• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于超聲波的真實場景手勢識別算法

    2020-04-24 03:07:50周飛飛李翔宇
    計算機(jī)工程與設(shè)計 2020年3期
    關(guān)鍵詞:雜波手勢脈沖

    周飛飛,李翔宇

    (清華大學(xué) 微電子學(xué)研究所,北京 100084)

    0 引 言

    基于超聲波或毫米波雷達(dá)探測技術(shù),可以實現(xiàn)對于精細(xì)手勢的識別。但是,現(xiàn)有文獻(xiàn)對于系統(tǒng)在實際場景中的手勢自動檢測問題和雜波問題都沒有考慮。手勢檢測用于探測是否存在操作手勢,并在必要時啟動手勢識別功能。谷歌Soli項目[1,2]通過連續(xù)發(fā)射,連續(xù)識別的方式避免了手勢檢測的步驟,但是提取出的手勢的有效信號片段存在不完整或者冗余的情況,會降低手勢識別的精度。而通過人工手動方式開啟和關(guān)閉手勢識別流程[3]會導(dǎo)致每次采集的手勢數(shù)據(jù)長度不同,不利于識別算法處理,同時會降低系統(tǒng)的實用性。雜波來自工作環(huán)境中的非手物體,如人體其它部位、附近的家具、墻壁等,現(xiàn)有的文獻(xiàn)中,沒有對其做單獨處理,只依靠分類器的魯棒性降低雜波的影響[3,4],因此,當(dāng)運用于真實的復(fù)雜環(huán)境中時,手勢識別精度會顯著降低。

    針對上述問題,本文提出了一套基于相參脈沖串、RDM(range doppler map)[5,6]圖特征和隨機(jī)森林分類器的手勢識別算法,其中,包括了手勢檢測和雜波濾除算法。手勢檢測算法基于動態(tài)能量閾值,能夠適應(yīng)真實環(huán)境變化,當(dāng)檢測到手勢時,自動觸發(fā)手勢識別流程。而雜波濾除算法通過目標(biāo)分割的方式,濾除RDM圖中的雜波,只提取出有效目標(biāo)的特征用于識別,提高了系統(tǒng)在復(fù)雜環(huán)境中的識別率。

    1 整體流程設(shè)計

    本文的手勢識別系統(tǒng)基于40 kHz超聲波信號,超聲波收發(fā)器采用村田制作所的MA40S4R(T)。發(fā)射信號體制采用相參脈沖串信號,通過信號處理,得到RDM圖,進(jìn)而獲得目標(biāo)的距離和速度信息。為了識別三維運動,本文使用了一個發(fā)射器,3個接收器。系統(tǒng)直接對原始回波信號進(jìn)行采樣的全數(shù)字化信號處理,信號解調(diào)和正交化等處理均在數(shù)字域中完成。

    處理流程如圖1所示,當(dāng)沒有手勢進(jìn)入檢測區(qū)域時,系統(tǒng)一直處于手勢檢測階段,手勢檢測算法只基于能量值的變化,不需要經(jīng)過復(fù)雜的信號處理,具有低功耗、實時性高的優(yōu)點。只有當(dāng)檢測到手勢出現(xiàn)時才切換到手勢識別模式,完成一次手勢識別流程后,系統(tǒng)又自動重新回到手勢檢測階段。手勢檢測和手勢識別兩種模式相互切換的方式,提高了用戶體驗,降低了系統(tǒng)的整體功耗。

    圖1 手勢識別處理流程

    2 手勢檢測算法設(shè)計

    本文采用了一種基于動態(tài)能量閾值的手勢檢測算法代替?zhèn)鹘y(tǒng)的恒虛警率(CFAR)檢測方式,這樣可以不需要解調(diào)直接進(jìn)行手勢檢測,實時性更高。算法流程見表1。系統(tǒng)通過不斷發(fā)射和接收單脈沖信號,根據(jù)其能量值判斷是否有手進(jìn)入檢測區(qū)域。單脈沖信號采用脈沖寬度為0.1 ms的40 kHz超聲波信號。

    在實際的應(yīng)用中,系統(tǒng)所處的環(huán)境在不斷發(fā)生變化,所以每完成一次手勢識別流程后,會回到初始化的階段,重新采集背景回波。為了提高檢測算法的魯棒性,系統(tǒng)初始化時需要采集L個脈沖回波信號作為背景數(shù)據(jù),手勢檢測直接在未經(jīng)解調(diào)的原始回波信號上進(jìn)行,未經(jīng)解調(diào)的信號包含正負(fù)值,所以將每個回波能量的最大值(正值的最大值和負(fù)值的最小值)分別存入長度為L的列表An1和An2中。而在檢測階段時,如果經(jīng)過判斷,當(dāng)前脈沖回波信號只有背景回波,則會更新An1和An2,即刪除An1和An2的第一個元素,并將最新的背景回波數(shù)據(jù)的最值加入到列表的末尾。保證了An1和An2中存放的是最新的L個背景回波的數(shù)據(jù),系統(tǒng)中L設(shè)為100。

    表1 手勢檢測算法偽代碼

    (1)

    實際上,特征值p1~p4統(tǒng)計了脈沖回波中能量值高于背景回波的采樣點個數(shù),以及高于背景回波這部分采樣點能量的平均值。將每個脈沖回波的特征值p1~p4分別存入列表Ap1~Ap4中。與An1和An2類似,列表Ap1~Ap4也是實時更新。動態(tài)閾值參數(shù)p1*~p4*分別取列表Ap1~Ap4中的最大值,如式(2)所示,動態(tài)閾值參數(shù)描述了能量值最高的背景回波信號的特征

    (2)

    在采集并處理完背景數(shù)據(jù)之后,系統(tǒng)會逐一判斷最新接收到的每個單脈沖的回波,根據(jù)式(1)計算待測脈沖的特征值p′1~p′4, 并根據(jù)式(3),計算當(dāng)前的狀態(tài)status,其中α為虛警率調(diào)節(jié)參數(shù),本文中設(shè)為1.1。如果status為0,表示沒有檢測到手勢,當(dāng)前為背景回波數(shù)據(jù),更新列表Ap1~Ap4,An1,An2和動態(tài)閾值參數(shù)p1*~p4*

    (3)

    需要連續(xù)10個脈沖回波的status都為1,才判斷為有手勢產(chǎn)生。這樣,可以減小因為背景回波的隨機(jī)波動帶來的虛警率。

    手勢檢測算法能夠動態(tài)更新能量閾值,可以很好地適應(yīng)環(huán)境的變化,通過增加連續(xù)檢出條件提高檢測的魯棒性。

    3 信號處理

    相比于連續(xù)波信號[7,8],單脈沖信號[9],相參脈沖串信號克服了連續(xù)波信號無法測距、單脈沖信號無法同時保證高距離分辨率和速度分辨率的缺點。如圖2所示,脈沖寬度Tp為0.1 ms,脈沖重復(fù)周期Tr為1.5 ms,取64個Tr為一幀,根據(jù)一幀的信號做FFT(fast fourier transformation),得到RDM圖,與文獻(xiàn)中直接切分方式[10]不同的是,我們使用滑動窗口的方式切分?jǐn)?shù)據(jù),提高了系統(tǒng)的幀率,滑動窗口大小取32個Tr,那么,1 s的手勢可以劃分為19幀。系統(tǒng)的距離分辨率和速度分辨率分別為

    (4)

    (5)

    其中,u為聲速,λ為超聲波的波長,N為一幀數(shù)據(jù)包含的脈沖重復(fù)周期個數(shù)。

    圖2 信號處理方案

    3.1 RDM圖的生成

    每個手勢的回波信號長度為1 s,將采集到的回波信號解調(diào)后,劃分為多幀,對每一幀信號做FFT,得到每一幀的RDM圖。

    一幀的信號包含64個脈沖重復(fù)周期Tr的數(shù)據(jù),將64個Tr信號的值排列成64行,如圖3所示,每行表示一個脈沖重復(fù)周期內(nèi)信號的值,然后針對每一列,即不同脈沖周期同一位置的值做FFT,就可以得到這一幀手勢數(shù)據(jù)的RDM圖,它反映了回波能量在不同距離和多普勒頻率(徑向速度)上的分布,RDM圖中,距離維和速度維中的最小單位分別定義為距離單元和速度單元。與FMCW(frequency modulated continuous wave)方式不同[4,5],相參脈沖串信號只需經(jīng)過1-D FFT就能獲得RDM圖。

    圖3 RDM圖生成過程

    3.2 雜波濾除

    超聲波回波信號中包含有外界環(huán)境中的不感興趣的目標(biāo)的散射波,包括靜止和運動的,這一部分回波會對手勢識別造成干擾。

    對于靜止物體雜波,因為使用了手勢檢測模塊,手一旦進(jìn)入檢測區(qū)域,立刻采集回波信號,那么手勢的第一幀數(shù)據(jù)一定是運動的,即手勢的運動信息出現(xiàn)在第一幀RDM圖中頻率非0的部分,那么第一幀RDM圖中0頻(速度為0)部分的能量為系統(tǒng)當(dāng)前的靜態(tài)雜波,每幀數(shù)據(jù)都減去靜態(tài)雜波的能量,以此來抑制靜態(tài)雜波分量。

    對于運動物體的雜波,則使用目標(biāo)分割(segmentation)的方式來濾除——通過算法找到感興趣的前景目標(biāo),只保留有效目標(biāo)的信息。在近距離的手勢識別應(yīng)用中,手勢一般在距離裝置5 cm到25 cm內(nèi)完成,在這段距離內(nèi),假設(shè)沒有大反射面的其它運動目標(biāo),這在實際應(yīng)用場景中是合理的。那么,在濾除靜止雜波分量以后,手作為距離裝置最近的運動目標(biāo),其反射的能量遠(yuǎn)高于背景。在運動的過程中,手的同一個部位在徑向上的距離和速度都是連續(xù)分布的,所以在RDM圖中會呈現(xiàn)出一個高能量值的跨越多個距離單元和速度單元的連通域(亮斑)。對于手的不同部位,如果速度和距離都相近,那么其連通域是連的,如果速度或者距離相差比較大,則會形成分立的幾個連通域。這幾個分立的能量值較高的連通域反映了手的各個部位的運動,是我們關(guān)心的目標(biāo),而RDM圖中的其它部分的能量是由雜波引起的,需要濾除。本文中采用目標(biāo)分割算法,能夠快速找到RDM圖中表示手勢運動的部分,目標(biāo)分割算法如圖4所示。

    圖4 目標(biāo)檢測算法流程

    目標(biāo)分割算法主要是通過在RDM圖中找到能量較大的幾個分立的連通域的方法來實現(xiàn),具體算法是,首先找到當(dāng)前RDM圖(減掉靜止雜波,將已找到的目標(biāo)處的能量值置為零后)中的最高能量值E所在的位置I,作為當(dāng)前目標(biāo)中的第一個點,然后,通過廣度優(yōu)先搜索(BFS)迭代搜索目標(biāo)點的相鄰位置,找到以I為中心的一個連通域,滿足連通域中每個點的能量值都大于等于β2E, 把整個連通域作為一個目標(biāo)。然后把RDM圖中已找到的目標(biāo)區(qū)域置零,重復(fù)前面算法,繼續(xù)尋找下一個目標(biāo),直到當(dāng)前目標(biāo)能量的最大值小于β1Emax, 這樣,就找到了所有的前景目標(biāo),β1和β2均小于1。最后,去除尺寸(距離跨度)太小的目標(biāo),保留主要目標(biāo)。得到所有目標(biāo)的像素坐標(biāo)后,只保留RDM圖中目標(biāo)處的值,非目標(biāo)處都置為0。

    4 特征提取與分類算法設(shè)計

    4.1 特征提取

    從一幀回波信號中提取的特征主要分為3類[6]:散射中心特征,RDM圖的低維描述特征,多通道交叉特征。

    (1)散射中心特征:

    RDM圖中能量最大值的點對應(yīng)的速度vc,距離rc,加速度ac,以及反射能量大小ρc。其中,加速度ac為相鄰兩幀vc的差。

    (2)RDM圖低維描述特征:

    (3)多通道交叉特征:

    對于一幀的某一通道數(shù)據(jù),散射中心特征共有4個,RDM圖低維描述特征共有6個,這兩類特征都需要在3個通道上分別計算,所以共有 (6+4)×3=30個特征,再加上15個交叉特征,對于一幀數(shù)據(jù),共提取出45個特征。

    除上述針對一幀數(shù)據(jù)提取的特征以外,本文還提取了整個手勢序列的統(tǒng)計特征,即針對上述的45維特征中某一維特征,計算其在19幀數(shù)據(jù)中的均值、標(biāo)準(zhǔn)差、均方根、最大值和最小值。所以,共有5×45=225統(tǒng)計特征,統(tǒng)計特征可以很好地描述每一維特征的變化趨勢。將每一幀RDM圖的特征拼接起來,加上手勢序列的統(tǒng)計特征,共有45×19+225=1080個特征。

    4.2 分類算法設(shè)計

    為滿足實時性的要求,本文使用了隨機(jī)森林用于手勢分類。一共使用了1080維特征,隨機(jī)森林能夠自動對特征進(jìn)行篩選;同時,通過隨機(jī)選取訓(xùn)練樣本和特征子集,隨機(jī)森林可以有效防止過擬合;在我們的系統(tǒng)中,對實時性要求很高,隨機(jī)森林中各個子樹間相互獨立,可并行化,提高速度。

    5 實驗結(jié)果與分析

    5.1 實驗系統(tǒng)硬件及數(shù)據(jù)集介紹

    我們搭建了一個實驗用的原型系統(tǒng),包含基于FPGA搭建的嵌入式信號采集系統(tǒng),超聲波前端模塊和負(fù)責(zé)數(shù)據(jù)處理與識別算法的PC端程序3個部分[10]。信號采集系統(tǒng)搭建在Digilent公司的Nexys4開發(fā)板上,使用FPGA內(nèi)部的XADC采集數(shù)據(jù),存到片外RAM中,然后再通過以太網(wǎng)口將數(shù)據(jù)發(fā)送到PC端。

    本文定義了7種不同的手勢,包括左移、右移、遠(yuǎn)離、靠近、五指張開、五指閉合和招手動作,如圖5所示。

    圖5 手勢

    左移和右移用于研究系統(tǒng)的橫向分辨能力,靠近和遠(yuǎn)離用于觀察系統(tǒng)徑向分辨能力,五指張開和五指閉合用于研究系統(tǒng)對于包含手指運動的精細(xì)手勢的識別能力,而招手需要連續(xù)完成手掌閉合、張開、再閉合的動作,用于觀察系統(tǒng)對于往復(fù)運動的識別效果。

    手勢在距離裝置5 cm到25 cm內(nèi)完成,共采集了3名實驗人員的手勢數(shù)據(jù),每個人每種手勢采集100個數(shù)據(jù)。將其中80%的數(shù)據(jù)用于訓(xùn)練,20%的數(shù)據(jù)用于測試。

    5.2 結(jié)果與分析

    為了降低數(shù)據(jù)集切分對于模型評估的影響,我們使用了5折交叉驗證(5-fold cross validation),并取其平均值。系統(tǒng)對于7種不同手勢的識別率為97.9%,其混淆矩陣見表2。

    表2 7種手勢的識別結(jié)果

    為了評估雜波濾除在復(fù)雜環(huán)境下的作用,引入了運轉(zhuǎn)的電風(fēng)扇作為干擾因素,如圖6所示,電風(fēng)扇距離裝置約15 cm,在實驗過程中,由于風(fēng)扇的左右擺動和扇葉的轉(zhuǎn)動,會引入大量雜波,在這種實驗條件下,每種手勢采集100個數(shù)據(jù),用于測試。

    圖6 實驗裝置

    對靠近手勢的RDM圖分析,圖7表示在沒有風(fēng)扇干擾時得到的RDM圖,但是,如果引入了電風(fēng)扇作為干擾,相同手勢的RDM圖如圖8(a)所示??梢钥吹?,因為風(fēng)扇基座靜止不動,和圖7相比,圖8(a)中有比較明顯的靜止雜波,同時,因為風(fēng)扇整體在左右擺動,風(fēng)扇的扇葉也在轉(zhuǎn)動,在圖8(a)中多出了運動雜波分量。經(jīng)過算法濾除雜波后,只保留了有效目標(biāo)的信息,如圖8(b)所示,可以看到,靜止雜波分量和運動雜波分量都得到了很好的濾除,有效目標(biāo)的速度為正,表示正在徑向靠近裝置。

    圖7 無干擾下靠近手勢的RDM

    圖8 強(qiáng)干擾下雜波濾除效果

    為評估雜波濾除的作用,訓(xùn)練數(shù)據(jù)使用在正常環(huán)境中采集的手勢數(shù)據(jù),而測試數(shù)據(jù)使用有電風(fēng)扇干擾時采集到的數(shù)據(jù)。如果算法中使用了雜波濾除,測得準(zhǔn)確率為96.4%,如果不使用雜波濾除方案,準(zhǔn)確率僅為90.7%。可以看到,雖然訓(xùn)練數(shù)據(jù)是在正常的環(huán)境中采集的,但是因為使用了雜波濾除方案,在變化后的復(fù)雜環(huán)境中,依然能夠保持很高的準(zhǔn)確率;而如果不濾除雜波,當(dāng)系統(tǒng)環(huán)境變化時,識別率明顯下降。

    6 結(jié)束語

    本文提出了一套基于相參脈沖串、RDM圖特征和隨機(jī)森林分類器的手勢識別算法,其中包括手勢檢測和雜波濾除算法,對7種不同手勢的識別率為97.9%?;趧討B(tài)能量閾值的手勢檢測算法使得系統(tǒng)能夠在手勢檢測、手勢識別兩種模式間自動切換,相比于連續(xù)識別和人工觸發(fā)這兩種方式,降低了系統(tǒng)功耗,提高了用戶體驗。同時,實驗結(jié)果表明,相比于不處理雜波的方法,本文通過基于目標(biāo)分割的雜波濾除算法,只提取出有效目標(biāo)的特征用于識別,在存在干擾的真實應(yīng)用環(huán)境下手勢識別率提升了5.7%。

    猜你喜歡
    雜波手勢脈沖
    他們使阿秒光脈沖成為可能
    脈沖離散Ginzburg-Landau方程組的統(tǒng)計解及其極限行為
    STAR2000型空管一次雷達(dá)雜波抑制淺析
    挑戰(zhàn)!神秘手勢
    V字手勢的由來
    黃芩苷脈沖片的制備
    中成藥(2017年12期)2018-01-19 02:06:54
    勝利的手勢
    密集雜波環(huán)境下確定性退火DA-HPMHT跟蹤算法
    相關(guān)廣義復(fù)合分布雷達(dá)海雜波仿真
    遙測遙控(2015年2期)2015-04-23 08:15:22
    微波雷達(dá)海雜波混沌特性分析
    蓬安县| 蒙山县| 子洲县| 襄城县| 阆中市| 东兰县| 天柱县| 古田县| 蚌埠市| 德令哈市| 钦州市| 固镇县| 肃宁县| 罗平县| 苏尼特左旗| 龙门县| 叙永县| 东丰县| 鄱阳县| 定安县| 丰顺县| 藁城市| 海城市| 龙江县| 兰溪市| 虹口区| 和政县| 波密县| 长武县| 手游| 彩票| 西吉县| 麻阳| 巴南区| 碌曲县| 德格县| 驻马店市| 龙海市| 丰台区| 五指山市| 马龙县|