劉熠辰,徐 豐

(復旦大學 電磁波信息科學教育部重點實驗室,上海 200433)

?

綜 述

基于雷達技術的手勢識別

劉熠辰,徐 豐

(復旦大學 電磁波信息科學教育部重點實驗室,上海 200433)

本文提出了一種基于雷達技術的手勢識別方法，利用手勢動作中產(chǎn)生的多普勒頻率信息作為手勢的特征信息，采用了雷達技術中常用的線性調(diào)頻、壓縮處理、動目標顯示作為手勢信號處理算法，有效地獲取不同手勢信號的特征信息再予以成像，而后針對圖像采用支持向量機算法進行分類和識別。上述理論基礎之上，本文設計了一個擁有七種不同手勢的手勢識別系統(tǒng)進行實驗，最終手勢識別正確率達到了92.9%，成功驗證了本文手勢識別方法是準確有效的。

手勢識別；手勢特征信息；雷達技術；信號處理；圖像分類

0 引 言

手勢識別在人類社會生活的許多方面都能得到應用。用于智能家居，人們能以手勢動作命令家庭電器工作；用于汽車領域，人們可以用特定的手勢調(diào)用汽車系統(tǒng)的相關功能，比如啟動導航系統(tǒng)，開啟倒車雷達等等；用于遠程控制，在特殊場合要應用遠端機器或者機器人的時候，可以通過手勢很好的控制它們；用于娛樂，玩家通過手勢控制游戲設備，能大大增加游戲趣味性，有更強的互動感等。

手勢識別技術中，基于傳感器的手勢識別和基于視覺的手勢識別是當下最為常見的。基于傳感器的手勢識別需要使用者穿戴專門的設備[1]?；谝曈X的手勢識別[2]在使用過程中能夠很大程度上避免基于傳感器的手勢識別的局限，卻仍然受到視覺設備視距有限、視線容易受到阻擋、受光線強度影響等限制。無線信號有著能夠穿透墻壁、越過障礙物等優(yōu)點。近年來，基于無線射頻的手勢識別也成為了本領域研究熱點。Wang W, Liu A X等人提出一種基于CSI (Channel State Information)的人體運動識別模型[3]，采用wifi頻段信號，分析了多徑效應對人體運動的影響，并且提出采樣小波變換或者時頻分析的方式去做人體的運動識別，在后續(xù)獲得特征參數(shù)后，使用Hidden Markov Model (HMM)對不同場景進行建模。WiGest是卡耐基梅隴大學的Khaled A. Harras團隊做的產(chǎn)品[4]，核心在于使用WiFi信號的RSSI信息，通過小波變換將手勢信號的上升沿、下降沿、脈沖等特征去識別手勢。Dina Katabi團隊介紹了RF-Capture[5]，利用射頻信號可以對人體進行穿墻成像，并且識別人體的局部特征進行手勢識別。

本文提出的基于雷達技術的手勢識別方法，屬于基于無線射頻的手勢識別。

1 識別方法

與前文[3-5]這些基于無線射頻的手勢識別不同，本文基于信號的多普勒頻移現(xiàn)象，應用FMCW雷達技術中脈沖壓縮、動目標顯示將受不同手勢動作影響的信號多普勒頻率頻移生成手勢信息圖像，并且根據(jù)不同手勢生成的手勢信息圖像的多普勒頻移具有不同的特征，采用機器學習算法SVM算法對手勢進行分類。

1.1 手勢多普勒頻移

當發(fā)射信號源遇到比劃手勢的人體時，回波信號中將有出現(xiàn)多普勒頻移。多普勒頻移計算的數(shù)學公式如下：

(1)

如果手部運動方向或手部運動速度發(fā)生改變，多普勒頻移勢必會發(fā)生變化，不同手勢，這兩種手部運動的參數(shù)不同，多普勒頻移便不同，這便可以得出結(jié)論，通過多普勒頻移能夠成功表達不同手勢的信息。

1.2 多普勒頻移處理方法

獲取手勢信號多普勒頻移的信號處理過程如圖1，采用了FMCW雷達技術。

圖1 信號處理過程

信號處理方法具體步驟如下：

Step1. 將發(fā)射信號調(diào)制成線性調(diào)頻信號s(t)，其復數(shù)表達式如下

(2)

這里fc是載頻，T是信號持續(xù)時間，rect(t/T)是矩形信號，K為調(diào)頻斜率，K=B/T。

Step2. 經(jīng)過用戶手勢動作之后，對接收到的回波信號進行脈沖壓縮。

脈沖壓縮的匹配濾波器傳遞函數(shù)頻譜為H(ω)，經(jīng)推導濾波器輸出信噪比達到最大值的條件是：

H(ω)=KS*(ω)e-jωt0

(3)

可見，使輸出信噪比達到最大值的最佳濾波器的傳遞函數(shù)，是發(fā)射信號的共軛頻譜的K倍，且有一些相移。所以，脈沖壓縮的過程即為濾波器輸入信號與匹配濾波器即發(fā)射信號共軛信號的卷積過程[6-]。

Step3. 進行動目標顯示，即將經(jīng)過脈沖壓縮的回波信號采用動目標顯示濾波器提取手勢特征信號。

采用非遞歸動目標顯示濾波器中的二次對消器，也稱三脈沖對消器，差分方程為：

y(n)=x(n)-Kx(n-1)+x(n-2)

(4)

系統(tǒng)函數(shù)為：

H(z)=1-kz-1+z-2

(5)

可知，此系統(tǒng)有兩個零點，分別為：

(6)

當K=2，在z=1處有二重零點，此時頻響是一次對消器的平方，頻率響應為：

(7)

Step4. 獲取信號多普勒頻移并成像，得到手勢信息圖像，將手勢特征信號進行快速傅里葉變換，從而得到手勢動作產(chǎn)生的多普勒頻移，即手勢特征信息，進而用計算機進行成像。

1.3 多普勒頻移圖像

在上述信號處理方法的基礎上，可以得到手勢的多普勒頻移圖像。

基于多普勒頻移現(xiàn)象，手勢動作中推和拉是最基本的兩種手勢動作，由式(1)可知，向前(向天線)推手可以認為運動方向與天線接收信號方向完全一致，在假設各個手勢手部運動速度相當?shù)那闆r下，可以認為推手這個動作可以產(chǎn)生最為顯著的正值的多普勒頻移。

同理，將手向后拉可以產(chǎn)生最為明顯的負值的多普勒頻移。將推和拉兩種手勢信號的多普勒頻移成像，就能夠很直觀地肉眼看出兩種動作手勢信息——多普勒頻移的特點，如圖2所示。

圖2 推拉手勢多普勒頻移圖

圖像橫軸時間軸走向從左至右，縱軸多普勒頻移以圖像寬邊的中點為原點，從上至下，多普勒頻移由負到正增大，手往后拉的時候，會產(chǎn)生負的多普勒頻率，往前推的時候會產(chǎn)生正的多普勒頻率，通過圖像我們就能夠很直觀的認出來。

2 手勢識別實驗

本文借助USRP X310軟件無線電設備，用軟件定義了實驗用雷達，采用上述手勢識別方法，設計了一套手勢識別系統(tǒng)進行實驗，如圖3。

圖3 手勢動作

在本系統(tǒng)中，fd是手勢產(chǎn)生的回波信號多普勒頻移(Hz)，v是人體手部運動速度(m/s)，c是光速(m/s)，α是手部運動方向與接收天線朝向的夾角，f是信號載頻(Hz)。根據(jù)公式(1)，可以知道當人將手推向接收天線，會產(chǎn)生一個正值的多普勒頻移，當手部做拉的動作遠離接收天線的時候，多普勒頻移則為負。例如，當信號載頻f為2.4GHz即Wifi頻段的時候，假定手部運動方向正朝天線，即夾角α為0度，手部運動速度v為3 m/s，fd為48 Hz。

實驗中，定義每一組發(fā)射信號參數(shù)為信號帶寬B=10 MHz，采樣率fs=20MHz，信號采樣點數(shù)N=4 096，考慮到前后兩組發(fā)射信號不會互相干擾，決定發(fā)射信號中線性調(diào)頻信號占空比為50%，即線性調(diào)頻信號數(shù)據(jù)點數(shù)nTp=2 048，是發(fā)射信號的前半部分，發(fā)射信號后半部分是一段2 048個點的空信號，系統(tǒng)運行一次會接連發(fā)射連續(xù)25001組信號。

2.1 手勢動作特征信息

如圖4，基于推和拉兩種基本動作，本文設計了七種手勢應用于手勢識別系統(tǒng)。其中，七種不同手勢的手勢信息也有著自己的大致特征，如圖5。

圖4 手勢動作

圖5 手勢動作信息圖像

其中如圖5(e)，是扭肩的手勢動作，我們可以通過扭肩這一具體的動作來分析其各個手勢信息圖像的特征。

圖6 扭肩動作特寫

如圖6，當人開始扭肩時，肩膀的線速度比較低，多普勒頻移并不是很大，在扭肩的時候左肩首先相當于一個速率低的推的動作，同時右肩相當于速率低的拉的手勢動作，這兩個動作同時進行，所以正負多普勒頻移會同時產(chǎn)生。另外，在轉(zhuǎn)肩到極限再轉(zhuǎn)回來的過程中有一個小小的停頓，同樣從圖像中可以看出來。

所以通過圖5，我們可以知道系統(tǒng)設計的七種手勢各自的手勢信息的特點。

2.2 手勢識別結(jié)果

將七種手勢動作每個動作輸入20個樣本至分類器，采用二次核函數(shù)的SVM算法(SVM with Quadratic kernel)，使用PCA(Principal Component Analysis)進行特征降維之后，輸出結(jié)果準確率為92.9%，混淆矩陣如圖7，認為系統(tǒng)能夠相當準確地識別手勢。

圖7 分類混淆矩陣編號含義:1.拉 2.推 3.先推后拉 4先拉后推 5.扭肩 6.雙手依次推 7.雙手依次拉

3 結(jié) 語

基于無線射頻的手勢識別能夠避免傳感器和基于視覺的手勢識別的技術局限，是本領域的研究熱點?；跓o線射頻，本文實現(xiàn)的基于雷達技術的手勢識別方法簡單有效、易于實現(xiàn)，根據(jù)此法，本文設計的七種不同手勢的手勢識別實驗驗證了基于雷達技術的手勢識別方法算法簡潔、準確性高，手勢分類識別的效果較好。

[1] Watanabe H, Terada T, Tsukamoto M. Ultrasound-based movement sensing, gesture-, and context-recognition[C]//Proceedings of the 2013 International Symposium on Wearable Computers. ACM, 2013: 57-64.

[2] Marin G, Dominio F, Zanuttigh P. Hand gesture recognition with leap motion and kinect devices[C]//2014 IEEE International Conference on Image Processing (ICIP). IEEE, 2014: 1565-1569.

[3] Wang W, Liu A X, Shahzad M, et al. Understanding and modeling of wifi signal based human activity recognition[C]//Proceedings of the 21st Annual International

Conference on Mobile Computing and Networking. ACM, 2015: 65-76.

[4] Abdelnasser H, Youssef M, Harras K A. Wigest: A ubiquitous wifi-based gesture recognition system[C]//2015 IEEE Conference on Computer Communications (INFOCOM). IEEE, 2015: 1472-1480.

[5] Adib, Fadel, et al. “Capturing the human figure through a wall.” ACM Transactions on Graphics (TOG) 34.6 (2015): 219.

[6] 丁鷺飛，張平. 雷達系統(tǒng)[M]. 西北電訊工程學院出版社, 1984.

[7] 丁玉美等. 數(shù)字信號處理[M]. 西安電子科技大學出版社, 2002.

Gesture Recognition Based on Radar Technology

LIU Yi-chen，XU Feng

(Key Laboratory of EMW Information, Fudan University,Shanghai 200433,China)

This article presents a gesture recognition method which is based on radar technology, considering the Doppler frequency information caused by hand motion as feature information of gestures and taking advantages of the technology commonly used in radar system, such as chirp signal, signal compression, MTI. It is a signal processing algorithm which has an efficient access to getting characteristic information of different gestures and making them to be imaged. And then for the images, support vector machine classification algorithm will be a reference to image recognition. In the basis of the theory above, we design a gesture recognition system with seven different kinds of gesture to experiment. The final gesture recognition accuracy rate reached 92.9%, successfully demonstrated that the method above was accurate and efficient.

gesture recognition, feature information of gesture, radar technology, signal processing, image classification

10.3969/j.issn.1673-5692.2016.06.009

2016-09-10

2016-11-15

：A

1673-5692(2016)06-609-05

劉熠辰(1994—)，男，上海人，復旦大學信息工程學院畢業(yè)，主要研究方向為基于微波信號手勢識別；

E-mail：liuyichen_2012@163.com

徐 豐(1982—)，男，上海人，博士生導師，主要研究方向為新型SAR系統(tǒng)設計與算法研究，電磁散射與傳播建模，低頻電磁場成像算法，極化SAR遙感理論與方法等。