基于超声波的真实场景手势识别算法

发布时间：2024-02-23 23:26

　　针对基于超声波的手势识别系统在真实场景下的自动化和杂波干扰问题,提出一套包括手势检测、杂波滤除的手势识别算法。手势检测算法基于动态能量阈值,能够检测手势的产生,自动触发手势识别流程。杂波滤除算法使用目标分割,滤除RDM (range Doppler map)图中的杂波,只提取其中有效目标的特征,用于手势的分类。实验结果表明,该系统能够在手势检测和手势识别两个流程间自动切换,对7种不同手势的识别率为97.9%,在存在干扰的真实应用环境中,杂波滤除算法能够提高识别率。

【文章页数】：6 页

【部分图文】：

图1手势识别处理流程

处理流程如图1所示，当没有手势进入检测区域时，系统一直处于手势检测阶段，手势检测算法只基于能量值的变化，不需要经过复杂的信号处理，具有低功耗、实时性高的优点。只有当检测到手势出现时才切换到手势识别模式，完成一次手势识别流程后，系统又自动重新回到手势检测阶段。手势检测和手势识别两种....

图2信号处理方案

一帧的信号包含64个脉冲重复周期Tr的数据，将64个Tr信号的值排列成64行，如图3所示，每行表示一个脉冲重复周期内信号的值，然后针对每一列，即不同脉冲周期同一位置的值做FFT，就可以得到这一帧手势数据的RDM图，它反映了回波能量在不同距离和多普勒频率（径向速度）上的分布，RDM....

图3RDM图生成过程

图2信号处理方案3.2杂波滤除

图4目标检测算法流程

对于运动物体的杂波，则使用目标分割（segmentation）的方式来滤除———通过算法找到感兴趣的前景目标，只保留有效目标的信息。在近距离的手势识别应用中，手势一般在距离装置5cm到25cm内完成，在这段距离内，假设没有大反射面的其它运动目标，这在实际应用场景中是合理的。那么，....

本文编号：3908142