張煒寧，王春東*

（天津理工大學(xué)a.天津市智能計(jì)算及軟件新技術(shù)重點(diǎn)實(shí)驗(yàn)室，b.計(jì)算機(jī)視覺(jué)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，c.計(jì)算機(jī)科學(xué)與工程學(xué)院，天津 300384）

隨著移動(dòng)計(jì)算的迅猛發(fā)展和逐漸普及，手勢(shì)識(shí)別技術(shù)也正日益發(fā)展[1]。傳統(tǒng)的可穿戴設(shè)備交互需要借助外圍設(shè)備等，給日常生活和工作帶來(lái)諸多不便，越來(lái)越多的用戶希望以非接觸的方式與智能設(shè)備進(jìn)行交互[2]。非接觸式手勢(shì)識(shí)別以一種更方便的方式來(lái)實(shí)現(xiàn)交互，例如用戶可以在不觸碰電腦的情況下通過(guò)滑動(dòng)手勢(shì)來(lái)實(shí)現(xiàn)網(wǎng)頁(yè)的翻轉(zhuǎn)以及點(diǎn)擊鏈接。

傳統(tǒng)的非接觸手勢(shì)識(shí)別分為兩類：1）基于專業(yè)的硬件設(shè)備，例如智能手環(huán)。由于可穿戴設(shè)備的功率有限，給老年人帶來(lái)了一些不便。很多場(chǎng)景應(yīng)用攝像頭來(lái)進(jìn)行手勢(shì)識(shí)別，但只能在視線范圍內(nèi)工作[3-7]。2）基于射頻設(shè)備?；谏漕l設(shè)備的手勢(shì)識(shí)別雖然不需要用戶佩戴傳感器，并且可以在非視線條件下工作。但前期需要進(jìn)行大量的數(shù)據(jù)收集和訓(xùn)練，另外對(duì)環(huán)境的要求也很高[8-12]。

在本文中，提出了一種智能的基于WiFi信號(hào)的非接觸手勢(shì)識(shí)別算法（non contact ges，NCGes）。它是一種與室內(nèi)位置無(wú)關(guān)的手勢(shì)識(shí)別的菲涅爾區(qū)域模型[13]。利用菲涅爾區(qū)域模型原理來(lái)識(shí)別簡(jiǎn)單手勢(shì)，再結(jié)合隱馬爾科夫模型識(shí)別復(fù)雜手勢(shì)。在3種不同的環(huán)境中進(jìn)行實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)結(jié)果表明NCGes系統(tǒng)能達(dá)到很好的性能。它不需要用戶佩戴傳感器設(shè)備，并且可以在視線范圍外工作，能達(dá)到十分可觀的精確度。

1 相關(guān)工作

1.1 基于計(jì)算機(jī)視覺(jué)

基于視覺(jué)的手勢(shì)識(shí)別是指對(duì)視頻采集設(shè)備拍攝到的包含手勢(shì)的圖像序列，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行處理，進(jìn)而對(duì)手勢(shì)加以識(shí)別。手的檢測(cè)和相應(yīng)圖像區(qū)域的分割是基于視覺(jué)的手勢(shì)識(shí)別的關(guān)鍵。所識(shí)別的特征可以是手的膚色、形狀和運(yùn)動(dòng)等。

1.2 基于機(jī)器學(xué)習(xí)

隨著人工智能技術(shù)的迅速發(fā)展，也有很多學(xué)者使用機(jī)器學(xué)習(xí)來(lái)實(shí)現(xiàn)手勢(shì)識(shí)別。雖然機(jī)器學(xué)習(xí)方法不使用昂貴的專業(yè)設(shè)備，但是初步的訓(xùn)練和學(xué)習(xí)非常復(fù)雜，工作量很大，對(duì)環(huán)境也有很高的要求。

1.3 基于菲涅爾區(qū)域模型

隨著WiFi設(shè)備的發(fā)展，很多研究者利用信道狀態(tài)信息（chanael status information，CSI）來(lái)實(shí)現(xiàn)手勢(shì)識(shí)別。文獻(xiàn)[12]是一個(gè)利用CSI來(lái)識(shí)別WiFi設(shè)備下的人類活動(dòng)的活動(dòng)識(shí)別系統(tǒng)。基于WiFi-CSI的細(xì)紋理手勢(shì)識(shí)別系統(tǒng)被提出。

本文通過(guò)與現(xiàn)有方法比較，提出了一種基于菲涅爾區(qū)域模型的手勢(shì)識(shí)別方法，根據(jù)用戶在菲涅爾區(qū)域模型中的位置變化來(lái)實(shí)現(xiàn)識(shí)別。

2 觀察分析

本章進(jìn)行原理分析，首先對(duì)隱馬爾可夫模型和菲涅爾區(qū)域理論進(jìn)行介紹，并分析人的手勢(shì)對(duì)菲涅爾區(qū)域的影響以及隱馬爾可夫模型如何應(yīng)用到手勢(shì)識(shí)別當(dāng)中。

2.1 隱馬爾可夫模型

隱馬爾可夫模型（hidden Markov model，HMM）是一種結(jié)構(gòu)最簡(jiǎn)單的動(dòng)態(tài)貝葉斯網(wǎng)的生成模型，它也是一種著名的有向圖模型。隱藏的馬爾可夫鏈隨機(jī)生成的狀態(tài)序列，隱馬爾可夫模型如圖1所示，稱為狀態(tài)序列。每個(gè)狀態(tài)生成一個(gè)觀測(cè)，而由此產(chǎn)生的觀測(cè)隨機(jī)序列，稱為觀測(cè)序列。

圖1 隱馬爾可夫模型Fig.1 Hidden Markov model

隱馬爾可夫模型是由馬爾可夫鏈生成隨機(jī)不可觀測(cè)的隨機(jī)狀態(tài)序列，再由各個(gè)狀態(tài)生成可觀測(cè)的隨機(jī)序列。隱馬爾可夫模型由初始的概率分布、狀態(tài)轉(zhuǎn)移概率分布以及觀測(cè)概率分布確定。假設(shè)I是狀態(tài)序列，O是對(duì)應(yīng)觀測(cè)序列公式（1）為：

在隱馬爾可夫模型中，有幾個(gè)矩陣變量，分別是狀態(tài)轉(zhuǎn)移概率矩陣A，觀測(cè)概率矩陣B，以及初始狀態(tài)概率向量C，其中狀態(tài)轉(zhuǎn)移概率矩陣A公式（2）為：

式中，aij=p(it+1=qj|it=qi)是在時(shí)刻t處于狀態(tài)qi的條件下生成狀態(tài)qj的概率。

初始狀態(tài)概率向量公式（3）為：

式中，Ci為t=1時(shí)刻處于狀態(tài)qi的概率。

隱馬爾可夫模型由初始狀態(tài)概率向量C，狀態(tài)轉(zhuǎn)移概率矩陣A和觀測(cè)概率矩陣B決定，C和A決定狀態(tài)序列，B決定觀測(cè)序列，因此隱馬爾可夫模型可以用三元符號(hào)表示公式為：

狀態(tài)轉(zhuǎn)移概率矩陣A與初始狀態(tài)概率向量C確定了隱藏的馬爾可夫模型，生成不可觀測(cè)的狀態(tài)序列，觀測(cè)概率矩陣B確定了如何從狀態(tài)生成觀測(cè)，與狀態(tài)序列綜合確定了如何產(chǎn)生觀測(cè)序列。

復(fù)雜手勢(shì)的識(shí)別正是利用的隱馬爾可夫模型的觀測(cè)性能。本文系統(tǒng)是利用菲涅爾區(qū)域模型與隱馬爾可夫模型相結(jié)合的方法來(lái)進(jìn)行人體復(fù)雜手勢(shì)的識(shí)別。

2.2 菲涅爾區(qū)域

菲涅爾區(qū)域是利用WiFi信號(hào)的CSI進(jìn)行室內(nèi)人體感知的理論基礎(chǔ)，是指無(wú)線電磁波在傳輸?shù)倪^(guò)程中，在收發(fā)設(shè)備之間由電波的直線路徑與折線路徑的行程差為nλ/2的折點(diǎn)（反射點(diǎn)）形成的，以收發(fā)設(shè)備為焦點(diǎn)的橢圓區(qū)域。

當(dāng)物體移動(dòng)時(shí)，它將通過(guò)一系列菲涅爾區(qū)域，然后接收信號(hào)功率顯示一個(gè)連續(xù)的正弦波形，其峰值和波谷是通過(guò)穿過(guò)菲涅爾區(qū)域邊界產(chǎn)生的。假設(shè)相位差φ(λ,d′)，是靜態(tài)矢量Hs(λ)和動(dòng)態(tài)矢量Hd(d′,λ)之間的相位差，可以表示為：

式中，d0是視線長(zhǎng)度。當(dāng)d0和λ為常數(shù)時(shí)，菲涅爾相位隨反射路徑長(zhǎng)度的變化而變化。

用戶在菲涅爾區(qū)域中行走時(shí)，每經(jīng)過(guò)一個(gè)菲涅爾區(qū)域的邊界時(shí)，接收到的信號(hào)會(huì)以波峰或波谷的形式出現(xiàn)。而當(dāng)用戶沿某一菲涅爾區(qū)域的邊界行走時(shí)，反射信號(hào)路徑的長(zhǎng)度不變，接收到的信號(hào)保持穩(wěn)定。當(dāng)用戶連續(xù)走過(guò)多個(gè)菲涅爾區(qū)域邊界時(shí)，接收到的信號(hào)看起來(lái)像一個(gè)正弦波形，這個(gè)正弦波的峰值各自對(duì)應(yīng)于奇/偶菲涅爾區(qū)域的邊界。另外菲涅爾區(qū)具有邊界清晰、信號(hào)穩(wěn)定等優(yōu)點(diǎn)，相比于其他算法有更好的效率。

3 系統(tǒng)描述

在本章設(shè)計(jì)了一個(gè)智能的復(fù)雜手勢(shì)識(shí)別系統(tǒng)，系統(tǒng)架構(gòu)如圖2所示，系統(tǒng)分為硬件模塊和軟件模塊。硬件模塊收集數(shù)據(jù)集，軟件模塊進(jìn)行處理，首先建立手勢(shì)動(dòng)作特征數(shù)據(jù)集并進(jìn)行信號(hào)預(yù)處理，然后進(jìn)行特征提取，分析波峰和波谷的特性。最后是手勢(shì)識(shí)別模塊，使用貝葉斯算法進(jìn)行簡(jiǎn)單手勢(shì)的識(shí)別，再使用隱馬爾可夫模型的維特比算法實(shí)現(xiàn)復(fù)雜手勢(shì)的識(shí)別。

圖2 系統(tǒng)架構(gòu)Fig.2 System architecture

3.1 數(shù)據(jù)預(yù)處理

建立手勢(shì)動(dòng)作數(shù)據(jù)集：利用兼容IEEE802.11 a/g/n的Intel 5 300無(wú)線網(wǎng)卡，即可從每個(gè)時(shí)刻接收到的無(wú)線信號(hào)數(shù)據(jù)包中獲取一組CSI，每組CSI是以子載波頻差為頻率采樣間隔，對(duì)WiFi帶寬內(nèi)的虛擬遺憾最少化算法（countfactual regret minimization，CFR）的K個(gè)離散采樣值。

實(shí)驗(yàn)過(guò)程中設(shè)置的數(shù)據(jù)包發(fā)送速率為40個(gè)/s，連續(xù)測(cè)試發(fā)送60 s，即發(fā)送端在信號(hào)收集環(huán)節(jié)共發(fā)送了2 400個(gè)數(shù)據(jù)包。接收到數(shù)據(jù)包后根據(jù)動(dòng)作模板執(zhí)行得到對(duì)應(yīng)的dat數(shù)據(jù)，并進(jìn)行解析。

1）濾波去噪。直接獲取到的數(shù)據(jù)中包含許多干擾數(shù)據(jù)，不能直接使用。人類行為活動(dòng)信號(hào)的頻率集中在0～5 Hz之間，容易受到其他頻率信息干擾，去噪的目的就是去除無(wú)關(guān)信息。使用線性濾波器濾除無(wú)關(guān)信息。線性濾波處理的輸出像素值（i.e.g（i，j））是輸入像素值（i.e.f（i+k，j+l））的加權(quán)，公式（6）為：

式中，加權(quán)系數(shù)h(k,l)稱為核。

2）平滑處理。去噪后，行為曲線上仍存在一些尖銳的毛刺影響光滑度，因此要進(jìn)行平滑處理。使用粗糙懲罰算法來(lái)進(jìn)行平滑處理，經(jīng)過(guò)平滑處理的行為信號(hào)在特征提取過(guò)程中得到的特征會(huì)更加真實(shí)，出現(xiàn)錯(cuò)誤的可能性小。

3.2 特征提取

經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)集不能直接被識(shí)別，還需要從手勢(shì)動(dòng)作的數(shù)據(jù)中提取相位差特征。

1）滑動(dòng)窗口法。為了在提取特征數(shù)目有限的情況下盡可能多地獲得數(shù)據(jù)樣本，使用滑動(dòng)窗口法按時(shí)間順序?qū)⒉綉B(tài)數(shù)據(jù)劃分為不同的集合，更全面地表征某種行為。

滑動(dòng)窗口法在使用過(guò)程中涉及兩個(gè)關(guān)鍵變量，分別是窗口大小和滑動(dòng)步長(zhǎng)。窗口大小指的是每次特征提取處理的單位數(shù)據(jù)量，滑動(dòng)步長(zhǎng)等價(jià)于完全將一次行為數(shù)據(jù)處理結(jié)束，滑動(dòng)窗口需要移動(dòng)的次數(shù)，間接反映了行為數(shù)據(jù)的大小。為了同時(shí)滿足信號(hào)在時(shí)、頻域采樣過(guò)程中的數(shù)據(jù)要求，通常情況下滑動(dòng)步長(zhǎng)與信號(hào)的采樣頻率相等，窗口大小取決于采樣頻率，其計(jì)算公式（7）為：

式中，f為信號(hào)的采樣頻率。設(shè)置無(wú)線信號(hào)發(fā)送速率為50個(gè)/s，故信號(hào)采樣速率為50 Hz，窗口大小為128。

2）相位差提取。一旦在相位差提取階段選擇了兩個(gè)子載波，較長(zhǎng)的反射路徑將導(dǎo)致較大的相位差。當(dāng)用戶的位置固定時(shí)，兩個(gè)子載波之間的頻率差越大，相位差越大。如果兩個(gè)子載波之間的差異太小，則這兩個(gè)波形太接近，無(wú)法進(jìn)行差分。但是兩個(gè)子載波之間的巨大差異將導(dǎo)致相位模糊。因此，子載波的選擇尤為重要。

多徑效應(yīng)會(huì)導(dǎo)致波形失真和隨機(jī)相移。因此選擇π/2作為最大允許相位延遲來(lái)選擇子載波，在數(shù)學(xué)上，可以根據(jù)相位差來(lái)計(jì)算波長(zhǎng)λ1和λ2之間的子載波之間的頻率差公式為：

如果房間大小是8×12 m，發(fā)射機(jī)和接收機(jī)之間的距離是6 m。當(dāng)波長(zhǎng)Δρ僅限于π/2，允許的最大頻率差是6.8 MHz。如果WiFi卡配置為40 MHz帶寬，根據(jù)802.11n-2009規(guī)范，相鄰子載波的CSI值為1.25 MHz。又因?yàn)閱蝹€(gè)副載波的菲涅爾區(qū)域定位具有局限性，只能識(shí)別到用戶正在穿過(guò)菲涅爾區(qū)域，而不能具體感知用戶所在位置，因此選擇了兩個(gè)CSI子載波。

3.3 手勢(shì)識(shí)別

先使用樸素貝葉斯分類算法進(jìn)行簡(jiǎn)單手勢(shì)識(shí)別。簡(jiǎn)單手勢(shì)識(shí)別是復(fù)雜手勢(shì)識(shí)別的基礎(chǔ)，實(shí)現(xiàn)簡(jiǎn)單手勢(shì)識(shí)別后就要利用隱馬爾可夫及其相關(guān)算法進(jìn)行復(fù)雜手勢(shì)識(shí)別。

隱馬爾可夫模型對(duì)復(fù)雜動(dòng)態(tài)手勢(shì)具有良好的描述能力。在日常生活中，大部分復(fù)雜手勢(shì)都是由簡(jiǎn)單手勢(shì)組合而成的。例如朋友見(jiàn)面時(shí)的“揮手”動(dòng)作，是由“向左揮手”和“向右揮手”兩個(gè)簡(jiǎn)單手勢(shì)動(dòng)作交替組合成的復(fù)雜手勢(shì)動(dòng)作。再比如在交談中需要用到“指向”動(dòng)作，是由“向前指”和“向后收”兩個(gè)簡(jiǎn)單手勢(shì)動(dòng)作組合完成的。利用隱馬爾可夫模型的特性，就能夠根據(jù)若干個(gè)簡(jiǎn)單手勢(shì)動(dòng)作的組合來(lái)識(shí)別復(fù)雜手勢(shì)。

首先將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集兩部分，其中訓(xùn)練集用來(lái)訓(xùn)練特征數(shù)據(jù)得到分類模板，測(cè)試集使用訓(xùn)練好的分類模板預(yù)測(cè)新的動(dòng)作數(shù)據(jù)，用來(lái)評(píng)估分類模型對(duì)于沒(méi)有識(shí)別過(guò)的新動(dòng)作的判別能力。本文將80%用于生成轉(zhuǎn)換概率，20%用于測(cè)試驗(yàn)證。

1）訓(xùn)練。對(duì)復(fù)雜手勢(shì)的識(shí)別分為訓(xùn)練和識(shí)別兩部分。復(fù)雜手勢(shì)識(shí)別是HMM中狀態(tài)序列未知的參數(shù)估計(jì)問(wèn)題，也就是說(shuō)已知觀測(cè)序列O=（o1，o2，...，oT），估計(jì)模型參數(shù)λ=（A，B，π），使得在該模型下觀測(cè)序列概率P（O|λ）最大。由于狀態(tài)序列未知，因此這可以看作是一個(gè)含有隱變量的參數(shù)估計(jì)問(wèn)題，解決這一問(wèn)題的經(jīng)典算法就是最大期望算法（exceptation maximization，EM），而B(niǎo)aum-Welch算法就是EM算法在隱馬爾科夫模型學(xué)習(xí)中的具體體現(xiàn)。

首先要寫出完全數(shù)據(jù)的對(duì)數(shù)似然函數(shù)關(guān)于給定模型參數(shù)和觀測(cè)變量的前提下對(duì)隱變量的條件概率分布的期望，稱之為Q函數(shù)計(jì)算公式為：

在本文中，將隱藏狀態(tài)即下一時(shí)刻檢測(cè)到的手勢(shì)動(dòng)作定義為q，本系統(tǒng)共有四種隱藏狀態(tài)，分別為“左揮”手勢(shì)、“右揮”手勢(shì)、“前指”手勢(shì)及“后拉”手勢(shì)?？捎^察到的輸出即當(dāng)前時(shí)刻檢測(cè)到的手勢(shì)動(dòng)作定義為v，本系統(tǒng)共有4種輸出狀態(tài)，分別為“左揮”手勢(shì)、“右揮”手勢(shì)、“前指”手勢(shì)及“后拉”手勢(shì)。狀態(tài)轉(zhuǎn)移概率即q轉(zhuǎn)變?yōu)関的概率定義為a，即從當(dāng)前手勢(shì)到另外一個(gè)手勢(shì)的概率。輸出手勢(shì)的概率為b即觀察到某手勢(shì)的概率。

訓(xùn)練過(guò)程的實(shí)質(zhì)就是參數(shù)重估計(jì)算概率并將重估前后產(chǎn)生觀測(cè)序列時(shí)的模型概率差值與閾值相比較的過(guò)程，若大于閾值則繼續(xù)重復(fù)訓(xùn)練，若小于閾值則訓(xùn)練結(jié)束。

2）識(shí)別。訓(xùn)練的目的是得到HMM模型，為識(shí)別做準(zhǔn)備。識(shí)別過(guò)程是將待測(cè)序列的樣本進(jìn)行分類，然后將待測(cè)樣本依次放入訓(xùn)練出來(lái)的HMM模型，計(jì)算每個(gè)HMM產(chǎn)生這個(gè)待測(cè)樣本的概率，概率最大的HMM模型即為識(shí)別出來(lái)的手勢(shì)。根據(jù)識(shí)別出來(lái)的手勢(shì)動(dòng)作，與前一時(shí)刻的手勢(shì)動(dòng)作組合，即可判斷出當(dāng)前所做的復(fù)雜的組合手勢(shì)動(dòng)作。上述過(guò)程要通過(guò)使用維特比（Viterbi）算法來(lái)完成。

Viterbi算法實(shí)際上解決的是最大化的問(wèn)題，給定觀測(cè)狀態(tài)序列找出最可能對(duì)應(yīng)的狀態(tài)序列。首先導(dǎo)入兩個(gè)變量δ和ψ。δ是在時(shí)刻t狀態(tài)為i的所有單個(gè)路徑（i1，i2，…，it）中概率的最大值，從而可以得到δ的遞推公式，算法在設(shè)定初始值后不斷迭代，終止情況計(jì)算公式為：

將Viterbi算法應(yīng)用于HMM模型，定義HMM模型為λ={π，A，B}，A是隱藏狀態(tài)轉(zhuǎn)移概率矩陣，B是一個(gè)模糊矩陣的觀測(cè)狀態(tài)，π是初始狀態(tài)概率分布。則隱藏狀態(tài)計(jì)算公式為：

式中，N為隱藏狀態(tài)的數(shù)量，也就是手勢(shì)的數(shù)量。

觀測(cè)狀態(tài)計(jì)算公式為：

其中，M為可觀察到的狀態(tài)數(shù)，即實(shí)驗(yàn)中觀察到的特征數(shù)。

Viterbi算法的核心是使用遞歸方法降低計(jì)算復(fù)雜度，根據(jù)公式，為了計(jì)算t時(shí)刻的概率，只需要知道t-1時(shí)刻的概率。所以只需要記錄在t時(shí)刻引起最大部分概率的狀態(tài)。

計(jì)算目標(biāo)是找到概率最大的隱藏狀態(tài)序列，進(jìn)而判斷當(dāng)前手勢(shì)動(dòng)作，并推斷出之前的手勢(shì)動(dòng)作。復(fù)雜手勢(shì)是根據(jù)這兩種手勢(shì)的組合來(lái)判斷的。

4 實(shí)驗(yàn)

4.1 動(dòng)作模板

搭建好實(shí)驗(yàn)平臺(tái)后，需要確定系統(tǒng)待識(shí)別的手勢(shì)動(dòng)作模板，針對(duì)每種步態(tài)分別建立一系列步態(tài)模板。本文的動(dòng)作模板共3種：“左揮手-＞右揮手”手勢(shì)、“前指-＞后拉”手勢(shì)和“前指-＞右揮手”手勢(shì)。為了方便表示，后文分別用為手勢(shì)1、手勢(shì)2和手勢(shì)3來(lái)表示。

4.2 系統(tǒng)性能驗(yàn)證

系統(tǒng)的性能指標(biāo)是衡量模型好壞的關(guān)鍵，本文在測(cè)試環(huán)境中進(jìn)行了廣泛的實(shí)驗(yàn)評(píng)估，以測(cè)試NCGes系統(tǒng)的性能。

1）簡(jiǎn)單手勢(shì)識(shí)別準(zhǔn)確率。4種手勢(shì)識(shí)別性能的混淆矩陣，簡(jiǎn)單手勢(shì)識(shí)別準(zhǔn)確率如圖3所示。每行表示用戶實(shí)際執(zhí)行的手勢(shì)，每一列表示分類識(shí)別的手勢(shì)。矩陣中的每個(gè)元素對(duì)應(yīng)于行中被分類為列中的手勢(shì)的分?jǐn)?shù)。

圖3 簡(jiǎn)單手勢(shì)識(shí)別準(zhǔn)確率Fig.3 Recognition accuracy of simple gesture

對(duì)4種基本手勢(shì)進(jìn)行分類，平均準(zhǔn)確率為92.7%。對(duì)比4種手勢(shì)識(shí)別準(zhǔn)確地發(fā)現(xiàn)其識(shí)別精度相近。其中前指、后拉識(shí)別精度較高，左揮手、右揮手識(shí)別精度較低。結(jié)果表明，垂直切割菲涅爾區(qū)域邊界的手勢(shì)動(dòng)作更容易被識(shí)別。

2）復(fù)雜手勢(shì)識(shí)別準(zhǔn)確率。本文在實(shí)驗(yàn)中測(cè)試了不同場(chǎng)景志愿者站在不同位置時(shí)的3種復(fù)雜手勢(shì)。復(fù)雜手勢(shì)識(shí)別準(zhǔn)確率如4所示。

圖4 復(fù)雜手勢(shì)識(shí)別準(zhǔn)確率Fig.4 Recognition accuracy of complex gesture

3）不同場(chǎng)景下的準(zhǔn)確率。不同環(huán)境的識(shí)別準(zhǔn)確率對(duì)比，如圖5所示。影響不同實(shí)驗(yàn)環(huán)境識(shí)別性能的因素包括：環(huán)境中與所用AP占用相同工作頻段的其他路由器造成的同頻干擾，以及環(huán)境中的移動(dòng)人員及靜止障礙物造成多徑效應(yīng)。因此，教室和會(huì)議室的識(shí)別準(zhǔn)確率相對(duì)較高，實(shí)驗(yàn)室準(zhǔn)確率相對(duì)較低。但總體來(lái)看，3種環(huán)境下的識(shí)別準(zhǔn)確率區(qū)別不大，因此NCGes系統(tǒng)對(duì)環(huán)境具有較強(qiáng)的普適性和魯棒性。

圖5 不同環(huán)境的識(shí)別準(zhǔn)確率對(duì)比Fig.5 Comparison of recognition accuracy in different environment

5 結(jié)論

本文基于隱馬爾可夫模型，實(shí)現(xiàn)了WiFi環(huán)境下的復(fù)雜手勢(shì)識(shí)別。并且進(jìn)行了全面的理論研究和深入的實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠在不同的室內(nèi)環(huán)境下實(shí)現(xiàn)復(fù)雜手勢(shì)識(shí)別，總體識(shí)別誤差率小于10%，具有較強(qiáng)的智能性和魯棒性。研究結(jié)果驗(yàn)證了本文提出的方法。相信這一技術(shù)可以應(yīng)用于許多室內(nèi)公共環(huán)境中，為行為識(shí)別以及人機(jī)交互的新應(yīng)用提供理論依據(jù)。