摘要
随着计算机和通信技术的发展，人机交互技术在日常生活中的应用领域不断扩大。传统的感知方法无法在满足设备便携性、隐私性的前提下实现高精度活动感知。目前，基于商用Wi-Fi的感知识别技术可以为用户提供无接触的感知服务。然而，受商用Wi-Fi设备硬件噪声的影响，在定位误差、跟踪精度、识别能力等方面的仍存在巨大挑战。本文针对上述挑战，研究在信道状态信息(ChannelStatusInformation,CSI)下，基于行为轨迹的手势识别关键技术。 首先，作为手势轨迹识别的基础，设计了一种基于CSI比值特征的人手移动距离测量方法。该方法利用相邻天线间CSI比值特征，消除Wi-Fi系统中包检测时延、载波频率偏移等相位噪声，也降低Wi-Fi系统中功放产生的幅度噪声，提取CSI中运动相关信息，并计算出目标的运动距离。仿真结果表明，该方法的平均移动距离测量误差为4.9cm。 其次，为了提高手势轨迹跟踪的精度，针对上述系统估计轨迹不连贯的问题，提出基于多普勒速度平滑算法的手势轨迹跟踪方案。该方案从由目标活动引发的多普勒频谱特征中提取出路径改变速率。在此基础上，从物理学的角度将路径改变速率建模为实时速度和加速度函数，以平滑速度曲线。最终估计出目标的运动轨迹。仿真结果表明，该方法能够有效地从CSI数据中估计出目标的活动轨迹。在实测数据中，手势轨迹跟踪平均误差为2.3cm。 最后，针对轨迹跟踪误差导致的姿态识别不准确问题，提出了一种基于双流集成活动识别神经网络模型的手势动作识别方法。与传统使用纯轨迹识别方案不同，该方法在特征级别融合多普勒频谱和运动轨迹，能够补偿目标的活动细节。在此基础上，考虑到神经网络模型的泛化能力问题，联合数据增强和损失函数策略，提高模型跨场景识别精度。仿真结果表明，所提方法相比于纯轨迹识别方案，整体识别精度提升3％。
NETL