摘要
文章提出一种3D手势捕获技术,是将2D相机数据和WIFI接收信号结合的一种技术。应用了计算机视觉和多普勒频移,可以用一个手机和WIFI AP和雷达来实现。
Introduction
Introduction部分介绍了几种手势识别的方法,如Microsoft Kinect,
Intel RealSense and Leap Motion应用3D相机和红外传感器;Google’s Project Soli和MIT’s RF Capture;还有WiSee系统和injection-locked quadrature receiver方法,但这两种只能识别1D信息。
Methodology
计算机视觉手势探测
首先介绍2D动目标识别算法:使用一个静态模型来描述不动的背景信息,然后把图象中(多组图象)不匹配模型的像素点提取出来。高斯混合模型(Gaussian mixture model):像素点的取值(区间值不是像素值)概率是高斯分布的混合,公式下:
Wi表第i个分布权重 gi(x)公式下:
通过一段时间的背景图像的训练后得到高斯模型,然后将带有动目标的图象输入模型就可以得到动目标像素,模型实时更新,就可以得到整个运动目标。(不知这么理解对不对)。
通过这种方法得到的是横向移动即上下左右移动。
WiFi多普勒频移手势探测
这种方法可以得到前后移动。
总系统包括手机、WiFi AP、雷达。雷达结构下图:
WiFi signal进到 Coupler中经BPF传到天线然后辐射出去,接到回波将回波和WiFi signal耦合输到后面ILO(提取载波)和LNA(低噪放大器),然后出道解调器进行解调得到IQ两路信号。解调器(quadrature
mixer)输入数据分别为:
具体符号含义查原文。
最后得到多普勒相位:
推的动作Q路相位超前I路,拉的动作相反,经计算可得实际移动距离Z(怎么计算并没有说 )。
3D校准
为了吧移动的像素点数转换成实际距离,先定义了一个角度theta = 75度,然后手沿这个角度移动,得到z距离然后根据公式得到系数,然后就可以计算实际距离了:
得到的系数是一个随z变化的量:
实测系数从0.0179到0.0222。
疑问:手的移动可能会那么精确的就是75度吗?
结论
论文很多细节没有交代清楚,有些地方不是太严谨,想法还可以,需要外部雷达的配合,应用的前景应该是不大。为什么要用wifi信号,为什么不自己做一个信号产生模块。