[发明专利]一种基于FPGA加速的低功耗手势识别系统

说明书

本发明公开了一种基于FPGA加速的低功耗手势识别系统，包括FPGA和设置有IMU传感器的手套，所述FPGA包括预处理模块、特征提取模块、分类模块，所述预处理模块分为小波降噪和SWAB算法实现数据中有效数据的分割和提取两个部分，所述特征提取模块运行卷积神经网络对数据特征进行提取，所述分类模块运行感知机网络对特征进行分类进而输出识别结果。预处理模块有效减少了噪音对于后级处理的影响，同时也减少了后级数据处理量，特征提取模块和分类模块根据FPGA的可并行特性进行了加速设计，这些优化使得该系统具有较高的性能功耗比。

技术领域

本发明涉及手势识别技术领域，特别涉及一种基于FPGA加速的低功耗手势识别系统。

背景技术

手势识别是很热门且常见的技术，它对人机交互、医疗康复等领域都有着一定的意义。手势识别方案可分为两类，一类是通过MCU采集传感器数据，在本地对传感器数据进行处理并识别出手势；另一类由MCU采集传感器数据，之后将数据发送至性能更强的处理器再进行处理。传统单片机通常运算性能较差；而传输到个人电脑级别的处理器进行处理，虽然性能较高，但是会因传输速率问题增加时延，且个人电脑级别的处理器便携性较差，功耗也较高。

发明内容

本发明的目的在于提供一种基于FPGA加速的低功耗手势识别系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于FPGA加速的低功耗手势识别系统，包括FPGA和设置有IMU传感器的手套，所述FPGA包括预处理模块、特征提取模块、分类模块，所述IMU传感器分别设置在手套上每根手指的第二关节和手掌背部。

作为本发明技术方案的进一步改进，所述预处理模块分为小波降噪和SWAB 算法实现数据中有效数据的分割和提取两个部分；其中小波降噪中给定平方可积的信号x(t)则有等式：

其中b是时移，a是尺度因子，ψ(t)为基本小波。

作为本发明技术方案的进一步改进，为了便于FPGA定量化计算，各个尺度下信号阈值的固定公式为：

其中γ为噪声功率谱参数，median()表示输入对应的中位数，为第j层小波的系数，j为分解尺度，length()表示输入数据长度。

作为本发明技术方案的进一步改进，通过SWAB算法实现数据中有效数据的分割和提取具体为：将6个IMU传感器采集得到两个维度的信号数值的平方和作为变化的量度记作：

将signal记作判断手势动作的依据，通过设置合适的阈值分割出相应的信号。

作为本发明技术方案的进一步改进，所述特征提取模块通过采用卷积神经网络模型提取手势特征。

作为本发明技术方案的进一步改进，所述卷积神经网络一共三层卷积层，卷积核数量为分别为4、6、6，卷积核尺寸都固定为3_×3，步长为1，池化均选择最大值池化，窗口大小固定为2_×2，全连接层输出为4。

作为本发明技术方案的进一步改进，所述分类模块使用多层感知机网络完成分类，根据卷积神经网络的输出和最终结果要求设置了多层感知机的输入和输出，进而输出识别结果。

作为本发明技术方案的进一步改进，所述分类模块中多层感知机网络有两个隐藏层，每个隐藏层8个神经单元，针对不同层使用不同的激活函数，且分类模块中引入了新的激活函数为：

ReTanh＝max(0，Tanh(x))。

与现有技术相比，本发明的有益效果如下：