陳子毅，王天本，劉現(xiàn)濤，李張本，孫章彤，胡 瑾

(1 西北農(nóng)林科技大學 機械與電子工程學院，陜西 楊凌712100； 2 農(nóng)業(yè)農(nóng)村部 農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室，陜西 楊凌712100)

畜牧業(yè)傳染性疾病是一個重要的公共衛(wèi)生問題。據(jù)統(tǒng)計，全球每年死于人畜共患傳染性疾病的人數(shù)約為1 200萬人，占全球傳染病死亡人數(shù)的70%[1]。常見的人畜共患傳染病有非洲豬瘟、SARS、禽流感等，其傳播途徑主要有空氣飛沫傳播和接觸式傳播。現(xiàn)有圈舍養(yǎng)殖場景中傳染病預防的主要方式是消毒殺菌[2-3]，但偏遠地區(qū)養(yǎng)殖場和非大規(guī)模養(yǎng)殖場經(jīng)常出現(xiàn)消毒不到位現(xiàn)象，多人共用設備造成的直接或間接疾病傳播是接觸式疾病傳播的重要途徑[4-5]。非接觸式智能設備控制方式可有效避免接觸式疾病的傳播，降低疾病傳播風險，成為未來圈舍設備控制的發(fā)展趨勢。

語音識別[6-7]作為一種成熟的非接觸式智能設備控制方式，具有使用便捷、功能豐富等顯著優(yōu)點，但易受周圍噪音干擾，不適用于嘈雜的圈舍環(huán)境。此外，語音控制還會對睡眠狀態(tài)的牲畜造成一定干擾。非接觸式手勢識別技術作為一種新興的人機交互技術，不僅可以有效避免用戶對設備的直接接觸，而且具有不受噪音干擾及不干擾牲畜正常休息等突出優(yōu)點。國內(nèi)外相關研究團隊針對非接觸式手勢識別開展了一系列研究工作。近年來，機器視覺技術已經(jīng)被廣泛應用于手勢識別領域[8-11]。張軍等[8]提出一種基于圖像的手勢識別方法，將手勢圖像中各點的曲率特征與不變矩特征相結(jié)合，通過神經(jīng)網(wǎng)絡對手勢進行識別。然而，基于圖像的識別方法容易受到環(huán)境光照條件的影響，難以在夜間使用。隨著無線通信技術的快速普及，研究人員利用商用WiFi設備[12-15]和RFID標簽[16-18]進行手勢識別?；赪iFi的方法通過提取接收信號強度(received signal strength，RSS)[12,15]和信道狀態(tài)信息(channel state information，CSI)[13-14]來識別手勢，但此類方法對天線位置比較敏感，僅當收發(fā)天線處于特定位置時才能實現(xiàn)手勢識別。Wang等[16]利用RFID標簽陣列感知細粒度的手指運動并實現(xiàn)6種手勢的識別。但該方法對用戶執(zhí)行手勢時的位置要求較高，且RFID閱讀器價格昂貴，難以推廣使用。超聲感知[19-24]是近年來一種新興的感知方式，具有不受光線影響、不受頻譜資源限制、設備成本低等特點，已被國內(nèi)外研究人員應用于手勢識別研究。Gupta等[19]使用電腦的內(nèi)置揚聲器和麥克風，通過不同手勢移動時多普勒效應的差異，在無需訓練情況下實現(xiàn)了5種手勢的識別。Ai等[20]通過提取手勢移動所產(chǎn)生的多普勒頻移變化特征，并將一系列特征輸入隱馬爾可夫(hidden markov model，HMM)模型，實現(xiàn)了11種手勢的識別。雖然上述手勢識別方法具有較高的識別準確率，但對用戶執(zhí)行手勢的位置要求較高，即僅當用戶在一個或幾個特定位置執(zhí)行手勢才能識別，限制了其實際應用場景。

針對上述研究中對用戶手勢執(zhí)行位置要求高的問題，本研究設計并實現(xiàn)了一種可在一定范圍內(nèi)任意位置實時識別4種基本手勢(前推、后移、左移、右移)的聲波手勢識別方法，在此基礎上構(gòu)建手勢控制原型系統(tǒng)，以實現(xiàn)對圈舍照明設備及換氣扇的非接觸式控制；然后以手勢產(chǎn)生的聲波多普勒效應為基礎，建立了手勢、位置與多普勒效應之間的映射關系，利用規(guī)則和機器學習融合的方法，可在一定范圍內(nèi)實現(xiàn)與位置無關的非接觸式手勢識別，進而為降低接觸式疾病傳播風險和推進養(yǎng)殖業(yè)智慧化進程提供技術支持。

1 系統(tǒng)總體設計

本研究所述的手勢識別控制系統(tǒng)主要包括數(shù)據(jù)采集及預處理模塊、多普勒效應提取模塊、動作切分模塊、手勢識別模塊及手勢控制模塊5個模塊。數(shù)據(jù)采集及預處理模塊控制揚聲器持續(xù)發(fā)送超聲波，麥克風實時接收回波數(shù)據(jù)存入緩存隊列，并進行帶通濾波，去除噪聲干擾。多普勒效應提取模塊利用緩存回波的功率譜密度提取手勢產(chǎn)生的多普勒效應。動作切分模塊利用動作切分算法，對功率譜密度矩陣進行切分，僅保留所有動作發(fā)生的片段。手勢識別模塊對于切分出來的動作片段提出一種融合規(guī)則和機器學習的方法進行手勢識別。手勢控制模塊通過將不同手勢映射成不同的命令，控制照明設備的開關和亮度調(diào)節(jié)以及換氣扇的開關和轉(zhuǎn)速調(diào)節(jié)。手勢識別控制系統(tǒng)的整體結(jié)構(gòu)框圖如圖1所示。

圖1 手勢識別控制系統(tǒng)的整體框架Fig.1 Framework for the gesture recognition control system

2 聲波多普勒效應

2.1 多普勒效應的基本原理

本研究所提出的手勢識別方法基于聲波的多普勒效應，即當波源與觀測者相對靠近時，觀測者接收到的頻率增加，當波源與觀測者相對遠離時，觀測者接收到的頻率降低。執(zhí)行手勢時，麥克風接收回波的多普勒頻移fd[24]可以表示為：

(1)

式中：fc為聲波的發(fā)送頻率；vs為手勢移動速度；c為聲波在介質(zhì)中的傳播速度。當手掌朝向收發(fā)設備的方向移動時，fd為正；當手掌向遠離收發(fā)設備的方向移動時，fd為負。

2.2 手勢引起的多普勒效應模型

如圖2所示，當環(huán)境中無其他移動物體時，麥克風接收到的回波主要由手掌、手臂、軀干、靜態(tài)環(huán)境反射信號和噪聲組成。將發(fā)送信號設置成單頻余弦信號s(t)=cos (2πfct)，其中s(t)表示發(fā)送信號，t表示時間。在執(zhí)行手勢時，只有手掌和手臂處于運動狀態(tài)，因此只有經(jīng)過手掌和手臂直接或間接反射的信號帶有多普勒頻移，只經(jīng)過軀干或靜態(tài)環(huán)境反射的聲波并不攜帶多普勒效應。而在室內(nèi)環(huán)境中，靜態(tài)環(huán)境和軀干的反射面積遠遠大于手掌和手臂的反射面積。因此，從手掌和手臂反射的帶有多普勒頻移信號的能量遠低于來自靜態(tài)環(huán)境和軀干反射的不攜帶多普勒頻移反射信號的能量。此外，由于手掌和手臂不同部位移動速度不一致，經(jīng)過不同部位反射的回波能量和多普勒頻移也不一致。

紅色箭頭、綠色箭頭、藍色箭頭、黃色箭頭分別表示手掌、 手臂、軀干和靜態(tài)環(huán)境反射信號，黑色箭頭表示噪聲 The red arrow,green arrow,blue arrow and yellow arrow respectively represens the singals reflect from palm,arm, torso and static environment,and black arrow represent noise圖2 室內(nèi)多徑反射示意圖Fig.2 Multipath reflection in indoor environment

綜上，可以得到如下結(jié)論：手勢產(chǎn)生的多普勒效應不會改變回波主頻率(即發(fā)送波形的頻率)，僅表現(xiàn)為主頻率兩側(cè)的一定頻率范圍(速度分布范圍)內(nèi)的不規(guī)則(不同部位反射能量不同)旁瓣。圖3為執(zhí)行手勢時產(chǎn)生回波的功率譜密度。

圖3 手勢產(chǎn)生回波的功率譜密度Fig.3 Echo power spectrum density of gestures

由圖3可以看出，手勢產(chǎn)生的聲波多普勒效應與經(jīng)典多普勒效應存在差異，無法通過測量主頻偏移的方式直接提取手勢產(chǎn)生的多普勒效應，證實了上述結(jié)論。

執(zhí)行手勢時設備與用戶的相對位置會對多普勒效應產(chǎn)生較大影響。圖4給出了在不同位置執(zhí)行手勢時左右麥克風接收回波的時頻譜。由圖4可知，相同手勢在不同位置可能會產(chǎn)生不同的多普勒效應(如手勢G1,G2,G5等)，不同手勢在不同位置可能產(chǎn)生相似的多普勒效應(如手勢G9和G10,G12和G13等)。

綜上，如何實時提取手勢產(chǎn)生的多普勒效應，如何克服不同位置帶來的影響，是構(gòu)建聲波手勢識別系統(tǒng)的核心。

圖4 4種基本手勢的多普勒效應(共14種情況)Fig.4 Doppler effect of four common gestures (fourteen cases)

2.3 基于功率譜密度的多普勒效應提取

由2.2節(jié)所述，手勢引起的多普勒效應與經(jīng)典多普勒效應之間存在差異，無法通過測量主頻偏移的方式提取手勢引起的多普勒效應。因此，本研究采用功率譜密度(power spectrum density，PSD)向量刻畫回波的多普勒效應?；夭üβ首V密度向量可通過Welch[25]的方法進行估計。具體地，回波r(n)的功率譜密度向量P(ωk)估計公式如下：

(2)

2.4 動作切分

由于室內(nèi)存在大量的聲學多徑反射，所有的移動事件(行走、窗簾飄動、手勢)都會在麥克風接收回波中引入多普勒頻移。因此，必須首先識別所有移動事件，然后從這些移動事件中識別手勢。具體地，首先記錄無移動事件發(fā)生時一段時間內(nèi)的回波數(shù)據(jù)，計算回波平均功率譜密度向量，將其作為基準功率譜密度向量。當環(huán)境無移動事件發(fā)生，實時功率譜密度向量與基準功率譜密度向量在各個頻率點的幅值十分接近(如圖5-(a))，兩者的差值向量在0附近波動。當有移動事件發(fā)生時，實時功率譜密度向量的主峰值附近出現(xiàn)較高的旁瓣(如圖5-(b))，兩者的差值向量中出現(xiàn)大量遠大于0的元素。

綜上，實時功率譜密度向量與基準功率譜密度向量差值1范數(shù)的大小可以反映有無多普勒效應，即有無移動事件發(fā)生。當向量差值1范數(shù)大于給定閾值時說明有移動事件發(fā)生，反之則說明無移動事件發(fā)生。實際應用中，為避免系統(tǒng)抖動引起誤判，當連續(xù)3次出現(xiàn)向量差值1范數(shù)大于給定閾值，則判定有移動事件發(fā)生，開始記錄功率譜密度向量。當連續(xù)3次出現(xiàn)向量差值1范數(shù)小于給定閾值，則判定移動事件結(jié)束，停止記錄功率譜密度向量。由此可以切分出每個移動事件發(fā)生期間所有功率譜密度向量。為方便描述，將移動事件發(fā)生期間功率譜密度向量隨時間累積形成的矩陣稱之為功率譜密度矩陣。

(a).無移動事件發(fā)生;(b).有移動事件發(fā)生

3 手勢識別及控制

利用機器學習算法訓練手勢識別模型需要大量離線數(shù)據(jù)。為了減少對離線數(shù)據(jù)的依賴，本研究提出規(guī)則與機器學習相結(jié)合的方法進行手勢識別。首先，分析在不同位置執(zhí)行不同手勢時多普勒效應隨時間的變化規(guī)律。然后，對于多普勒效應變化規(guī)律唯一的手勢，構(gòu)造基于規(guī)則的映射函數(shù)；對于多普勒效應變化規(guī)律相似的手勢，利用奇異值分解算法提取特征，利用機器學習算法進行識別。

3.1 不同手勢多普勒頻移分析

通過分析靠近或遠離左右2個麥克風的手勢過程，結(jié)合圖4可得到在不同位置執(zhí)行不同手勢時左右麥克風接收回波的多普勒頻移正負性序列變化規(guī)律，如表1所示。

表1 不同手勢過程左右麥克風多普勒頻移的正負性序列Table 1 Positive and negative Doppler shift sequences of left and right microphone with different gestures

由表1可知，執(zhí)行手勢G1～G4過程中，左右2個麥克風接收到的回波中攜帶的多普勒效應變化規(guī)律具有唯一性，可直接識別。G5和G6手勢多普勒效應變化規(guī)律一致，但與其他手勢不同。圖6給出了G5和G6手勢過程功率譜密度向量的時序序列(共4幀：F1～F4)。如圖6-(a)中F1～F2所示，在執(zhí)行G5手勢過程中，手掌越過2個麥克風中間之前，距離右麥克風較近，此時右麥克風接收回波的能量大于左麥克風；如圖6-(a)F3～F4所示，當手掌越過2個麥克風中間之后，手掌距離左麥克風較近，此時左麥克風接收到回波的能量大于右麥克風。執(zhí)行手勢G6時的現(xiàn)象與手勢G5恰好相反。因此，可以通過左右2個麥克風多普勒頻移的正負性序列，以及左右2個麥克風接收回波能量差值的變化過程識別G5和G6手勢。其余手勢產(chǎn)生的多普勒效應相似，無法簡單通過規(guī)則識別。對于不能通過規(guī)則識別的手勢，利用機器學習構(gòu)建模型進行識別。

(a)G5手勢功率譜密度向量的時序序列(共4幀：F1～F4)

(b)G6手勢功率譜密度向量的時序序列(共4幀：F1～F4)

3.2 基于規(guī)則的手勢識別

基于上述分析，通過構(gòu)造以下3個特征來識別手勢G1～G6，即左麥克風接收回波多普勒頻移的正負性序列DSSl、右麥克風接收回波多普勒頻移的正負性序列DSSr和左右麥克風接收回波能量差的正負性序列PDS。為了描述以上3個特征，首先定義某一時刻左麥克風接收回波多普勒頻移的正負性DSl、右麥克風接收回波多普勒頻移的正負性DSr和左右麥克風接收回波能量差PD為：

DSl=sign(∑kPlg-∑kPll)，

DSr=sign(∑kPrg-∑kPrl)，

PD=sign(∑2k+1Pl-∑2k+1Pr)。

式中：Plg和Pll分別為左麥克風接收回波中大于和小于主頻的功率譜密度向量；Prg和Prl分別為右麥克風接收回波中大于和小于主頻的功率譜密度向量；Pl和Pr分別為左右麥克風接收回波的功率譜密度向量。

DSl、DSr、PD按時間累積，則多普勒頻移特征可表示為：

DSSl=(DSl(t1),DSl(t2),…,DSl(tm))，DSSr=(DSr(t1),DSr(t2),…,DSr(tm)),PDS=(PD(t1),PD(t2),…,PD(tm))。

式中：DSl(tm)和DSr(tm)分別表示左右麥克風第m幀接收回波多普勒頻移的正負性；PD(tm)表示左右麥克風第m幀接收回波能量差的正負性。根據(jù)上述特征，構(gòu)造了手勢類型、位置與多普勒效應的映射關系如表2所示。 由表2可知，可以由3個特征唯一確定G1～G6共6種情況下的手勢，對于無法識別的另外8種手勢G7～G14，采用機器學習算法進行識別。

表2 手勢類型、位置與多普勒效應的映射關系Table 2 Mapping functions between gesture,location and Doppler shift

3.3 基于機器學習的手勢識別

對于多普勒效應變化相似的手勢，利用機器學習算法構(gòu)建手勢識別模型進行識別。由于手勢執(zhí)行速度和持續(xù)時間不同，對應的功率譜密度矩陣時間維度的長度不同，無法直接將功率譜密度矩陣作為輸入構(gòu)建識別模型。由2.3節(jié)可知，功率譜密度矩陣頻率維度為定值kH-k1。采用奇異值分解(singular value decomposition，SVD)法[26]對功率譜密度矩陣沿頻率維度進行分解并提取特征。

奇異值和特征值類似，在奇異值矩陣中從大到小排列，并且奇異值的衰減速度特別快，很多情況下，前10%甚至1%的奇異值之和占全部奇異值之和的90%以上。本研究選取前3個奇異值對應的特征向量，將這3個特征向量作為參數(shù)分別輸入支持向量機、BP神經(jīng)網(wǎng)絡、K近鄰分類器，選取多種參數(shù)進行比較，擇優(yōu)選擇算法實現(xiàn)手勢識別。

3.4 手勢控制

針對具體的應用場景，將不同的手勢映射為不同的命令控制執(zhí)行機構(gòu)即可實現(xiàn)手勢控制。對于較為簡單的應用場景，可以直接將4種手勢直接映射為4種不同的命令實現(xiàn)手勢控制。對于較為復雜的場景，可將4種手勢兩兩組合后映射為12種不同的命令實現(xiàn)較為復雜的手勢控制。本研究以圈舍中照明設備和換氣扇控制為例，得到手勢和控制動作的映射關系如表3所示。

表3 照明設備及換氣扇對手勢與控制動作的映射關系Table 3 Mapping gestures to control actions on light equipment and ventilator

4 試驗驗證

4.1 試驗運行環(huán)境

如圖7所示，本研究提出的手勢識別系統(tǒng)由2套商用的揚聲器(SAMSON MeteorMic，16 bit，48 kHz)和麥克風組成(JBLJembe，8Watt，80 dB)，2個麥克風通過USB接口連接到筆記本電腦(MSI Intel(R) Core(TM) i7-9750H 2.60 GHz,16.0 GB RAM)，2個揚聲器分別通過外置聲卡(UGREEN聲卡)和3.5 mm音頻接口與筆記本電腦相連，左右揚聲器發(fā)送聲波頻率分別為19和20 kHz。手勢識別算法在Matlab中實現(xiàn)并實時運行，手勢識別系統(tǒng)的有效識別范圍如圖8所示，其中1～6分別表示位置1至位置6共6個位置。手勢控制硬件平臺由Arduino開發(fā)板、三色燈模塊及L9110H風扇模塊組成。

圖7 手勢識別系統(tǒng)的聲波收發(fā)設備 圖8 手勢識別系統(tǒng)的感知范圍Fig.7 Acoustic transceiver of gesture recognition system Fig.8 Perception range of gesture recognition system

4.2 手勢識別性能測試

隨機招募15名測試者，首先測試系統(tǒng)對室內(nèi)環(huán)境中常見干擾的誤報率；然后對系統(tǒng)感知范圍內(nèi)不同位置、不同手勢速度、不同手勢幅度進行測試，分別使用支持向量機、BP神經(jīng)網(wǎng)絡、K最鄰近算法3種機器學習算法，選擇不同的參數(shù)進行比較；選取識別準確率最高的算法及參數(shù)構(gòu)建最終的手勢識別模型。

4.2.1 常見干擾下的系統(tǒng)評估 在測試系統(tǒng)對室內(nèi)各種常見干擾誤報時，具體的干擾項包括走動、打開或關閉門窗、物品從不同高度掉落、說話或播放音樂以及窗簾飄動等，試驗結(jié)果如表4所示。

表4 常見干擾動作下手勢識別系統(tǒng)的性能評估Table 4 Evaluation of gesture recognition system with common interferences

由表4可知，除說話或播放音樂未出現(xiàn)誤報外，其他干擾均會出現(xiàn)少量誤報，說明說話或播放音樂為純噪音干擾，非移動事件不會產(chǎn)生多普勒效應，因此系統(tǒng)不會產(chǎn)生誤報。而走動、打開或關閉門窗、物品掉落和窗簾飄動均為移動事件，會引入多普勒效應。雖然通常情況下上述移動干擾產(chǎn)生的多普勒效應與手勢移動差異較大，但仍有部分移動干擾可能產(chǎn)生與手勢相似的多普勒效應，從而產(chǎn)生誤報。由試驗結(jié)果還可以看出，最高誤報率為2.50%，證明系統(tǒng)對室內(nèi)常見干擾具有較好的魯棒性。

4.2.2 不同位置的手勢識別結(jié)果 為測試系統(tǒng)對不同位置手勢的識別準確率，隨機招募4位測試者分別在感知范圍內(nèi)6個位置(圖8)分別執(zhí)行4種手勢各100次，采用支持向量機、BP神經(jīng)網(wǎng)絡、K最鄰近算法3種機器學習算法進行識別，調(diào)整參數(shù)并比較識別準確率。對于支持向量機算法，分別采用線性核函數(shù)和徑向基核函數(shù)進行建模；對于BP神經(jīng)網(wǎng)絡算法，將隱層神經(jīng)元個數(shù)n設置為30和50；對于K最近鄰算法，將最近鄰數(shù)k分別設置為3和5。3種機器學習算法的平均識別準確率如表5所示。從表5可以看出，在位置1，2，3處的手勢識別準確率較高且在同一水平，而在位置4，5，6處的識別準確率較低。這是由于位置1，2，3距離設備較近，多普勒效應的特征較為明顯，識別準確率較高，而位置4，5，6距離設備較遠，多普勒頻移特征較弱，識別準確率稍低。對比不同算法可以看出，線性支持向量機算法構(gòu)建的識別模型在6個位置的手勢識別準確率最高，識別準確率均在89%以上。

表5 基于不同算法的6個不同位置手勢識別準確率的比較Table 5 Gesture recognition accuracy of different locations base on different algorithms

4.2.3 不同速度的手勢識別結(jié)果 不同手勢執(zhí)行速度會導致強弱不同的多普勒效應。為測試系統(tǒng)對不同速度手勢過程的識別率，隨機招募4位測試者在聲波覆蓋范圍內(nèi)的任意位置(圖8)，以快速、中速、慢速分別執(zhí)行每種手勢100次，采用如4.2.2節(jié)試驗中的機器學習算法及參數(shù)進行識別，并記錄測試結(jié)果。在不同速度下各種手勢的平均識別準確率如表6所示。從表6可知，當執(zhí)行快速和中速手勢時，手勢識別準確率較高，而慢速手勢的識別準確率相對較低。由公式(1)可得，手勢移動緩慢時，所引起的多普勒效應較弱，對動作切分和特征提取造成影響，導致手勢識別準確率較低。對比3種機器學習算法可以看出，線性支持向量機構(gòu)建的手勢識別模型識別準確率最高，對快、中、慢3種手勢的識別準確率均在88%以上。

表6 基于不同算法的不同速度手勢識別準確率的比較Table 6 Gesture recognition accuracy of different speeds base on different algorithms

4.2.4 不同幅度的手勢識別結(jié)果 除手勢速度外，不同的手勢幅度也會產(chǎn)生強弱不同的多普勒效應。為驗證系統(tǒng)對不同幅度手勢的識別準確率，4位測試者在聲波覆蓋范圍內(nèi)的任意位置(圖8)分別以大幅度、中幅度、小幅度執(zhí)行每種手勢100次，采用4.2.2節(jié)試驗中的機器學習算法和參數(shù)進行識別，并記錄測試結(jié)果。系統(tǒng)對不同幅度手勢的平均識別準確率如表7所示。

表7 基于不同算法的不同幅度手勢識別準確率的比較Table 7 Gesture recognition accuracy of different movement ranges base on different algorithms

從表7可以看到，以大幅度和中幅度執(zhí)行手勢時，手勢識別準確率較高，而以小幅度執(zhí)行手勢的識別準確率較低。這是由于以大幅度或中幅度執(zhí)行手勢時，手勢執(zhí)行的時間相對較長，多普勒效應變化過程更清晰。對比3種機器學習算法可以看出，線性支持向量機算法準確率最高，均在87%以上。

4.2.5 不同測試者的手勢識別結(jié)果 在上述試驗中，線性支持向量機算法構(gòu)建的手勢識別模型準確率較高。本試驗采用線性支持向量機構(gòu)建手勢識別模型對不同測試者執(zhí)行手勢的準確率進行評估。15位測試者在感知范圍內(nèi)任意位置執(zhí)行每種手勢50次，系統(tǒng)識別準確率如圖9所示。從圖9可以看出，該系統(tǒng)對不同測試者的識別準確率均能達到較高水平，且平均識別準確率為91.50%，能夠滿足實際應用場景的需求。

圖9 基于線性支持向量機算法的15位測試者的手勢識別準確率Fig.9 Gesture recognition accuracy of fifteen subjects base on linear SVM classifier

4.3 手勢控制應用實例

手勢控制硬件平臺主要包括Arduino開發(fā)板、三色燈模塊和L9110H風扇模塊。手勢識別系統(tǒng)識別到手勢后通過串口將指令發(fā)送到Arduino開發(fā)板。照明設備控制程序以及換氣扇控制程序在Arduino開發(fā)板上運行，控制照明設備和換氣扇按照不同的指令執(zhí)行不同的動作。

對于照明設備，執(zhí)行前推手勢時，開啟照明設備；執(zhí)行右移手勢時，亮燈數(shù)-1；執(zhí)行左移手勢時，亮燈數(shù)+1；執(zhí)行后移手勢時，關閉照明設備。對于換氣扇，執(zhí)行前推手勢時，開啟換氣設備；執(zhí)行右移手勢時，換氣速度減慢；執(zhí)行左移手勢時，換氣速度加快；執(zhí)行后移手勢時，關閉換氣扇(手勢和動作的具體映射關系見表3)。經(jīng)過反復試驗，系統(tǒng)運行穩(wěn)定且符合預期。照明設備和換氣扇可按照對應手勢執(zhí)行規(guī)定動作，演示視頻鏈接為：https://tinyurl.com/3j34jkeu。

5 討論與結(jié)論

現(xiàn)有的手勢識別方法主要包括基于機器視覺的方法[8-11]、基于商用WiFi的方法[12-15]、基于RFID標簽的方法[16-18]以及基于聲波的方法[19-22]。然而基于機器視覺的方法容易受到環(huán)境光照條件的影響，難以在夜間使用?；谏逃肳iFi的方法克服了光照條件的影響，但此類方法對天線擺放位置要求較高，僅當收發(fā)天線處于特定位置才能實現(xiàn)手勢識別?；赗FID標簽的方法同樣存在對設備擺放位置要求較高的問題，且RFID閱讀器價格昂貴，難以推廣使用。相比于上述方法，基于聲波的方法具有不受光線影響、不受頻譜資源限制、設備成本低等特點，但現(xiàn)有方法同樣存在對用戶執(zhí)行手勢的位置要求較高的問題，限制了其實際應用場景。

本研究提出了一種基于聲波的手勢識別方法，該方法通過規(guī)則與機器學習結(jié)合的方式實時分析手勢執(zhí)行過程中產(chǎn)生的多普勒效應，可實現(xiàn)在感知范圍內(nèi)不同位置、不同速度和不同幅度手勢過程的準確識別，平均識別準確率可達91.50%，且可成功應用于照明設備和換氣扇控制。