基于Wi-Fi信号和序列比对的无接触式连续手势感知的研究
发布时间：2021-03-08 04:17
基于无线信号的手势识别是一种新型的人机交互手段,具有广泛的应用场景。然而,目前基于无线信号的连续手势识别仍然是一个研究难点。本文借鉴生物序列比对思想,研究基于WiFi无线信号的连续手势识别算法。本文的主要研究工作如下:本文先对连续手势和单独手势的特性进行研究,借鉴语音识别中将声音信号分解成音节再进行识别的处理方式,将单位信道状态信息（Channel State Information,CSI）处理时间长度设定为0.1秒,确定出欲识别手势在实际连续手势中的起始时间,为连续手势识别算法提供准确的手势启动时刻。进而,本文设计了CSI手势数据序列的动静分离方法,以解决训练样本存在训练数据标准无法统一的问题。该方法使用基于经验知识分离出的数据来训练支持向量机（Support Vector Machine,SVM）,再对全部训练数据进行动静分离制作出标准统一的训练数据。实验证明了动静分离方法可以将算法的识别正确率提高20%。在以上研究基础上,基于对生物信息序列比对中Smith-Waterman算法,本文设计了WScg序列比对方法实现精确手势识别。WScg序列比对方法对每一时刻综合其前后时刻的信息进...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
数据手套示意
机计算能力的提升和机器学习技术快速发展，基于计算机视觉的手势感知技术在非接触式人机交互方面发展的越发完善，其识别准确率完全可以使其应用于生活。不过基于计算机视觉的感知技术仍然有很多局限之处。计算机视觉的研究对光线的要求很高，在实际生活中有很多光线不满足其要求的场景。其次，基于计算机视觉技术的手势感知要求图像捕捉设备和人手之间不能有任何的遮挡物，现实中的有些环境不能满足这个需求。更深层次的问题是，图像捕捉设备带来的人的隐私泄露是无法解决的。目前这种技术只适用一些光线充足的公共场所。图1-2基于计算机视觉的手势识别基于超声波的手势识别技术是一项发展时间相对较少的技术。由于超声波在空间中对人类的行为十分敏感，可以感受到很细微的人类活动，近些年有一些科学家将其运用在了手势识别上。YSang等[22]使用超声波技术和HMM分类方法对手指的7种细微手势进行识别研究，其识别正确率可以达到96.34%。MSaad等[23]使用支持向量机对使用超声波识别的7种手势进行分类，识别正确率也可以达到96%。由于超声波本身的频率很高，其能捕捉到的人的行为的细微特征很多，所以它在手势识别上的性能表现很好。不过因为超声波探测设备本身十分昂贵，同时设备部署十分不便，其在生活中的应用场景几乎没有。基于无线射频信号的手势识别技术利用无线设备发出的信号进行手势识别[24]。其中基于Wi-Fi设备的识别研究受关注度最高。一是因为Wi-Fi信号有能力捕捉空间中人行为的变化，二是因为Wi-Fi设备价格便宜，广泛存在且方便部署。同时，使用Wi-Fi信号进行人体行为识别还能有效解决人的隐私问题。基于Wi-Fi
第2章相关理论与技术9第2章相关理论与技术2.1无线感知理论模型无线感知指的是基于无线信号对人体行为进行感知识别。无线感知的基本原理是人的行为和无线信号之间建立着映射，后者会随着前者的变化而变化。在一个室内空间中，无线信号的传播状态如图2-1所示。图2-1空间中无线信号的传播状态可以看出，空间中发射端发出的无线信号经过多条路径传送到接收端。天花板、地板、墙壁和静止的家具会反射无线信号，人类的活动会折射无线信号，通过各种路径的无线信号最终在信号接收端叠加在一起形成最终接收到的无线信号。这种现象被称为多径传播。室内环境的变化会造成多径传播的变化，进一步造成无线信号的变化。反过来看，最终接受到无线信号中包含了室内环境变化的信息[33]。在一个实际的室内空间中，地板、墙壁、家具等静态物体的位置一般很少发生变化。人的行为成为整个环境中的主要变量。人的行为会持续影响最终接收到的无线信号。所以收集这些无线信号，再运用复杂的技术加以分析后就可以预测出人在室内的行为和位置。以上为基于经验性观察的分析，从理论上看，基于路径衰减的RF传播模型[34]可以作为这种分析的理论支持。下面具体阐述一下这个模型。图中LOS指的是信号发射端和信号接收端之间的一条直达路径(lineofsight,LOS)。在一个室内
【参考文献】：
期刊论文
[1]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[2]基于Wi-Fi的非接触式行为识别研究综述[J]. 王钰翔,李晟洁,王皓,马钧轶,王亚沙,张大庆. 浙江大学学报(工学版). 2017(04)
[3]Sensorless Sensing with WiFi[J]. Zimu Zhou,Chenshu Wu,Zheng Yang,Yunhao Liu. Tsinghua Science and Technology. 2015(01)
[4]国内语音识别研究综述[J]. 于俊婷,刘伍颖,易绵竹,李雪,李娜. 计算机光盘软件与应用. 2014(10)
[5]物联网智能家居发展分析[J]. 童晓渝,房秉毅,张云勇. 移动通信. 2010(09)
[6]物联网技术研究综述[J]. 王保云. 电子测量与仪器学报. 2009(12)
[7]增强现实综述[J]. 朱淼良,姚远,蒋云良. 中国图象图形学报. 2004(07)
[8]人机交互的进展及面临的挑战[J]. 董士海. 计算机辅助设计与图形学学报. 2004(01)
[9]手势识别技术及其在人机交互中的应用[J]. 李清水,方志刚,沈模卫,陈育伟. 人类工效学. 2002(01)
[10]基于手势的人机交互的研究[J]. 栗阳,关志伟,陈由迪,戴国忠. 系统仿真学报. 2000(05)
硕士论文
[1]生物序列比对算法的研究与实现[D]. 祝庆燕.哈尔滨工业大学 2007
[2]生物序列比对问题的研究[D]. 吕艳萍.福州大学 2005
本文编号：3070396
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
数据手套示意
机计算能力的提升和机器学习技术快速发展，基于计算机视觉的手势感知技术在非接触式人机交互方面发展的越发完善，其识别准确率完全可以使其应用于生活。不过基于计算机视觉的感知技术仍然有很多局限之处。计算机视觉的研究对光线的要求很高，在实际生活中有很多光线不满足其要求的场景。其次，基于计算机视觉技术的手势感知要求图像捕捉设备和人手之间不能有任何的遮挡物，现实中的有些环境不能满足这个需求。更深层次的问题是，图像捕捉设备带来的人的隐私泄露是无法解决的。目前这种技术只适用一些光线充足的公共场所。图1-2基于计算机视觉的手势识别基于超声波的手势识别技术是一项发展时间相对较少的技术。由于超声波在空间中对人类的行为十分敏感，可以感受到很细微的人类活动，近些年有一些科学家将其运用在了手势识别上。YSang等[22]使用超声波技术和HMM分类方法对手指的7种细微手势进行识别研究，其识别正确率可以达到96.34%。MSaad等[23]使用支持向量机对使用超声波识别的7种手势进行分类，识别正确率也可以达到96%。由于超声波本身的频率很高，其能捕捉到的人的行为的细微特征很多，所以它在手势识别上的性能表现很好。不过因为超声波探测设备本身十分昂贵，同时设备部署十分不便，其在生活中的应用场景几乎没有。基于无线射频信号的手势识别技术利用无线设备发出的信号进行手势识别[24]。其中基于Wi-Fi设备的识别研究受关注度最高。一是因为Wi-Fi信号有能力捕捉空间中人行为的变化，二是因为Wi-Fi设备价格便宜，广泛存在且方便部署。同时，使用Wi-Fi信号进行人体行为识别还能有效解决人的隐私问题。基于Wi-Fi
第2章相关理论与技术9第2章相关理论与技术2.1无线感知理论模型无线感知指的是基于无线信号对人体行为进行感知识别。无线感知的基本原理是人的行为和无线信号之间建立着映射，后者会随着前者的变化而变化。在一个室内空间中，无线信号的传播状态如图2-1所示。图2-1空间中无线信号的传播状态可以看出，空间中发射端发出的无线信号经过多条路径传送到接收端。天花板、地板、墙壁和静止的家具会反射无线信号，人类的活动会折射无线信号，通过各种路径的无线信号最终在信号接收端叠加在一起形成最终接收到的无线信号。这种现象被称为多径传播。室内环境的变化会造成多径传播的变化，进一步造成无线信号的变化。反过来看，最终接受到无线信号中包含了室内环境变化的信息[33]。在一个实际的室内空间中，地板、墙壁、家具等静态物体的位置一般很少发生变化。人的行为成为整个环境中的主要变量。人的行为会持续影响最终接收到的无线信号。所以收集这些无线信号，再运用复杂的技术加以分析后就可以预测出人在室内的行为和位置。以上为基于经验性观察的分析，从理论上看，基于路径衰减的RF传播模型[34]可以作为这种分析的理论支持。下面具体阐述一下这个模型。图中LOS指的是信号发射端和信号接收端之间的一条直达路径(lineofsight,LOS)。在一个室内
【参考文献】：
期刊论文
[1]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫. 清华大学学报(自然科学版). 2018(04)
[2]基于Wi-Fi的非接触式行为识别研究综述[J]. 王钰翔,李晟洁,王皓,马钧轶,王亚沙,张大庆. 浙江大学学报(工学版). 2017(04)
[3]Sensorless Sensing with WiFi[J]. Zimu Zhou,Chenshu Wu,Zheng Yang,Yunhao Liu. Tsinghua Science and Technology. 2015(01)
[4]国内语音识别研究综述[J]. 于俊婷,刘伍颖,易绵竹,李雪,李娜. 计算机光盘软件与应用. 2014(10)
[5]物联网智能家居发展分析[J]. 童晓渝,房秉毅,张云勇. 移动通信. 2010(09)
[6]物联网技术研究综述[J]. 王保云. 电子测量与仪器学报. 2009(12)
[7]增强现实综述[J]. 朱淼良,姚远,蒋云良. 中国图象图形学报. 2004(07)
[8]人机交互的进展及面临的挑战[J]. 董士海. 计算机辅助设计与图形学学报. 2004(01)
[9]手势识别技术及其在人机交互中的应用[J]. 李清水,方志刚,沈模卫,陈育伟. 人类工效学. 2002(01)
[10]基于手势的人机交互的研究[J]. 栗阳,关志伟,陈由迪,戴国忠. 系统仿真学报. 2000(05)
硕士论文
[1]生物序列比对算法的研究与实现[D]. 祝庆燕.哈尔滨工业大学 2007
[2]生物序列比对问题的研究[D]. 吕艳萍.福州大学 2005
本文编号：3070396
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3070396.html
