论文部分内容阅读
随着计算机技术以及人工智能的发展,手势识别技术成为目前研究的热点之一。手势识别技术可以用来实现高效智能的人机交互系统。本文结合WiFi信号长训练序列特点以及模式识别方法,提出了一种基于WiFi信号的手势识别方法。该方法深入分析802.11a长训练序列的特性,并提取相应特征,然后采用模式识别方法对手势进行分类识别。本文的主要研究成果如下:本文分析了 802.11a帧结构特性以及长训练序列的作用,提出了一种基于802.11 a长训练序列的特征提取方法。802.11 a帧结构中长训练序列可以用于估计信道频率响应以及频率偏移。不同的手势动作对信号会造成一定的影响。在不同条件下所估计的频率偏移都不同。同时,手势动作也会对信号的传输信道造成一定的影响,并相应改变信道参数。因此,本文的特征提取方法主要提取WiFi信号的频偏估计特征和信道估计特征,然后将二者合并为特征向量。针对频偏估计特征的提取,本文采用了基于长训练序列的自相关算法,即让802.11a中两个长训练序列做相关运算,然后计算频率偏移。针对信道估计特征的提取,本文先将时域长训练序列转换为频域长训练序列,然后和本地标准频域长训练序列相除并提取相应的信道估计参数。提取特征之后,本文选用了 SVM分类算法对手势识别方法进行了仿真分析与验证,并对模型进行了参数调优。所得到的分类模型具有良好的分类性能,本文共识别了 8种静态手势,平均识别率达到95%。经参数优化的分类模型平均识别率高达97%。在前面研究基础之上,本文结合软件无线电平台设计了一个基于手势识别的人机交互系统。该系统能够现场采集数据、训练模型,并实时分析处理接收的WiFi信号,提取特征,采用现场训练的分类模型对手势动作分类判别并通过界面展示结果。