[发明专利]一种基于UWB通信技术的手势识别方法

说明书

本发明涉及一种基于UWB通信技术的手势识别方法。该方法利用获得的手势轨迹和深度学习模型识别不同的手势。步骤1、数据采集；步骤2、数据处理；步骤3、建立SE‑Conv1D深度模型；步骤4、手势识别；本发明利用UWB通信模块进行手势识别，这可以有效克服UWB雷达技术带来的问题。本发明利用设计的SE‑Conv1D深度学习模型，达到了99.48％的准确率。通信系统提出的解决方案能有效应对信号干扰和距离或方向上的变化。此外，本发明设计的基于UWB通信系统可以解决多设备选择问题。

技术领域

本发明涉及无线通信技术领域，更具体地，涉及一种基于超宽带(UltraWideBand，UWB)技术的手势识别方法。

背景技术

近年来，随着人工智能和VR技术等高科技新型技术的快速发展，人机交互技术变得随处可见。当前应用较多的人机交互方式依旧是通过一些接触式设备与计算机进行信息交流。然而这种接触式的人机互动方式具有一定的局限性，极大地受限于硬件设备，从而影响用户体验。所以手势识别，作为非接触式人机交互的一个重要研究领域，引起了国内外研究学者的极大关注。手势识别能够使用户远程控制设备而并非直接接触设备，操作方便快捷，整个过程相比传统的接触式人机互动方式更加人性化。

目前大量手势识别的研究基于不同的传感器进行探索，如相机、音频、Wi-Fi、射频识别(RFID)和蓝牙技术等。然而，基于视觉的手势研究对亮度、对比度和曝光等方面有着不同程度的要求，从而影响手势识别的准确度。同时，基于视觉和基于语音的手势识别方法可能会侵犯用户的隐私。基于Wi-Fi、RFID和蓝牙的手势识别技术能够较好的克服部分用户担忧的隐私问题，但是Wi-Fi受限于低空间分辨率、信号强度、多径反射以及电磁干扰的影响。基于蓝牙和RFID的手势识别技术的缺点是极大地限制了短距离手势识别的能力。

现阶段利用UWB技术探索手势识别的研究多集中在利用UWB雷达技术而不是UWB通信技术。利用UWB雷达技术进行手势识别会产生多径效应，以及受到电磁干扰的影响，从而影响在实际生活中手势识别的识别准确度。另一个挑战是大部分手势识别研究尚未彻底解决在智能家居中的设备选择问题。只有少数现有的手势识别解决方案可以在不增加额外标签的前提下，选择并控制一个设备。在大多数研究中，不同的手势被分配给智能家居中的不同设备。但是，分配每个设备的标签需要逐个定义不同的手势，例如“客厅的灯1”或“客厅的灯2”，这意味着用户需要记住不同手势对应的不同的命令，从而使用户操作变得麻烦。并且伴随着越来越多的智能家居中的设备，这个过程会变得繁琐。例如，“客厅的灯1”，“客厅的灯2”，“浴室的灯1”，“浴室的灯2”，“卧室的灯1”，“卧室的灯2”等。因此，需要一种无需预先定义大量手势即可选择特定智能家居设备的手势识别方法。

发明内容

本发明的目的是克服上述现有技术的缺陷，设计一种基于UWB通信技术的手势识别方法，借此能够高效准确的识别用户手势，实现更人性化的智能家居用户体验。

为达到以上目的，本发明采取的技术方案是：

一种基于UWB通信技术的手势识别方法，包括以下步骤：

步骤1、数据采集；

预先定义手势动作及其所对应的控制命令；使用四个decaWave DWM1000通信模块，三个decaWave DWM1000通信模块被配置为定位基站，另一个decaWave DWM1000通信模块被当作定位标签，将标签绑在人的臂膀上以采集数据；

步骤2、数据处理；

使用基于点的轨迹分割方法将采集的数据中各个手势的轨迹分成具有相同点的多个段；

步骤3、建立SE-Conv1D深度模型；

将Squeeze-and-Excitation模块插入一个卷积神经网络中，将这个新的模型命名为：SE-Conv1D深度模型；

步骤4、手势识别；