CN113971437B - 一种基于商用Wi-Fi设备的跨域手势识别方法 - Google Patents
一种基于商用Wi-Fi设备的跨域手势识别方法 Download PDFInfo
- Publication number
- CN113971437B CN113971437B CN202111118700.7A CN202111118700A CN113971437B CN 113971437 B CN113971437 B CN 113971437B CN 202111118700 A CN202111118700 A CN 202111118700A CN 113971437 B CN113971437 B CN 113971437B
- Authority
- CN
- China
- Prior art keywords
- domain
- gesture
- task
- data
- cross
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000026762 inability to speak Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于商用Wi‑Fi设备的高精度可跨域的手势识别方法,包括在监测区域部署Wi‑Fi收发设备;在监测范围内做手势,采集CSI数据;从原始CSI数据中获取手势对应的DFS;对手势对应的DFS数据进行预处理,获取不同域中不同类型手势的低维特征数据;将不同域中不同类型手势的低维特征数据输入到任务生成模块,得到单域任务和多域任务;将单域任务、多域任务组合分批输入至元任务残差网络进行训练,得到源域手势训练模型;调整样本手势训练模型精度,完成跨域手势的识别。本发明的方法既能在跨域的情况下提供令人满意的高精度手势识别率又能大大减少所需的代价。
Description
技术领域
本发明涉及无线感知领域,特别涉及一种低成本的基于商用Wi-Fi设备的高精度无接触且可跨域的手势识别方法。
背景技术
手势是语言之外人类的又一交流工具,例如交警在指挥交通时用手势可以指挥过往车辆,听力障碍或无法言语的人通常用手语作为主要的交际工具。而近些年以来,随着人机交互应用的推广,手势识别作为一种方便高效的实现手段,越来越受到重视。人们开始期待手势不仅可以作为人类之间交流的一种辅助工具,也可以作为人机之间交互的另一重要手段。
现有的手势识别方法主要分为以下3类:
第一类:基于可穿戴设备的手势识别方法。该类方法通常基于使用各种传感器的数据手套、加速度计、生物电等技术。尽管该类方法能够提供高精度的手势识别率,但是往往需要用户携带指定设备,会造成额外的负担和不适。
第二类:基于视觉的手势识别方法。该类方法通常由一个或多个摄像头采集手势图像信息,然后对采集的数据进行去噪和信息增强,然后利用分割算法获取图像中的目标手势,通过视频处理和分析得到当前手势的分类和描述。但是这类方法在光线不足的情况下难以保持工作,除此之外还会涉及到隐私侵犯的问题。
第三类:基于无线传感的手势识别方法。该类方法主要利用常见的无线信号例如Wi-Fi,RFID等来感知不同的手势。目前这类方法智能在固定的环境下工作,换言之,如果训练环境和实际使用环境不一致,那么它的精度会大大降低。这是因为无线信号容易收到手势以外的环境信息的干扰,这也使得它不能被广泛使用于工业界。
综上所述,现有的手势识别技术存在各种缺陷。因此需要拥有更高可行性的被动式目标材料识别技术。
发明内容
为了解决上述现有技术存在的问题,本发明的目的在于,提供一种基于商用设备的跨域手势识别方法,该方法既能提供高精度的手势识别率,又能大大减少系统所需的代价。
为了实现上述任务,本发明采取如下的技术解决方案:
一种基于商用Wi-Fi设备的跨域的手势识别方法,该方法包括以下步骤:
步骤一,在监测区域部署Wi-Fi收发设备;
步骤二,在监测范围内做手势,采集CSI数据;
步骤三,从原始CSI数据中获取手势对应的DFS;
步骤四,对手势对应的DFS数据进行预处理,获取能够取代DFS的低维特征数据;
步骤五,将不同域中不同类型手势的低维特征数据输入到任务生成模块,得到单域任务和多域任务;
步骤六,将单域任务、多域任务组合分批输入至元任务残差网络进行训练,得到源域手势训练模型;
步骤七,调整源域手势训练模型参数,完成跨域手势的识别。
进一步地,所述的步骤四对手势对应的DFS数据进行预处理,通过卷积自动编码器实现手势数据的低维特征数据获取。
进一步地,所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤五,单域任务中只包含某一特定域中的手势数据,而多域任务中包含了随机几个域中的手势数据。
进一步地,所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤六,源域手势训练模型中多域任务数量与单域任务数量一致。
进一步地,所述的步骤六中元任务残差网络至少包括三个残差块构成的网络主体,任务生成模块,其中残差网络用用于学习手势特征,任务生成模块用来训练网络的跨域能力。
进一步地,所述的步骤六元学习训练过程为将接收到的一批任务分为support集和query集,在support集上做一次梯度下降,得到一组临时参数,随即将得到的临时参数应用于query集上,计算对应的损失函数值,重复此过程,得到一批任务对应的损失函数值,根据一批任务对应的损失函数值对当前参数做一次梯度下降,并对参数进行更新。
进一步地,所述的步骤七,调整源域手势训练模型参数采用模型如下:
其中:训练之后的模型初始参数为θ,在目标域中的已知样本为其中,/>是样本数据,/>是/>所对应的类别标签,1≤i≤k,微调之后的初始参数为θ*,微调之后的模型为fθ*,α为步长超参数,x为未知样本,y是模型fθ*所预测出的x的类别。
本发明与现有技术相比,具有以下有益效果:
1、不同手势的动作对Wi-Fi信号影响有所不同,借此来识别目标手势,该识别方法避免了特殊精密设备的要求,从而减少了相应的代价,同时保留高精度的目标手势识别率。
2、通过加入任务生成模块,让模型在训练过程中预演各种条件的变化,从而在应对新的域时,只需要一个或几个样本,进行少量迭代,就可以达到很好的识别精度,这一点大大提高了手势识别系统在工业界的可行性。
附图说明
图1是本发明的的流程图
图2是基于Wi-Fi的在传统CNN下实现的手势识别方法的精度示意图。
图3是本发明的网络总体架构图。
图4是本发明在跨域时测试所得的箱线图。
图5是使用来自目标域的不同数量的已知样本情况下的测试精度图。
图6是本发明在新环境下对目标的适应速度图。
图7是将元学习模块替换为CNN网络之后测试所得的箱线图。
下面将结合附图和实施例对本发明作进一步地详细描述。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见,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的前提下,还可以根据这些附图获得其他的附图。
本实施例给出一种基于商用Wi-Fi设备的高精度可跨域的手势识别方法,包括:
步骤一,在监测区域部署Wi-Fi收发设备;
步骤二,在监测范围内做手势,采集CSI数据;
步骤三,从原始CSI数据中获取手势对应的DFS;
步骤四,对手势对应的DFS数据进行预处理,获取能够取代DFS的低维特征数据;
步骤五,将不同域中不同类型手势的低维特征数据输入到任务生成模块,得到单域任务和多域任务;
步骤六,将单域任务、多域任务组合分批输入至元任务残差网络进行训练,得到源域手势训练模型;
步骤七,调整样本手势训练模型参数,完成跨域手势的识别。
以下针对本发明的各个步骤做进一步详细说明:
步骤一,在监测区域部署Wi-Fi收发设备,包括:
在监测区域放置发射器和接收器,所有的收发器都是现有的迷你台式机(物理尺寸170mm×170mm),配备了Intel 5300无线网卡。在设备上安装Linux CSI Tool,用于记录CSI数据。
步骤二,在监测范围内做手势,采集CSI数据,包括:
设备被设置在监控模式下工作,在165频道5.825GHz,这里有较少的干扰无线电,因为干扰会对CSI的测量和手机产生严重影响。发射器激活一个天线,以每秒1000个包的速度广播Wi-Fi包。让用户在检测区域内做手势,设备记录下来对应的CSI数据。
步骤三、从原始CSI数据中获取手势对应的DFS,包括:
由于硬件的不完善和不可避免的环境噪声,不能直接使用原始CSI读数进行特征提取。我们应用了离散小波变换(DWT)算法来去除环境噪声,然后采用天线选择方案来选择合适的天线对,并在两个天线之间进行共轭乘法以消除随机相位偏移。这样,就可以得到我们期待的DFS谱图。
步骤四,对手势对应的DFS数据进行预处理,获取能够取代DFS的低维特征数据;
由于数据量很大,若是直接输入到模型中进行训练,需要大量的内存和算力,计算代价过大。所以,这一步将高维的DFS数据输入到我们设计的卷积自动编码器中,从中间层获取能够替代DFS的低维特征,以提高机器学习部分的运算速度,降低运算复杂度。这一步中,内存需求量的减少和运算速度的提高与编码器的设计相关,本发明中,编码器部分选用了三层卷积三层池化,解码器使用了三层卷积和三层下采样,将数据维度缩小为原来的1/8。
步骤五,将不同域中不同类型手势的低维特征数据输入到任务生成模块,得到单域任务和多域任务;
由于无线信号会包含大量的环境信息,在源域训练好的模型无法适用于新的域,这一步的任务生成模块主要用来解决跨域的问题。将收集好的各个域的数据分割成训练集和测试集,应用了两种任务生成算法生成单域任务和多域任务,单域任务中的每个样本都来自同一个域,而多域任务中的不同类的样本来自不同域。这样可以更有效地利用现有数据集在离线训练的过程中预演条件变化,让模型学会如何适应新的条件。
假设当前拥有来自C个环境的数据集D,它的每一个子集代表来自一个特定域的数据集,当前的标签集大小为|Y|=M。
具体而言,单域任务是指对于所有的1≤i≤C,生成任务Ti,对于任意Ti,它所包含的N类手势的样本都来自于Di;多域任务是指对于每一个标签yj,随机选取一个Dx,任务Ti里标签yj的所有样本都来自于Dx。
步骤六,将单域任务、多域任务组合分批输入至元任务残差网络进行训练,得到源域手势训练模型,具体包括:
参见图3,本发明的元任务残差网络至少包括三个残差块的网络主体,任务生成模块,其中残差网络用于学习手势特征,任务生成模块用来训练网络的跨域能力。
任务生成模块产生的两种任务,按C:C的比例和频次组成一批任务(其中C为训练过程中源域的数量),输入到元任务残差网络中,让模型进行学习,它可以在此过程中学到不同类的特征,仅需要来自目标域的一个或几个样本,就可以达到很好的识别效果。
我们所应用的元学习的一个核心思想是找到一个最佳的初始化参数,所谓最佳,就是这个初始参数可以使模型使用目标域下的1个或几个样本,临时经过少量梯度迭代步骤之后,在新域中表现出比较好的性能。为了实现这一目的,需要找到对条件变化敏感的模型参数。所谓对条件变化敏感,即面对域的变化时,参数做一次梯度下降,即可对损失函数产生尽可能大的影响。这样,当参数沿着损失函数的梯度方向改变时,一个微小的变化将对任务的损失函数产生较大的影响。而本步骤提及的任务生成模块,正是用来预演条件变化的,将它所生成的任务分批送入元学习模型中进行训练,恰恰可以找到我们所需要的对条件变化敏感的初始参数。
元学习训练中的任务分为训练阶段和测试阶段,为了于传统意义上的训练和测试进行区分,将一个任务的中的训练集称为support集,测试集称为query集。在本方案中,元学习训练过程如下:将接收到的一批任务分为support集和query集,在support集上做一次梯度下降,得到一组临时参数,随即将得到的临时参数应用于query集上,计算对应的损失函数值。重复此过程,得到一批任务对应的损失函数值,根据这个损失函数值对当前参数做一次梯度下降,并对参数进行更新。
在本发明中,使用元学习训练实现手势识别,所以我们用到了N-way,K-shot分类概念,并将其扩展为N-way,K-shot,Q-query。N-way,指的是N类样本,本发明为实施例给出6种手势的分类,故N=6;K-shot,指的是每一类中作为support集的样本数量,我们测试了1-shot,2-shot和5-shot的情况;Q-query指的是每一类中作为query集的样本数量,本文中Q=10-K。
具体来说,我们应用的网络模型它的初始化参数为θ,假设用fθ来表示模型。当学习到一个新任务Ti时,对参数临时进行一次梯度更新,其中,α为步长超参数,/>为模型fθ在Ti上的损失函数值。由此,模型的参数由θ临时更新为θi ′。整个学习过程的元目标可以定义为/>
经过一批任务的训练之后,对初始化参数θ进行实际的更新,这里也是通过梯度下降来实现:其中,β为元步长超参数。由此,模型的初始化参数θ得到更新,这是一次完整的训练过程,重复多次,便可以得到最终的初始化参数。
针对手势分类的任务,使用交叉熵损失函数,定义为:
其中,x(j),y(j)是任务Ti的输入/输出对,φ是当前模型的初始化参数。
步骤七,调整源域手势训练模型参数参数,完成跨域手势的识别。
在目标域中为每个类别的手势收集1个或几个样本,将其输入到模型中,让模型进行微调,即可对该目标域的其他样本达到较高的识别精度,包括:
将从目标域收集的1个或几个样本输入到训练好的模型中,让模型进行几次梯度迭代步骤进行微调,微调后的模型即可用于该目标域中其他未知样本的正常测试。
具体来说,以1-shot为例,假设训练之后的模型初始参数为θ,在目标域中的已知样本为(x*,y*),根据这一样本对初始参数进行微调:此过程可以进行多次,经验值为10-30次,迭代调整之后的参数为θ*,换言之,θ*为该目标域中的实际初始参数。随后,即可使用模型fθ*对未知样本进行预测:y=fθ*(x),其中,x为目标域的未知样本数据,fθ*为微调之后的模型,y为模型预测出来的结果。
一般地,以k-shot为例,我们给出以下通用模型:假设训练之后的模型初始参数为θ,在目标域中的已知样本为其中,/>是样本数据,/>是所对应的类别标签,1≤i≤k。根据这k个样本对初始参数进行微调,微调过程通常包含10-30次梯度下降,微调之后的初始参数为θ*,微调之后的模型为fθ*,由此,便可对未知样本x进行分类。
其中,α为步长超参数,x为未知样本,y是模型fθ*所预测出的x的类别。
实验结果对比:
发明人尝试从以下四个方面去评估本实施例给出的基于商用Wi-Fi设备的高精度可跨域的手势识别方法(以下评估均为六个手势的分类):
传统CNN在基于Wi-Fi的手势识别上的跨域性能;本方案的整体性能;元学习对目标域的适应速度;元学习模块的性能。
传统CNN的跨域性能:
图2为基础的CNN模型在不跨域和跨域时的表现,可以看到,当测试域与训练域一致时,CNN的精度很高。然而,当测试域与训练域不一致时,CNN的精度骤降。这说明无线信号对环境的敏感性,这也是本发明要重点解决的问题之一。
本方案的整体性能:
图4为5-shot下的模型测试结果,即使用目标域的5个样本来调整模型,然后用调整后的模型在该域的其他数据上做预测。我们发现,在目标域的识别精度大都可以达到70%以上,比基础CNN高出了20%-30%以上,这可以说明我们方案在解决跨域问题上的有效性。
图5为模型跨域时的精度,1-shot到5-shot对应的是用目标域的几个样本来调整模型,图中所示是调整之后的模型在目标域的测试精度。我们测试了跨五种域时模型的表现,分别为跨位置、跨方向、跨用户、跨设备和跨房间。与传统CNN相比,本方案在跨域这一方向上作出了巨大突破。此外,从图中可以看出,随着用来调整模型的样本数量的增加,模型的测试精度也随之上升,但即使只有1个样本,模型也可以调整到70%的准确率以上。
元学习对目标域的适应速度:
图6为跨方向时模型在微调之后对目标域的适应速度,从图中可以看出,仅仅需要不到5次梯度迭代步骤,模型即可在目标域展现出良好的性能。这是因为在训练过程中,我们只取第一次梯度迭代之后的损失函数值作为标准,因此,模型学习到的能力会更倾向于“以最快的速度向目标域调整”,这也就表现为上图中一次迭代之后,精度便由不到20%(1/6)提升到60%到80%。
元学习模块的性能
图7为将本方案中的元学习模块替换为传统的CNN网络时的效果,与图3对比可以发现,在去掉元学习模块之后,跨域精度大大降低,最高不超过60%的识别准确率。这是因为在元学习模块中,我们通过任务生成预演了各种条件变化,让模型学到了如何快速适应新的环境,而这是传统网络所不具备的。
总体而言,本发明既能大大减少成本,又能在面对新环境时,达到令人满意的高精度手势识别精度。
Claims (5)
1.一种基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:该方法包括以下步骤:
步骤一,在监测区域部署Wi-Fi收发设备;
步骤二,在监测范围内做手势,采集CSI数据;
步骤三,从原始CSI数据中获取手势对应的DFS;
步骤四,对手势对应的DFS数据进行预处理,获取能够取代DFS的低维特征数据;
步骤五,将不同域中不同类型手势的低维特征数据输入到任务生成模块,得到单域任务和多域任务;单域任务中只包含某一特定域中的手势数据,而多域任务中包含了随机几个域中的手势数据;
步骤六,将单域任务、多域任务组合分批输入至元任务残差网络进行元学习训练,得到源域手势训练模型;
步骤七,调整源域手势训练模型参数,完成跨域手势的识别;其中调整源域手势训练模型参数采用模型如下:
其中:训练之后的模型初始参数为θ,在目标域中的已知样本为其中,/>是样本数据,/>是/>所对应的类别标签,1≤i≤k,微调之后的初始参数为θ*,微调之后的模型为/>α为步长超参数,x为未知样本,y是模型/>所预测出的x的类别。
2.如权利要求1所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤四对手势对应的DFS数据进行预处理,通过卷积自动编码器实现手势数据的低维特征数据获取。
3.如权利要求1所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤六,源域手势训练模型中多域任务数量与单域任务数量一致。
4.如权利要求1所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤六中元任务残差网络至少包括三个残差块构成的网络主体,任务生成模块,其中残差网络用用于学习手势特征,任务生成模块用来训练网络的跨域能力。
5.如权利要求3或4所述的基于商用Wi-Fi设备的跨域的手势识别方法,其特征在于:所述的步骤六元学习训练过程为将接收到的一批任务分为support集和query集,在support集上做一次梯度下降,得到一组临时参数,随即将得到的临时参数应用于query集上,计算对应的损失函数值,重复此过程,得到一批任务对应的损失函数值,根据一批任务对应的损失函数值对当前参数做一次梯度下降,并对参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118700.7A CN113971437B (zh) | 2021-09-24 | 2021-09-24 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118700.7A CN113971437B (zh) | 2021-09-24 | 2021-09-24 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971437A CN113971437A (zh) | 2022-01-25 |
CN113971437B true CN113971437B (zh) | 2024-01-19 |
Family
ID=79586788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111118700.7A Active CN113971437B (zh) | 2021-09-24 | 2021-09-24 | 一种基于商用Wi-Fi设备的跨域手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971437B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781439B (zh) * | 2022-03-29 | 2023-05-30 | 深圳市应和脑科学有限公司 | 模型获取系统、手势识别方法、装置、设备及存储介质 |
CN116595443B (zh) * | 2023-07-17 | 2023-10-03 | 山东科技大学 | 一种基于元学习的无线信号本手势识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543842A (zh) * | 2019-08-22 | 2019-12-06 | 清华大学 | 一种基于Wi-Fi信号的目标运动识别方法及系统 |
WO2020037313A1 (en) * | 2018-08-17 | 2020-02-20 | The Regents Of The University Of California | Device-free-human identification and device-free gesture recognition |
WO2020145431A1 (ko) * | 2019-01-09 | 2020-07-16 | 엘지전자 주식회사 | Rf 신호를 이용한 사용자 제스쳐 결정 방법 및 이를 위한 장치 |
CN112733609A (zh) * | 2020-12-14 | 2021-04-30 | 中山大学 | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 |
CN113139536A (zh) * | 2021-05-12 | 2021-07-20 | 哈尔滨工业大学(威海) | 一种基于跨域元学习的文本验证码识别方法、设备及存储介质 |
-
2021
- 2021-09-24 CN CN202111118700.7A patent/CN113971437B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037313A1 (en) * | 2018-08-17 | 2020-02-20 | The Regents Of The University Of California | Device-free-human identification and device-free gesture recognition |
WO2020145431A1 (ko) * | 2019-01-09 | 2020-07-16 | 엘지전자 주식회사 | Rf 신호를 이용한 사용자 제스쳐 결정 방법 및 이를 위한 장치 |
CN110543842A (zh) * | 2019-08-22 | 2019-12-06 | 清华大学 | 一种基于Wi-Fi信号的目标运动识别方法及系统 |
CN112733609A (zh) * | 2020-12-14 | 2021-04-30 | 中山大学 | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 |
CN113139536A (zh) * | 2021-05-12 | 2021-07-20 | 哈尔滨工业大学(威海) | 一种基于跨域元学习的文本验证码识别方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
党小超 ; 黄亚宁 ; 郝占军 ; 司雄 ; .基于信道状态信息的无源室内人员日常行为检测方法.通信学报.2019,(04),全文. * |
吴斌方 ; 陈涵 ; 肖书浩 ; .基于SVM与Inception-v3的手势识别.计算机系统应用.2020,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113971437A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113971437B (zh) | 一种基于商用Wi-Fi设备的跨域手势识别方法 | |
CN110516718B (zh) | 基于深度嵌入空间的零样本学习方法 | |
O'Shea et al. | Spectral detection and localization of radio events with learned convolutional neural features | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
Du et al. | Shape recognition based on radial basis probabilistic neural network and application to plant species identification | |
CN112733609B (zh) | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 | |
AU2021245165B2 (en) | Method and device for processing quantum data | |
CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN111680539A (zh) | 动态手势雷达识别方法和装置 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN114360520A (zh) | 语音分类模型的训练方法、装置、设备及存储介质 | |
CN113259883A (zh) | 一种面向手机用户的多源信息融合的室内定位方法 | |
Kang et al. | Randomized learning-based classification of sound quality using spectrogram image and time-series data: A practical perspective | |
CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
CN112085079B (zh) | 一种基于多尺度多任务学习的滚动轴承故障诊断方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
Kovarskiy et al. | Comparison of RF spectrum prediction methods for dynamic spectrum access | |
CN111382761B (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
KR20220098964A (ko) | 음향 신호를 인식하는 학습 모델의 트레이닝 방법과 그 학습 모델을 이용한 음향 신호의 인식 방법 및 그 방법들을 수행하는 장치 | |
Ebraheem et al. | Lip Movement as a WiFi-Enabled Behavioral Biometric: A Pilot Study |
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 |