基于UWB雷达的手势识别技术算法研究

摘要

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、π/4、π/2和3π/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。

目录

声明

摘要

1绪论

1．1课题背景与研究意义

1．2研究历史与现状

1．2．1超宽带的发展现状

1．2．2手势识别的发展现状

1．3论文的主要内容安排

2手势识别流程

2．1系统雷达简介

2．1．1超宽带雷达

2．1．2系统架构

2．1．3系统算法流程

2．2手势回波信号预处理

2．2．1雷达回波信号获取

2．2．2雷达回波的杂波抑制

2．3本章小结

3基于时频分析和距离多普勒的手势识别

3．1基于时频分析的手势识别

3．1．1时频分析简介

3．1．2时频特征提取及分类

3．2基于距离多普勒的手势识别

3．2．1距离多普勒简介

3．2．2距离多普勒特征提取及分类

3．3本章小结

4基于Gabor变换的手势识别

4．1 Gabor变换

4．1．1 Gabor变换基本原理

4．1．2 Gabor滤波器

4．2基于Gabor变换的雷达回波处理

4．2．1 Gabor滤波器处理二维图像

4．2．2 Gabor特征的提取及分类

4．3本章小结

5实验设计与结果分析

5．1实验设计与场景设置

5．2分类器的选择与比较

5．3实验处理结果与分析

5．3．1物理特征处理结果分析

5．3．2 Gabor特征处理结果分析

5．4本章小结

6总结与展望

6．1课题总结

6．2未来展望

致谢

参考文献

附录