本發(fā)明涉及雷達及人機交互
技術(shù)領(lǐng)域：
，特別涉及一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法及系統(tǒng)。
背景技術(shù)：
：人機交互，即人與計算機之間使用某種對話媒介實現(xiàn)信息交換的過程。在傳統(tǒng)的人機交互中，人通過鍵盤、鼠標、顯示器與計算機進行信息交換。隨著計算機技術(shù)的發(fā)展，以語言、手勢為媒介的新一代人機交互技術(shù)逐漸興起。動態(tài)手勢識別技術(shù)在人機交互中具有重大的應用價值，這項技術(shù)現(xiàn)已得到越來越多的關(guān)注。目前比較成熟的動態(tài)手勢識別技術(shù)均采用視頻設備獲取手勢視頻，進而提取圖像特征實現(xiàn)各種動態(tài)手勢的識別。但是，基于視頻的動態(tài)手勢識別技術(shù)在光照條件不好的情況下性能將會下降。雷達是觀測運動目標的有效工具。相對于視頻設備而言，雷達的觀測性能不受光照條件影響；將雷達運用到動態(tài)手勢識別技術(shù)中，將有助于提升光照條件不好的情形下的手勢識別正確率。使用雷達觀測動態(tài)手勢時，雷達天線朝向被觀測者的手部發(fā)射電磁波，并接收手部的反射波。由于被觀測者的手腕、手掌、手指在手勢過程中不斷運動，且運動速度隨時間變化，所以雷達回波具有隨時間變化的多普勒頻移。這種由目標整體或部件的微運動所產(chǎn)生的回波，在雷達領(lǐng)域中被稱為微多普勒信號。微多普勒信號蘊含了目標的微動特征，該特征有助于實現(xiàn)目標種類判別，現(xiàn)已在雷達目標識別中得到廣泛研究和應用。不同的手勢具有不同的微動特征，通過分析微多普勒信號，提取相應的微動特征，并將微動特征輸入到分類器中，就能識別出不同類型的手勢。微多普勒信號是一種時變信號，分析這類信號的常用技術(shù)是時頻變換。通過時頻變換，微多普勒信號的能量被映射到時間-頻率域(簡稱“時頻域”)。研究發(fā)現(xiàn)，手勢微多普勒信號的能量僅分布在時頻域的一小部分位點上，這表明，手勢微多普勒信號在時頻域具有稀疏性。基于這一發(fā)現(xiàn)，通過使用稀疏優(yōu)化技術(shù)，手勢微多普勒信號可以被映射到時頻域的一個稀疏向量上。稀疏優(yōu)化技術(shù)是近年來根據(jù)壓縮感知理論提出一類信號處理技術(shù)。這類技術(shù)利用待分析信號在變換域的稀疏特性，將待分析信號表示成變換域字典矩陣與稀疏向量的乘積，并使用貪婪算法或凸優(yōu)化算法計算稀疏向量，實現(xiàn)從觀測域到變換域的映射。技術(shù)實現(xiàn)要素：本發(fā)明旨在至少解決上述技術(shù)問題之一。為此，本發(fā)明的一個目的在于提出一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法，該方法不受光照條件的影響，能夠提升光照條件不好的情形下的手勢識別正確率。。本發(fā)明的另一個目的在于提出一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)。為了實現(xiàn)上述目的，本發(fā)明第一方面的實施例提出了一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法，包括以下步驟：發(fā)射雷達信號，并接收所述雷達信號經(jīng)過待識別手勢反射的手勢回波信號；根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢回波信號映射成稀疏向量；提取所述稀疏向量中的非零元素，并查找所述非零元素所對應的Gabor基向量，并提取相應的時移參數(shù)和頻移參數(shù)，以得到所述手勢回波信號的特征量；訓練分類器，并將所述特征量輸入所述分類器中，以識別所述待識別手勢的類型。另外，根據(jù)本發(fā)明上述實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法還可以具有如下附加的技術(shù)特征：在一些示例中，所述根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢回波信號映射成稀疏向量，進一步包括：構(gòu)造一個Gabor時頻字典矩陣Ψ，其中，所述矩陣Ψ的每個列向量都是Gabor基信號，所述矩陣Ψ為：其中，tm,fm,sm分別表示Gabor基的時移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；根據(jù)稀疏優(yōu)化模型，將所述手勢回波信號表示為：y＝Ψx+η，其中，y是所述手勢回波信號，x是稀疏向量，η是觀測噪聲；根據(jù)正交匹配追蹤算法，計算得到所述稀疏向量x，其中，K表示所述手勢回波信號的稀疏度，所述稀疏向量x的維數(shù)為M，具有K個非零元素。在一些示例中，所述手勢回波信號的特征量為：其中，非零元素對應著矩陣Ψ的第ij個列向量，相應的時移因子、頻移因子分別是在一些示例中，所述訓練分類器，并將所述特征量輸入所述分類器中，以識別所述待識別手勢的類型，進一步包括：對于所述待識別手勢，從P組訓練樣本中，獲得P組特征量，將所述P組特征量當作三維空間中的P·K個數(shù)據(jù)點，并使用k-平均算法對所述P·K個數(shù)據(jù)點進行聚類分析，生成K個中心數(shù)據(jù)點，具體為：其中，g表示手勢類型的編號，F(xiàn)(g)為所述分類器；對于任一測試樣本y’，提取所述測試樣本y’的特征量：按照如下表達式計算測試樣本y’的特征量與所有手勢中心特征的距離：比較得到的所有dis(F',F(g))的大小，將所有dis(F',F(g))中的最小值所對應的編號作為識別結(jié)果。在一些示例中，所述待識別手勢至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指。根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法，使用時頻域稀疏優(yōu)化技術(shù)對人體動態(tài)手勢的雷達微多普勒信號進行處理，提取稀疏向量中的非零元素以及非零元素所對應的時頻參數(shù)，獲得手勢微多普勒信號的特征，并將該特征輸入到分類器中，進而實現(xiàn)動態(tài)手勢識別。因此該方法使用雷達觀測動態(tài)手勢，不受光照條件的影響；充分利用了手勢回波信號在時頻域的稀疏性，使用稀疏優(yōu)化技術(shù)提取手勢特點，有助于提升手勢識別的正確率；另外，相對于傳統(tǒng)的時頻域識別算法，該方法基于稀疏優(yōu)化的方法不需要大量的訓練樣本，即可達到較高的識別正確率。為了實現(xiàn)上述目的，本發(fā)明第二方面的實施例提出了一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)，包括：信號收發(fā)模塊，所述信號收發(fā)模塊用于發(fā)射雷達信號，并接收所述雷達信號經(jīng)過待識別手勢反射的手勢回波信號；映射模塊，所述映射模塊用于根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢回波信號映射成稀疏向量；提取模塊，所述提取模塊用于提取所述稀疏向量中的非零元素，并查找所述非零元素所對應的Gabor基向量，并提取相應的時移參數(shù)和頻移參數(shù)，以得到所述手勢回波信號的特征量；識別模塊，所述識別模塊用于訓練分類器，并將所述特征量輸入所述分類器中，以識別所述待識別手勢的類型。另外，根據(jù)本發(fā)明上述實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)還可以具有如下附加的技術(shù)特征：在一些示例中，所述映射模塊用于：構(gòu)造一個Gabor時頻字典矩陣Ψ，其中，所述矩陣Ψ的每個列向量都是Gabor基信號，所述矩陣Ψ為：其中，tm,fm,sm分別表示Gabor基的時移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；根據(jù)稀疏優(yōu)化模型，將所述手勢回波信號表示為：y＝Ψx+η，其中，y是所述手勢回波信號，x是稀疏向量，η是觀測噪聲；根據(jù)正交匹配追蹤算法，計算得到所述稀疏向量x，其中，K表示所述手勢回波信號的稀疏度，所述稀疏向量x的維數(shù)為M，具有K個非零元素。在一些示例中，所述手勢回波信號的特征量為：其中，非零元素對應著矩陣Ψ的第ij個列向量，相應的時移因子、頻移因子分別是在一些示例中，所述識別模塊用于：對于所述待識別手勢，從P組訓練樣本中，獲得P組特征量，將所述P組特征量當作三維空間中的P·K個數(shù)據(jù)點，并使用k-平均算法對所述P·K個數(shù)據(jù)點進行聚類分析，生成K個中心數(shù)據(jù)點，具體為：其中，g表示手勢類型的編號，F(xiàn)(g)為所述分類器；對于任一測試樣本y’，提取所述測試樣本y’的特征量：按照如下表達式計算測試樣本y’的特征量與所有手勢中心特征的距離：比較得到的所有dis(F',F(g))的大小，將所有dis(F',F(g))中的最小值所對應的編號作為識別結(jié)果。在一些示例中，所述待識別手勢至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指。根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)，使用時頻域稀疏優(yōu)化技術(shù)對人體動態(tài)手勢的雷達微多普勒信號進行處理，提取稀疏向量中的非零元素以及非零元素所對應的時頻參數(shù)，獲得手勢微多普勒信號的特征，并將該特征輸入到分類器中，進而實現(xiàn)動態(tài)手勢識別。因此該系統(tǒng)使用雷達觀測動態(tài)手勢，不受光照條件的影響；充分利用了手勢回波信號在時頻域的稀疏性，使用稀疏優(yōu)化技術(shù)提取手勢特點，有助于提升手勢識別的正確率；另外，相對于傳統(tǒng)的時頻域識別算法，該系統(tǒng)基于稀疏優(yōu)化的方法不需要大量的訓練樣本，即可達到較高的識別正確率。本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。附圖說明本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：圖1是根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的流程圖；圖2是根據(jù)本發(fā)明一個實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的詳細流程示意圖；圖3是根據(jù)本發(fā)明一個具體實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的實驗場景設置示意圖；以及圖4是根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)的結(jié)構(gòu)框圖。具體實施方式下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。在本發(fā)明的描述中，需要理解的是，術(shù)語“中心”、“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。在本發(fā)明的描述中，需要說明的是，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明中的具體含義。以下結(jié)合附圖描述根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法及系統(tǒng)。圖1是根據(jù)本發(fā)明一個實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的流程圖。圖2是根據(jù)本發(fā)明另一個實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的詳細流程示意圖。如圖1所示，并結(jié)合圖2所示，該方法包括以下步驟：步驟S1：發(fā)射雷達信號，并接收雷達信號經(jīng)過待識別手勢反射的手勢回波信號。換言之，即使用雷達觀測人體手勢，收集不同手勢的回波信號。在本發(fā)明的一個實施例中，待識別手勢至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指四種手勢。步驟S2：根據(jù)稀疏優(yōu)化技術(shù)，將手勢回波信號映射成稀疏向量。在本發(fā)明的一個實施例中，步驟S2進一步包括：構(gòu)造一個Gabor時頻字典矩陣Ψ，其中，矩陣Ψ的每個列向量都是Gabor基信號，其中，矩陣Ψ為：其中，tm,fm,sm分別表示Gabor基的時移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；根據(jù)稀疏優(yōu)化模型，將手勢回波信號表示為：y＝Ψx+η,(1)其中，y是手勢回波信號，x是稀疏向量，η是觀測噪聲；根據(jù)正交匹配追蹤算法，計算得到稀疏向量x。具體地說，已知回波信號y，字典矩陣Ψ，可使用正交匹配追蹤(OMP)算法，計算稀疏向量x。OMP算法是一種被廣泛研究和使用的稀疏優(yōu)化算法，該算法通過計算手勢回波信號殘差與字典矩陣列向量的相關(guān)系數(shù)，選取與手勢回波信號匹配程度較高的矩陣列子空間，將手勢回波信號投射到相應的子空間中。記OMP算法的計算結(jié)果如下：x＝OMP(y,Ψ,K),其中，K表示手勢回波信號的稀疏度，稀疏向量x的維數(shù)為M，具有K個非零元素，則稀疏向量x具體為：其中，稀疏向量x中，下標為ij(j＝1,2,…,K)的元素不等于0，其他元素為0。步驟S3：提取稀疏向量x中的非零元素xik(k＝1,2,…,K,其中K為非零元素個數(shù))，并查找非零元素所對應的Gabor基向量，并提取相應的時移參數(shù)tik和頻移參數(shù)fik，以{(xik,tik,fik),k＝1,2,..,K}作為手勢回波信號的特征量。具體地，手勢回波信號的特征量為：可以看出，手勢回波信號的特征量是三維空間中的K個點所組成的集合。其中，非零元素對應著矩陣Ψ的第ij個列向量，相應的時移因子、頻移因子分別是步驟S4：訓練分類器，并將上述得到的特征量輸入分類器中，以識別待識別手勢的類型。具體地，將觀測到的所有樣本劃分為兩部分，一部分樣本用于訓練分類器，另一部分用于驗證分類效果。在本發(fā)明的一個實施例中，步驟S4進一步包括：訓練過程：對于每種待識別手勢，從P組訓練樣本中，獲得P組特征量，將這P組特征量當作三維空間中的P·K個數(shù)據(jù)點，并使用k-平均算法對P·K個數(shù)據(jù)點進行聚類分析，生成K個中心數(shù)據(jù)點，具體為：其中，g表示手勢類型的編號，F(xiàn)(g)為分類器；識別過程：對于任一測試樣本y’，提取測試樣本y’的特征量：按照如下表達式計算測試樣本y’的特征量與所有手勢中心特征的距離：比較得到的所有dis(F',F(g))的大小，將所有dis(F',F(g))中的最小值所對應的編號作為識別結(jié)果。綜上，根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法，使用時頻域稀疏優(yōu)化技術(shù)對人體動態(tài)手勢的雷達微多普勒信號進行處理，提取稀疏向量中的非零元素以及非零元素所對應的時頻參數(shù)，獲得手勢微多普勒信號的特征，并將該特征輸入到分類器中，進而實現(xiàn)動態(tài)手勢識別。因此該方法使用雷達觀測動態(tài)手勢，不受光照條件的影響；充分利用了手勢回波信號在時頻域的稀疏性，使用稀疏優(yōu)化技術(shù)提取手勢特點，有助于提升手勢識別的正確率；另外，相對于傳統(tǒng)的時頻域識別算法，該方法基于稀疏優(yōu)化的方法不需要大量的訓練樣本，即可達到較高的識別正確率。為了便于更好地理解本發(fā)明，以下結(jié)合附圖及具體實施例對本發(fā)明上述的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法進行詳細具體地描述。在本實施例中，結(jié)合圖2所示，該方法包括以下步驟：步驟1：按照如圖3所示的設置手勢識別實驗場景，收集手勢回波信號。本實施例中所使用的雷達為X波段連續(xù)波雷達，載波頻率為9.8GHz，基帶信號采樣頻率為1KHz。在實驗中，雷達天線正對著被觀測者的手部，觀測距離約為30cm。所觀測的手勢包括轉(zhuǎn)手腕、招手、打響指、彈手指，完成每種手勢所需的時間均小于0.5s。每種手勢均重復50次(相鄰動作之間有一小段時間間隔)，收集對應的回波信號。然后將每種手勢的回波信號切分成50個片段，每個片段包括一次手勢動作，片段時長為0.5s，包含500個采樣點。步驟2：將手勢回波信號片段映射為稀疏向量。首先生成Gabor字典矩陣Ψ，該矩陣維數(shù)為500×4773，其列向量為Gabor基，表達式如下：其中，tm,fm,sm分別表示Gabor基的時移因子、頻移因子、尺度因子，N＝500是矩陣行數(shù)，M＝4773是矩陣列數(shù)。已知回波信號y，字典矩陣Ψ，可使用正交匹配追蹤(OMP)算法，計算式(1)中的稀疏向量x。OMP算法是一種被廣泛研究和使用的稀疏優(yōu)化算法，該算法通過計算觀測信號殘差與字典矩陣列向量的相關(guān)系數(shù)，選取與觀測信號匹配程度較高的矩陣列子空間，將觀測信號投射到相應的子空間中。記OMP算法的計算結(jié)果如下：x＝OMP(y,Ψ,K),(2)其中K表示回波信號的稀疏度。在本實施例中，K的取值可以在10～20之間選取。稀疏向量x的維數(shù)為M，只有K個非零元素，可以表示為：式(4)表示，向量x中，下標為ij(j＝1,2,…,K)的元素不等于0，其他元素為0。步驟3：根據(jù)稀疏向量的非零元素生成手勢回波的特征量。根據(jù)(1)式和(4)式中，非零元素對應著矩陣Ψ的第ij個列向量，相應的時移因子、頻移因子分別是將手勢回波的特征量表示為：可以看出，手勢回波的特征量是三維空間中的K個點所組成的集合。步驟4：訓練分類器，并使用分類器識別手勢。在步驟1中，已經(jīng)收集了4×50組手勢回波數(shù)據(jù)，即4種手勢，每種手勢50次觀測。對于每種手勢，隨機選取P(P<50)組觀測數(shù)據(jù)作為訓練樣本，用于訓練手勢分類器；剩下的50-P組觀測數(shù)據(jù)作為測試樣本，用于測試分類器的識別效果。在測試過程中，設轉(zhuǎn)手腕、招手、打響指、彈手指這4種手勢的觀測數(shù)據(jù)被正確識別的次數(shù)分別是Q1,Q2,Q3,Q4，則識別正確率(簡稱識別率)計算為：設定訓練樣本所占比例(即P/50)，隨機選取訓練樣本和測試樣本進行實驗，并將歷次實驗中的識別率取平均值，即可獲得可信度較高的識別率。下面詳細介紹訓練過程和分類過程。訓練過程：對于每種手勢，從P組訓練樣本中，可以獲得P組形如(5)式的特征量。將這P組特征量當做三維空間中的P·K個數(shù)據(jù)點，并使用k-平均算法對這些數(shù)據(jù)點進行聚類分析，生成K個中心數(shù)據(jù)點。其中，k-平均算法是圖像分析中常用的聚類算法，用以找到數(shù)據(jù)點集合中的中心點。記k-平均算法的運行結(jié)果為：其中g(shù)表示手勢種類的編號，g＝1,2,3,4分別對應著四種手勢。四種手勢分別對應著F(1),F(2),F(3),F(4)這四組中心數(shù)據(jù)點，稱之為中心特征，這就是訓練過程的輸出。分類過程：對于任一測試樣本(記為y’)，首先按照步驟2、步驟3提取其特征量：然后按照下述表達式計算測試樣本特征量與4種手勢中心特征的距離：比較dis(F’,F(g))(g＝1,2,3,4)的大小，最小距離所對應的編號，即為識別結(jié)果。在本實施例中，在選定的訓練樣本比例P/50和稀疏度K下，隨機選取訓練樣本、測試樣本，進行100次實驗，得到的識別率如下表1所示?？梢钥闯觯诮o定的訓練樣本比例下，識別率隨著稀疏度K的增大而提升。這是因為，隨著稀疏度K增大，從回波信號中提取的特征量增多，能夠保留更多有效信息，有助于區(qū)分不同手勢。從表1中還可以看出，在給定的稀疏度下，識別率隨著訓練樣本比例的增大而提升。這是因為，隨著訓練樣本比例增大，訓練過程開展得更充分，訓練得到的分類器更精密，有助于更好地分辨手勢。表1在訓練樣本比例為20％，稀疏度為20時，各種手勢的識別正確/錯誤率如下表2所示。可以看出，在這種情況下，各種手勢的識別正確率都高于97％。轉(zhuǎn)手腕招手打響指彈手指轉(zhuǎn)手腕97.00％0.35％00招手3.00％98.95％0.25％0.80％打響指00.70％99.20％0.05％彈手指000.55％99.15％表2綜上，通過本實施例的上述實驗表明，本發(fā)明能夠有效識別四種手勢，且識別正確率較高。本發(fā)明的進一步實施例還提出了一種基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)。圖4是根據(jù)本發(fā)明一個實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)的結(jié)構(gòu)框圖。如圖4所示，該系統(tǒng)100包括：信號收發(fā)模塊110、映射模塊120、提取模塊130和識別模塊140。其中，信號收發(fā)模塊110用于發(fā)射雷達信號，并接收雷達信號經(jīng)過待識別手勢反射的手勢回波信號。換言之，即使用雷達觀測人體手勢，收集不同手勢的回波信號。在本發(fā)明的一個實施例中，待識別手勢至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指四種手勢。映射模塊120用于根據(jù)稀疏優(yōu)化技術(shù)，將手勢回波信號映射成稀疏向量。具體地，在本發(fā)明的一個實施例中，所述映射模塊120用于：構(gòu)造一個Gabor時頻字典矩陣Ψ，其中，矩陣Ψ的每個列向量都是Gabor基信號，其中，矩陣Ψ為：其中，tm,fm,sm分別表示Gabor基的時移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；根據(jù)稀疏優(yōu)化模型，將手勢回波信號表示為：y＝Ψx+η,其中，y是手勢回波信號，x是稀疏向量，η是觀測噪聲；根據(jù)正交匹配追蹤算法，計算得到稀疏向量x。具體地說，已知回波信號y，字典矩陣Ψ，可使用正交匹配追蹤(OMP)算法，計算稀疏向量x。OMP算法是一種被廣泛研究和使用的稀疏優(yōu)化算法，該算法通過計算手勢回波信號殘差與字典矩陣列向量的相關(guān)系數(shù)，選取與手勢回波信號匹配程度較高的矩陣列子空間，將手勢回波信號投射到相應的子空間中。記OMP算法的計算結(jié)果如下：x＝OMP(y,Ψ,K),其中，K表示手勢回波信號的稀疏度，稀疏向量x的維數(shù)為M，具有K個非零元素，則稀疏向量x具體為：其中，稀疏向量x中，下標為ij(j＝1,2,…,K)的元素不等于0，其他元素為0。提取模塊130用于提取稀疏向量x中的非零元素xik(k＝1,2,…,K,其中K為非零元素個數(shù))，并查找非零元素所對應的Gabor基向量，并提取相應的時移參數(shù)tik和頻移參數(shù)fik，以{(xik,tik,fik),k＝1,2,..,K}作為手勢回波信號的特征量。具體地，手勢回波信號的特征量為：可以看出，手勢回波信號的特征量是三維空間中的K個點所組成的集合。其中，非零元素對應著矩陣Ψ的第ij個列向量，相應的時移因子、頻移因子分別是識別模塊140用于訓練分類器，并將特征量輸入分類器中，以識別待識別手勢的類型。具體地，將觀測到的所有樣本劃分為兩部分，一部分樣本用于訓練分類器，另一部分用于驗證分類效果。在本發(fā)明的一個實施例中，識別模塊140訓練分類器，并將特征量輸入分類器中，以識別待識別手勢的類型，具體包括：訓練過程：對于每種待識別手勢，從P組訓練樣本中，獲得P組特征量，將這P組特征量當作三維空間中的P·K個數(shù)據(jù)點，并使用k-平均算法對P·K個數(shù)據(jù)點進行聚類分析，生成K個中心數(shù)據(jù)點，具體為：其中，g表示手勢類型的編號，F(xiàn)(g)為分類器；識別過程：對于任一測試樣本y’，提取測試樣本y’的特征量：按照如下表達式計算測試樣本y’的特征量與所有手勢中心特征的距離：比較得到的所有dis(F',F(g))的大小，將所有dis(F',F(g))中的最小值所對應的編號作為識別結(jié)果。需要說明的是，本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)的具體實現(xiàn)方式與本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別方法的具體實現(xiàn)方式類似，具體請參見方法部分的描述，為了減少冗余，此處不再贅述。綜上，根據(jù)本發(fā)明實施例的基于雷達微多普勒信號稀疏優(yōu)化的手勢識別系統(tǒng)，使用時頻域稀疏優(yōu)化技術(shù)對人體動態(tài)手勢的雷達微多普勒信號進行處理，提取稀疏向量中的非零元素以及非零元素所對應的時頻參數(shù)，獲得手勢微多普勒信號的特征，并將該特征輸入到分類器中，進而實現(xiàn)動態(tài)手勢識別。因此該系統(tǒng)使用雷達觀測動態(tài)手勢，不受光照條件的影響；充分利用了手勢回波信號在時頻域的稀疏性，使用稀疏優(yōu)化技術(shù)提取手勢特點，有助于提升手勢識別的正確率；另外，相對于傳統(tǒng)的時頻域識別算法，該系統(tǒng)基于稀疏優(yōu)化的方法不需要大量的訓練樣本，即可達到較高的識別正確率。在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。盡管已經(jīng)示出和描述了本發(fā)明的實施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同限定。當前第1頁1 2 3