGE041
表示，因收发设备的缺陷，造成相位中包含随机相位噪声
Figure RE-472272DEST_PATH_IMAGE043
和
Figure RE-175786DEST_PATH_IMAGE045
，其中
Figure RE-127561DEST_PATH_IMAGE043
为时间偏移，
Figure RE-426562DEST_PATH_IMAGE045
为相位偏移，所以提取的原始相位信息为：
Figure RE-805591DEST_PATH_IMAGE047
式中的
Figure RE-996401DEST_PATH_IMAGE041
为理论上的相位值，
Figure RE-751867DEST_PATH_IMAGE049
为加性高斯白噪声，
Figure RE-610102DEST_PATH_IMAGE051
为802.11n协议下从-28到28变化的第
Figure RE-425611DEST_PATH_IMAGE039
个子载波索引，
Figure RE-667499DEST_PATH_IMAGE053
表示大小为64 的FFT采样数。通过观察上式可知，随机相位噪声与子载波索引呈线性关系。
S3：利用本发明提出的动态插值消除法去除随机相位噪声，获得校正相位信息，具体实施步骤如下：
S3-1：利用线性消除去除随机相位噪声时，因为信道状态信息30个子载波集合的索引值和不为零，造成时间偏移误差
Figure RE-695498DEST_PATH_IMAGE043
未被完全消除，对手势识别精度造成影响。为了完全去除
Figure RE-939397DEST_PATH_IMAGE043
，根据原始子载波的信噪比，利用插值法动态地插入一个或多个新子载波，并删除原始子载波集合中的一个或多个原始子载波，以获得30个索引值和为零的新子载波集合。因为，根据信噪比的不同，有多种插值方式，本发明只举例一种。原始子载波集合的索引为：
Figure RE-925808DEST_PATH_IMAGE055
在索引值为-28和-26的子载波间插入索引值为-27的新子载波，并删除索引值为-14的原始子载波，构成新子载波集合，新子载波集合的索引为：
Figure RE-356789DEST_PATH_IMAGE057
计算可知新子载波集合索引和为零。
S3-2：计算新子载波集合的相位信息斜率
Figure RE-454058DEST_PATH_IMAGE059
和相位信息频带偏移
Figure RE-286885DEST_PATH_IMAGE061
，其中
Figure RE-966169DEST_PATH_IMAGE059
和
Figure RE-884447DEST_PATH_IMAGE061
可表示为：
Figure RE-723090DEST_PATH_IMAGE063
Figure RE-410423DEST_PATH_IMAGE065
利用原始相位信息
Figure RE-4216DEST_PATH_IMAGE067
减去相位误差项
Figure RE-144210DEST_PATH_IMAGE069
，可得到校正相位信息
Figure RE-583282DEST_PATH_IMAGE071
:
Figure RE-125121DEST_PATH_IMAGE073
由上式可知，校正相位信息中不再含有随机相位噪声
Figure RE-922438DEST_PATH_IMAGE043
和
Figure RE-549729DEST_PATH_IMAGE045
，相位校正效果如图2所示，原始相位信息为“+”，校正相位信息为“×”，原始相位信息在0至360度之间随机散乱分布，而校正相位信息紧密聚集在一个很小的度数范围内。
S4：利用校正相位信息进行多普勒速度估计，利用多重信号分类算法计算多普勒速度的值。本实施例实验场景如图3所示，平行于收发链路的方向为切向方向，垂直于收发链路的方向为法向方向。定义沿切向方向的手势为左右滑动，沿法向方向的手势为推拉，手势不仅限于这四种，还可以是四种手势的多种组合。通过计算多普勒速度，识别手势运动粗粒度方向即“左右滑”或“推拉”，具体实施步骤如下：
S4-1：建立多普勒频移与路径长度变化速度关系。在典型的室内环境中，一对收发端静止放置，形成一条Wi-Fi链路，手在链路一侧运动时，改变反射信号的传播路径长度，路径长度的变化引入信号频率偏移，信号的多普勒频移为：
Figure RE-526912DEST_PATH_IMAGE075
其中
Figure RE-923258DEST_PATH_IMAGE077
是信号的原始载波频率，
Figure RE-593274DEST_PATH_IMAGE079
代表信号传播路径长度变化速度，
Figure RE-707861DEST_PATH_IMAGE081
代表Wi-Fi信号在空气中的传播速度，为了简化描述，将
Figure RE-488735DEST_PATH_IMAGE079
称为多普勒速度。信道状态信息可以用包含多普勒速度的表达式表示为：
Figure RE-5167DEST_PATH_IMAGE083
其中
Figure RE-344619DEST_PATH_IMAGE085
代表信号传播路径个数，
Figure RE-212081DEST_PATH_IMAGE087
为在
Figure RE-796646DEST_PATH_IMAGE089
时刻第
Figure RE-370847DEST_PATH_IMAGE091
条路径的信号传播时延，
Figure RE-382665DEST_PATH_IMAGE093
为第
Figure RE-471844DEST_PATH_IMAGE091
条路径的长度变化速度。
S4-2：采用多重信号分类算法对多普勒速度进行解算，获取
Figure RE-860100DEST_PATH_IMAGE079
的精确值。如图4所示，实线为“推拉”方向的多普勒速度，虚线为“左右滑”方向的多普勒速度，“推拉”方向多普勒速度值为-0.5m/s，而“左右滑”方向的多普勒速度无明显突出的尖峰，无法获得稳定且唯一的多普勒速度。
S4-3：手势运动粗粒度方向识别。通过S4-2中获取的多普勒速度，可知“推拉”方向多普勒速度方差小，均值大，“左右滑”方向多普勒速度方差大，均值小。所以对多普勒速度的方差设置一个阈值，若多普勒速度的方差小于此阈值，手势运动粗粒度方向则为“推拉”；若多普勒速度的方差大于此阈值，手势运动粗粒度方向则为“左右滑”。
S5：通过S4识别出手势运动粗粒度方向为“推拉”或“左右滑”，但无法识别出具体为“左滑”或“右滑”、“推”或“拉”。为了识别手势运动细粒度方向，利用校正相位信息，进行相位差变化趋势估计，包括如下步骤：
S5-1：计算接收端相邻两根天线接收信号的相位差。如图5所示，信号沿着第
Figure RE-85545DEST_PATH_IMAGE095
条路径传播到达接收端，接收端相邻两根天线间距为
Figure RE-471527DEST_PATH_IMAGE097
，信号到达角为
Figure RE-48002DEST_PATH_IMAGE099
，其中
Figure RE-741413DEST_PATH_IMAGE101
，信号到达相邻两根天线的波程差为
Figure RE-821365DEST_PATH_IMAGE103
，通过波程差可得相邻两根天线接收信号的相位差为：
Figure RE-643827DEST_PATH_IMAGE105
S5-2：计算相位差变化趋势。获取每个时刻的相位差，用此时刻的相位差减去前一时刻的相位差，即可获得此时刻的相位差变化趋势：
Figure RE-442019DEST_PATH_IMAGE107
式中
Figure RE-172078DEST_PATH_IMAGE109
代表第
Figure RE-372115DEST_PATH_IMAGE039
时刻的相位差，
Figure RE-365479DEST_PATH_IMAGE111
代表第
Figure RE-385387DEST_PATH_IMAGE113
时刻的相位差。在本实验场景中，如图6所示，实线为手势“推”或“右滑”的相位差，虚线为手势“拉”或“左滑”的相位差，相位差变化趋势则为两条直线的斜率，可知手势“推”和“右滑”的斜率为负，手势“拉”和“左滑”的斜率为正。
S5-3：手势运动细粒度方向识别。相位差变化趋势为正对应手势动作“拉”和“左滑”手势，相位差变化趋势为负，对应手势动作“推”和“右滑”手势，相位差变化趋势为零对应手势动作停止。根据每个手势动作的相位差变化趋势，即可获得手势运动细粒度方向。
S6：根据手势运动粗粒度方向，以及手势运动细粒度方向，识别手势运动形态。将S4和S5识别的手势运动粗粒度方向和手势运动细粒度方向取“交集”，若手势运动粗粒度方向为“推拉”，手势运动细粒度方向为“拉”和“左滑”，则手势运动形态为“拉”；若手势运动粗粒度方向为“推拉”，手势运动细粒度方向为“推”和“右滑”，则手势运动形态为“推”；若手势运动粗粒度方向为“左右滑”，手势运动细粒度方向为“拉”和“左滑”，则手势运动形态为“左滑”；若手势运动粗粒度方向为“左右滑”，手势运动细粒度方向为“推”和“右滑”，则手势运动形态为“右滑”。另外，识别组合手势时，如“推拉”手势，通过S4识别手势运动粗粒度方向为“推拉”，通过S5识别手势运动细粒度方向如图7所示，方向分别为“推”和“拉”，所以识别得到的组合手势为“推拉”。
S7：根据相位差变化趋势，识别手势运动速度。计算相位差变化趋势的绝对值大小，对绝对值设置N(N≥0)个阈值，将手势运动速度分为N+1个类别，根绝相位差变化趋势的绝对值大小识别手势运动速度类别。例如，当N=1时，设置一个阈值，若绝对值大于此阈值，则识别手势运动速度为快速，若绝对值小于此阈值，则识别手势运动速度为慢速。
S8：根绝手势运动形态，以及手势运动速度，综合判定得出手势类别。例如，识别手势运动形态为“左滑”，若识别手势运动速度为慢速，则手势类别为“慢速左滑”；若识别手势运动速度为快速，则手势类别为“快速左滑”。

Claims (5)

1.一种基于Wi-Fi信道状态信息相位的手势识别方法，其特征在于：
利用Wi-Fi设备采集信号的信道状态信息，并提取原始相位信息，对所述原始相位信息采用动态插值消除法进行校正，获得校正相位信息；
利用所述校正相位信息进行多普勒速度估计，获得手势运动粗粒度方向；
利用所述校正相位信息进行相位差变化趋势估计，获得手势运动细粒度方向；
根据所述手势运动粗粒度方向和所述手势运动细粒度方向，识别手势运动形态；
利用所述相位差变化趋势，识别手势运动速度；
利用所述手势运动形态和所述手势运动速度，识别出具有形态和速度两种属性的手势类别。
2.根据权利要求1所述，其特征在于，对所述原始相位信息采用动态插值消除法进行校正，包括：
首先利用动态插值，对所述信道状态信息的原始子载波集合进行变换；
然后利用线性消除，去除随机相位噪声；
所述动态插值，是在所述信道状态信息的索引值不连续且和不为零的原始子载波集合中，根据所述原始子载波集合的信噪比，利用插值法动态地插入一个或多个新子载波，并删除所述原始子载波集合中的一个或多个原始子载波，以获得索引值不连续但和为零的新子载波集合。
3.根据权利要求1所述，其特征在于，所述手势运动粗粒度方向，包括：
利用多重信号分类等算法计算所述校正相位信息的多普勒速度，根据所述多普勒速度的统计特征，识别所述手势运动粗粒度方向。
4.根据权利要求1所述，其特征在于，所述手势运动细粒度方向，包括：
计算所述Wi-Fi设备的收发模块相邻两天线接收信号的相位差变化趋势，所述相位差变化趋势包括正、负和零三种，其中所述相位差变化趋势为正对应使反射信号到达角增大的手势运动方向；相位差变化趋势为负对应使反射信号到达角减小的手势运动方向；相位差变化趋势为零，对应手势停止。
5.根据权利要求1所述，其特征在于，所述手势运动速度，包括：
所述手势运动速度，是计算所述相位差变化趋势的绝对值大小，对所述绝对值设置N(N≥0)个阈值，将所述手势运动速度分为N+1个类别，根据所述相位差变化趋势的绝对值大小识别手势运动速度类别；特别地，当N=1时，若所述绝对值大于所述阈值，则识别所述手势运动速度为快速，若所述绝对值小于所述阈值，则识别所述手势运动速度为慢速。
CN202010258953.3A 2020-04-03 2020-04-03 一种基于Wi-Fi信道状态信息相位的手势识别方法 Active CN113495619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010258953.3A CN113495619B (zh) 2020-04-03 2020-04-03 一种基于Wi-Fi信道状态信息相位的手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010258953.3A CN113495619B (zh) 2020-04-03 2020-04-03 一种基于Wi-Fi信道状态信息相位的手势识别方法

Publications (2)

Publication Number Publication Date
CN113495619A true CN113495619A (zh) 2021-10-12
CN113495619B CN113495619B (zh) 2023-11-10

Family

ID=77994631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010258953.3A Active CN113495619B (zh) 2020-04-03 2020-04-03 一种基于Wi-Fi信道状态信息相位的手势识别方法

Country Status (1)

Country Link
CN (1) CN113495619B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106610292A (zh) * 2015-10-22 2017-05-03 北京金坤科创技术有限公司 一种基于混合wifi与航迹推算的室内定位方法
CN106658590A (zh) * 2016-12-28 2017-05-10 南京航空航天大学 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
CN107633227A (zh) * 2017-09-15 2018-01-26 华中科技大学 一种基于csi的细粒度手势识别方法和系统
US20180120420A1 (en) * 2015-04-20 2018-05-03 Resmed Sensor Technologies Limited Gesture recognition with sensors
CN109116986A (zh) * 2018-08-07 2019-01-01 南京师范大学 一种基于柔性光纤的手势识别系统和方法
CN109902554A (zh) * 2019-01-09 2019-06-18 天津大学 一种基于商用Wi-Fi的手语的识别方法
CN110298263A (zh) * 2019-06-10 2019-10-01 中南大学 基于rfid系统的实时精确且无接触的手势识别方法及系统
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180120420A1 (en) * 2015-04-20 2018-05-03 Resmed Sensor Technologies Limited Gesture recognition with sensors
CN106610292A (zh) * 2015-10-22 2017-05-03 北京金坤科创技术有限公司 一种基于混合wifi与航迹推算的室内定位方法
CN106658590A (zh) * 2016-12-28 2017-05-10 南京航空航天大学 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
CN107633227A (zh) * 2017-09-15 2018-01-26 华中科技大学 一种基于csi的细粒度手势识别方法和系统
CN109116986A (zh) * 2018-08-07 2019-01-01 南京师范大学 一种基于柔性光纤的手势识别系统和方法
CN109902554A (zh) * 2019-01-09 2019-06-18 天津大学 一种基于商用Wi-Fi的手语的识别方法
CN110298263A (zh) * 2019-06-10 2019-10-01 中南大学 基于rfid系统的实时精确且无接触的手势识别方法及系统
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

Also Published As

Publication number Publication date
CN113495619B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN107481264B (zh) 一种自适应尺度的视频目标跟踪方法
CN108805194B (zh) 一种基于wifi信道状态信息的手写识别方法及系统
CN102520389B (zh) 一种二维空间谱谱峰搜索方法
CN112100435B (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN107450724A (zh) 一种基于双声道音频多普勒效应的手势识别方法及系统
CN109726553B (zh) 一种基于snn-lof算法的慢速拒绝服务攻击检测方法
WO2019119223A1 (zh) 基于雷达的测距处理方法、装置及无人飞行器
Xiao et al. Wireless network optimization via physical layer information for smart cities
CN112906812A (zh) 基于带离群点去除的车辆轨迹聚类方法
Sheng et al. An accurate device-free action recognition system using two-stream network
CN110289926B (zh) 基于调制信号循环自相关函数对称峰值的频谱感知方法
CN109190605B (zh) 一种基于csi的人体连续动作计数方法
CN113495619A (zh) 一种基于Wi-Fi信道状态信息相位的手势识别方法
CN111901266A (zh) 面向低信噪比和高动态场景的载波多普勒频偏捕获方法
CN116299166A (zh) 一种用于chirp信号的低复杂度融合测距方法
CN116644300A (zh) 一种基于信道状态信息的穿墙目标行为识别方法及其装置
KR101232365B1 (ko) 무선센서 네트워크에서의 다중 이동체 위치추적장치 및 그 방법
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
CN112200831B (zh) 一种基于动态模板的密集连接孪生神经网络目标跟踪方法
CN113972951A (zh) 一种低信噪比高动态信号载波多普勒频偏的梳状搜索方法
CN110491408A (zh) 一种基于稀疏元分析的音乐信号欠定混叠盲分离方法
Zhao et al. A study of individual identification of radiation source based on feature extraction and deep learning
CN111631723A (zh) 一种基于信道状态信息的室内被动动态人体检测方法
CN110677318A (zh) 一种基于线性调频z变换的水声信道时延估计方法
Hao et al. UltrasonicG: Highly Robust Gesture Recognition on Ultrasonic Devices

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