论文部分内容阅读
鉴于手势识别在人机交互技术中的重要地位,结合运用雷达设备的优势,即人体无需接触任何电极和传感器,同时也可以避免视觉设备涉及的隐私问题,本文对基于UWB雷达的手势识别进行了算法研究。本文利用UWB雷达系统采集手势回波信号,对翻掌,挥手,扇手,ok,招手以及伸掌这六种不同手势动作的回波信号进行特征提取,完成手势识别。所做的具体工作如下:(1)介绍UWB雷达系统和本课题的系统架构及算法流程。采用MTI滤波,图像二值化和中值滤波三种方法对雷达回波信号进行预处理,去除雷达回波中包含的背景杂波和环境噪声,得到手势回波信号;(2)基于经典的时频分析法,采用短时傅里叶变换处理手势回波信号,提取时频图的包络特征,包括时频包络曲线的最大值fmax、平均值fmean和方差fvar。对手势回波信号的时频特征进行分类,得到手势回波信号的时频特征分类结果为82.2%;(3)结合UWB信号的特点,本文提出一种提取距离多普勒域特征的算法,利用距离多普勒算法处理手势回波信号,提取距离多普勒图像的包络特征,包括距离多普勒包络曲线的最大值vmax、平均值Vmean和方差vvar。对手势回波信号的距离多普勒特征进行分类,得到的手势回波信号的距离多普勒特征分类结果为83.3%。将时频特征和距离多普勒特征结合,分类的结果为90.6%,两种特征结合后分类效果得到了显著提高;(4)由于时频和距离多普勒分析过程中,手势回波信号在预处理过程中需要手动调整二值化阈值,因此本文又提出了一种基于Gabor变换的手势识别算法。对手势回波信号进行了 0、л/4、л/2和3л/4这四个经典方向的Gabor滤波处理,然后利用图像分块的方法提取信号的能量特征。对手势回波信号的Gabor特征进行分类,平均分类结果为 97.3%;(5)本文对实验场景和实验方案进行了设计,对3个实验对象进行了数据采集,并对实测信号进行特征提取,利用不同分类器进行分类结果的比较,最终选取SVM作为最优分类器。人体实测数据的实验结果验证了本文提出的算法的有效性。