隨著人工智能的快速發(fā)展,手勢識(shí)別作為新一代的人機(jī)交互技術(shù)得到了廣泛關(guān)注。傳統(tǒng)的基于可穿戴設(shè)備的手勢識(shí)別技術(shù)需要使用者佩戴專有設(shè)備,無法在電量較低時(shí)使用并且容易造成用戶的不便;基于計(jì)算機(jī)視覺的手勢識(shí)別技術(shù)依賴于高分辨的視頻或圖像,無法在濃煙、黑暗條件下使用;射頻中,專有設(shè)備的手勢識(shí)別技術(shù)由于設(shè)備龐大且昂貴從而限制手勢識(shí)別的推廣,但商用Wi-Fi信號(hào)的手勢識(shí)別技術(shù)無需額外的設(shè)備以及光照的條件,具有低開銷、易部署等優(yōu)點(diǎn),易于推廣�，F(xiàn)有基于Wi-Fi信號(hào)的手勢識(shí)別技術(shù)具有以下特點(diǎn):一、缺乏成熟的手勢檢測提取方法。手勢檢測提取是進(jìn)行手勢識(shí)別的基礎(chǔ),對(duì)分類結(jié)果具有較大影響,而目前采用的手勢檢測提取算法不適用于實(shí)際環(huán)境;二、特征類型較單一。現(xiàn)有手勢識(shí)別算法大部分僅僅只考慮時(shí)域特征或者頻域特征;三、在訓(xùn)練時(shí)間成本開銷和分類精度之間難以達(dá)到平衡。根據(jù)以上特點(diǎn),本文基于Wi-Fi信號(hào)開展了手勢檢測提取與識(shí)別技術(shù)的研究,主要研究內(nèi)容如下:第一,研究手勢行為檢測與提取算法。借鑒入侵檢測原理,首先,利用核密度估計(jì)方法估計(jì)靜默狀態(tài)下的概率密度函數(shù),求取初始檢測門限;此外,通過加入在線階段監(jiān)測的靜默數(shù)據(jù),完成檢測門... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于可穿戴設(shè)備的手勢識(shí)別技術(shù)
        1.2.2 基于計(jì)算機(jī)視覺的手勢識(shí)別技術(shù)
        1.2.3 基于射頻信號(hào)的手勢識(shí)別技術(shù)
    1.3 本文研究內(nèi)容及章節(jié)安排
第2章 基于Wi-Fi信號(hào)的手勢識(shí)別系統(tǒng)方案設(shè)計(jì)
    2.1 基于Wi-Fi的手勢識(shí)別基本原理
        2.1.1 信道狀態(tài)信息
        2.1.2 基于Wi-Fi信號(hào)的手勢識(shí)別可行性分析
    2.2 現(xiàn)有手勢檢測提取算法
        2.2.1 基于相似度的手勢提取算法
        2.2.2 基于閾值的手勢提取算法
    2.3 現(xiàn)有手勢識(shí)別算法
        2.3.1 基于動(dòng)態(tài)時(shí)間規(guī)整的手勢識(shí)別算法
        2.3.2 基于支持向量機(jī)的手勢識(shí)別算法
    2.4 系統(tǒng)方案設(shè)計(jì)
    2.5 本章小結(jié)
第3章 基于自適應(yīng)閾值檢測的手勢提取算法
    3.1 引言
    3.2 基于滑窗的信號(hào)處理
        3.2.1 小波抑噪
        3.2.2 主成分分析法
        3.2.3 基于滑窗的信號(hào)處理
    3.3 基于自適應(yīng)閾值檢測的手勢提取算法
        3.3.1 核密度估計(jì)
        3.3.2 自適應(yīng)閾值的檢測門限
        3.3.3 行為提取
    3.4 算法驗(yàn)證與結(jié)果分析
        3.4.1 實(shí)驗(yàn)環(huán)境
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)
        3.4.3 檢測提取性能分析
    3.5 本章小結(jié)
第4章 基于IPSO的 SVM手勢分類算法研究
    4.1 引言
    4.2 手勢行為的特征提取
        4.2.1 CSI信號(hào)預(yù)處理
        4.2.2 時(shí)頻特征提取
        4.2.3 特征標(biāo)準(zhǔn)化
    4.3 基于IPSO的 SVM手勢分類模型構(gòu)建
        4.3.1 SVM模型參數(shù)分析
        4.3.2 基于改進(jìn)粒子群優(yōu)化的參數(shù)尋優(yōu)
    4.4 算法驗(yàn)證與實(shí)驗(yàn)分析
        4.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)說明
        4.4.2 手勢識(shí)別系統(tǒng)性能驗(yàn)證
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 下一步工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3609978