本技术公开了一种基于注意力机制使用CSI比率信号的手势识别方法,该方法首先在监测区域内部署Wi‑Fi收发设备,然后从监测范围内采集人体手势动作对应的CSI信号;利用接收端不同天线接收到的CSI信号计算CSI比率信号,并把CSI比率信号作为手势识别的基本信号;再根据主成分分析(PCA)进行CSI比率信号的相关性提取,接着从处理后的信号提取具有显著手势特征的子载波;再利用短时傅里叶变换(STFT)将与手势动作相关的显著子载波转化为多普勒频移(DFS)图像;最后将DFS图像输入到ResNet残差网络模型,结合自适应的注意力机制动态分配特征学习权重。本发明通过实验对比现有先进的手势识别方法,发现其在域内和跨域情况下具有更高的准确性,具有重要的应用价值。
背景技术
手势是一种重要的人机交互方式,快速而准确的手势识别能够使人机交互更加高效、自然。根据设备的部署方式,现有的手势识别技术通常分为接触式和非接触式两类。
接触式手势识别方法要求用户手持或佩戴专用的传感设备。尽管这类方法可以实现较高的识别准确率,但对专用设备的高度依赖限制了其在日常生活中的大规模部署。同时,用户佩戴设备会降低便捷性和交互的自然性。此外,基于视觉或声波的手势识别方法同样依赖专用传感设备,并且可能涉及用户隐私问题,这很大程度上限制了实际的可行性和推广范围。
相比接触式手势识别,非接触式方法无需用户佩戴任何传感设备,其非侵入性的特性使得手势识别能够在更自然的状态下进行。根据信号类型的不同,非接触手势识别方法通常基于无线信号(如Wi-Fi、毫米波雷达或超宽带技术),通过分析无线信号因手势动作产生的变化来完成识别。基于毫米波雷达或超宽带技术的手势识别方法,虽然能够实现高精度,但其依赖专用硬件设备,使用场景有限且部署成本较高。而基于Wi-Fi设备的手势识别得益于其在室内外环境中的广泛部署,具有低成本和普适性等优势,无需额外配置硬件即可实现自然的手势识别。目前的Wi-Fi手势识别方法多对监测范围内采集到的CSI数据进行处理,并提取幅值或相位特征,结合深度学习实现对手势动作的识别与分类。
综上所述,当前手势识别技术中,非接触式的Wi-Fi手势识别方法处于技术前沿。这种方法无需用户佩戴任何专用传感器,能够提供更加自然且灵活的交互体验。在结合深度学习之后,这种方法已展现出一定的应用前景,但其识别效果受到信号质量波动的影响,识别精度和鲁棒性仍然面临挑战。
实现思路