一种近程电容式动态手势识别系统及方法

技术领域

本发明涉及传感器与应用技术领域，尤其是一种近程电容式动态手势识别系统及方法。

背景技术

随着智能家居、体感游戏等人机交互应用的爆发式增长，能够带来全新体验、容易被人使用及成本低廉成为人机交互技术的发展方向。手势识别技术在人机交互领域扮演重要角色，尤其在工程控制、娱乐生活、军事安全及展览展示等方面广受青睐。

目前，常用的手势识别主要分为基于穿戴设备和基于计算机视觉两种。其中，基于穿戴设备的手势识别受外界的影响小，能捕捉比较精细的动作、灵敏度高、动态性能好、可移动范围广，不足之处是，需要将这套设备穿戴在身体，在一定程度上降低了操作者手势的灵活性；基于计算机视觉的手势识别识别精度高，速度快，其不足是，该种技术需要较高配置的硬件设备，且易受外界环境影响，如背景杂乱、有遮挡物、视角受阻及环境光线昏暗等情况下都无法很好地完成目标捕捉。

发明内容

本发明的首要目的在于提供一种识别精度高、低成本、便于使用的近程电容式动态手势识别系统。

为实现上述目的，本发明采用了以下技术方案：一种近程电容式动态手势识别系统，该系统包括：

电容传感器模块，用于感应同一手势对应的多个电容值变化量；电容传感器模块所包括的多个电容传感器采用电极阵列方式布置，通过模拟开关切换得到多个电容值；

电容检测信号采集电路，用于测量并传送每次手势对应的所有电容值；

上位机，用于控制电容数据的接收与存储，并同时对每次采集的电容数据进行处理分析，判断属何种手势并显示。

所述电容检测信号采集电路包括：

集成电容测量芯片，用于测量不同手势位置对应的传感器电容值；

主控制器，用于实现实时的电容数据采集、处理和传输；

模拟开关，用于把所述电容传感器模块的电极阵列切换成不同的电容器。

本发明的另一目的在于提供一种近程电容式动态手势识别系统的识别方法，该方法包括下列顺序的步骤：

(1)在手势识别的监测区域内，将电容传感器模块采用电极阵列方式，铺设多个电极；

(2)电容检测信号采集电路通过模拟开关切换，按多种敏感配置方式配置多个工作电极的组合形成多个电容传感器；

(3)电容检测信号采集电路采集上一步配置的各个电容传感器的电容值，并上传至上位机；

(4)上位机根据存储的电容值阈值，截取阈值段内的电容传感器信号，然后将多个电容传感器的信号段按

(5)对组合后的新的电容信号进行短时傅里叶变换STFT计算，生成频谱图；

(6)对上一步生成的频谱图进行深度学习分类模型训练，建立动态手势分类模型；

(7)在手势识别的监测区域内输入动态手势时，电容检测信号采集电路采集各个电容传感器的信号并上传至上位机，上位机根据步骤(4)至步骤(5)得到频谱图；

(8)将步骤(7)得到的频谱图，输入到步骤(6)建立的动态手势分类模型，得到动态手势分类结果。

所述步骤(2)中敏感配置方式是指电极阵列的组合方式，即传感器的发射电极与接收电极的空间位置不同时，电磁场空间分布不同，带来的物体敏感区域不同，场能强度不同。

所述步骤(5)中的短时傅里叶变换STFT的计算公式为：

式中，x(n)为输入信号；ω(n)为长度为M的开窗函数，R为移动长度，n为个数，w为角加速度。

电极阵列为4*4的14种敏感配置为：

其中，T代表发射电极，R代表接收电极，N代表无电气连接；SF1至SF14为14种敏感配置方式。

由上述技术方案可知，本发明的有益效果为：本发明不受光线及复杂背景等环境因素影响，识别精度高；本发明设计简单，成本低廉，使用方便；本发明采用机器学习算法，在保证识别精度的情况下，减少算法的运算量，从而保证了系统的实时性。

附图说明

图1为本发明的方法流程图；

图2为本发明的系统框图。

具体实施方式

如图2所示，一种近程电容式动态手势识别系统，该系统包括：

电容传感器模块，用于感应同一手势对应的多个电容值变化量；电容传感器模块所包括的多个电容传感器采用电极阵列方式布置，通过模拟开关切换得到多个电容值；

电容检测信号采集电路，用于测量并传送每次手势对应的所有电容值；

上位机，用于控制电容数据的接收与存储，并同时对每次采集的电容数据进行处理分析，判断属何种手势并显示。

所述电容检测信号采集电路包括：

集成电容测量芯片，用于测量不同手势位置对应的传感器电容值；

主控制器，用于实现实时的电容数据采集、处理和传输；

模拟开关，用于把所述电容传感器模块的电极阵列切换成不同的电容器。

如图1所示，本方法包括下列顺序的步骤：

(1)在手势识别的监测区域内，将电容传感器模块采用电极阵列方式，铺设多个电极；

(2)电容检测信号采集电路通过模拟开关切换，按多种敏感配置方式配置多个工作电极的组合形成多个电容传感器；

(3)电容检测信号采集电路采集上一步配置的各个电容传感器的电容值，并上传至上位机；

(4)上位机根据存储的电容值阈值，截取阈值段内的电容传感器信号，然后将多个电容传感器的信号段按

(5)对组合后的新的电容信号进行短时傅里叶变换STFT计算，生成频谱图；

(6)对上一步生成的频谱图进行深度学习分类模型训练，建立动态手势分类模型；

(7)在手势识别的监测区域内输入动态手势时，电容检测信号采集电路采集各个电容传感器的信号并上传至上位机，上位机根据步骤(4)至步骤(5)得到频谱图；

(8)将步骤(7)得到的频谱图，输入到步骤(6)建立的动态手势分类模型，得到动态手势分类结果。

所述步骤(2)中敏感配置方式是指电极阵列的组合方式，即传感器的发射电极与接收电极的空间位置不同时，电磁场空间分布不同，带来的物体敏感区域不同，场能强度不同。

所述步骤(5)中的短时傅里叶变换STFT的计算公式为：

式中，x(n)为输入信号；ω(n)为长度为M的开窗函数，R为移动长度，n为个数，w为角加速度。

电极阵列为4*4的14种敏感配置为：

其中，T代表发射电极，R代表接收电极，N代表无电气连接；SF1至SF14为14种敏感配置方式。

综上所述，本发明不受光线及复杂背景等环境因素影响，识别精度高；本发明设计简单，成本低廉，使用方便；本发明采用机器学习算法，在保证识别精度的情况下，减少算法的运算量，从而保证了系统的实时性。