無線手勢識別中冗余運算量的研究與優(yōu)化

李文高，李霆

（五邑大學(xué)信息學(xué)院，廣東 江門 529020）

無線手勢識別中冗余運算量的研究與優(yōu)化

李文高，李霆

（五邑大學(xué)信息學(xué)院，廣東 江門 529020）

WiSee是一種利用無線信號進行手勢識別的新型姿態(tài)識別技術(shù)。通過捕抓手勢移動對無線信號產(chǎn)生的多普勒頻移以及識別手勢的運動軌跡，實現(xiàn)手勢在非可視范圍的識別。針對WiSee需要對信號進行巨大傅里葉變換所產(chǎn)生的超高運算量問題，提出了一種低采集冗余的高速算法，并分析對冗余運算裁剪的可行性。通過實驗仿真，證明該算法能極大地提高巨大傅里葉變換的運算效率。

無線信號 手勢識別 多普勒頻移 OFDM

1 引言

目前國內(nèi)外關(guān)于手勢識別的研究大部分專注于視覺和可穿戴設(shè)備的手勢識別，如基于空間分布特征的手勢識別[1]、數(shù)據(jù)手套手勢識別[2]。而由華盛頓大學(xué)的研究人員研制的WiSee手勢識別技術(shù)[3]，是以無線信號作為識別源的新型手勢識別技術(shù)。該技術(shù)能在覆蓋有Wi-Fi信號的場所內(nèi)，通過檢測人體手部運動所產(chǎn)生的多普勒頻移，從而識別出人體的特定性手勢，實現(xiàn)非可視范圍內(nèi)的手勢識別。

利用無線信號進行手勢識別的核心問題在于如何精確提取運動導(dǎo)致的多普勒頻移曲線。而這類多普勒頻移的產(chǎn)生量取決于手勢的運動速度。相對于無線信號的傳播速度而言，人體手勢的運動速度顯得非常緩慢，所能產(chǎn)生的多普勒頻移量非常微小，常用方法難以檢測，如最大似然估計法[4]、載波相位測量法[5]。為解決該難題，WiSee技術(shù)將接收到的OFDM信號進行歸一化處理，并將多個OFDM信號單元拼接起來，進行一次巨大的傅里葉變換，以提高頻段檢測的分辨率，將人體手部運動所產(chǎn)生的多普勒頻移信號檢測出來。

然而，上述檢測方式以巨大的運算量為代價。本文基于WiSee微弱頻移的檢測算法，提出一種低冗余的頻移檢測方法，并分析提速對多普勒頻移檢測的影響。最后對該算法進行仿真并檢驗其提速效果。

2 WiSee手勢識別

2.1 手勢信號的傳播

無線Wi-Fi信號利用正交頻分復(fù)用技術(shù)（OFDM），將需要傳輸?shù)男盘柪酶道锶~逆變換（IFFT）分別調(diào)制到N個子頻段中，使信號以多頻段的方式發(fā)射。接收機則對接收的信號進行傅里葉變換（FFT），提取出不同子頻段的信息，完成1個單位符號的信號傳輸。

在覆蓋有Wi-Fi信號的區(qū)域內(nèi)，當(dāng)無線路由器廣播OFDM信號時，由于多徑效應(yīng)，信號從不同路徑向接收機發(fā)送信號，具體如圖1所示。人體做手勢動作時，部分路徑的信號與運動中的手發(fā)生碰撞，產(chǎn)生多普勒頻移效應(yīng)，并由接收機接收。此時，接收機既能接收到頻移信號，也能接收到普通信號。根據(jù)該原理，可認(rèn)為從人體反射回來的無線信號是手勢信號的發(fā)射源，當(dāng)人體作出手勢動作的時候，接收機就能夠接收到手勢產(chǎn)生的微弱多普勒頻移，從而檢測出具體的手勢曲線。

圖1 無線信號的傳播過程

2.2 多普勒頻移提取

多普勒頻移的產(chǎn)生與物體相對運動和載波頻率有關(guān)，式（1）可以表明其關(guān)系：

其中v為物體運動速度，θ為物體運動方向與信號傳播方向的夾角，f為無線信號的載波頻率，c為傳播介質(zhì)的速度，此處為光速。顯然，降低傳播速度，提高運動速度或提高載波頻率均能提高多普勒頻移量，如Sidhant Gupta等人利用聲波進行手勢識別[6]。但對于無線手勢識別信號，傳播速度與載波頻率基本確定，而人體手勢運動速度平均在0.5m/s左右。假設(shè)相對夾角能達到0度，即多普勒頻移最大時，其多普勒頻移量也僅有16.7Hz，這個數(shù)字相對5GHz的載波頻率而言極其微小，難以檢測到。

WiSee針對該問題，提出將多個OFDM信號串聯(lián)疊加后進行FFT，以檢測多個OFDM符號頻移量疊加后的曲線。假設(shè)發(fā)射機不斷重復(fù)地發(fā)射相同符號的OFDM信號，若將每個符號信號單獨做一次N點的FFT，能將信號所攜帶的信息提取出來，完成信息傳輸。若將收到的M個連續(xù)OFDM信號串聯(lián)，進行M×N點的FFT變換，頻域?qū)脑瓉淼腘個點細(xì)化到M×N個點，因而可以提高其頻域的分辨率，將正常信號與多普勒頻移后的信號分開。其FFT后的信號可以寫成：

其中，Xn為頻域信號，xk為時域信號，N為通道數(shù)，M為OFDM符號數(shù)。

2.3 巨大FFT的運算量

擴大頻域分辨率的方法需要將M個N點的接收信號連接后進行FFT變換，為達到足夠高的分辨率，OFDM符號的連接數(shù)量需足夠大。以802.11協(xié)議為例，其帶寬為20MHz，信號調(diào)制成64個子通道，其頻域的分辨率為312.5kHz。如果需檢測16.7Hz的多普勒頻移，其分辨率要求達到2Hz，即需要將156 250個OFDM符號連接起來后，進行FFT。即便不考慮循環(huán)前綴帶來的額外運算量，其復(fù)乘次數(shù)達0.117×109次，而復(fù)加次數(shù)也達到0.234×109次。而且，為實時跟蹤所有的手勢，該類運算需不斷重復(fù)，其運算量非常巨大，對硬件設(shè)備的性能要求也非常高。

3 低采集冗余的提速算法

針對上述巨大運算量的問題，本文提出一種以裁剪冗余運算為核心的提速算法。

3.1 冗余通道裁剪

在同一個OFDM符號中，每個子通道攜帶的頻移量是相近的，如圖2所示，每個子通道均攜帶類似的頻移信號。而手勢識別僅需提取其中1個通道的頻移信息，對其他通道的頻移信號進行提取并進行疊加。

圖2 部分子通道頻譜圖

截取每個OFDM符號中指定通道的信號，重新連接后進行FFT，其結(jié)果為：

將相同的OFDM符號連接后進行FFT，每個路徑中的每個通道有且僅有單個頻率，其余頻率的振幅為零[3]，該結(jié)論也同樣適用于裁剪后的信號。若裁至單通道，該通道將剩余單個頻率。實際中，由于多徑效應(yīng)，多個路徑中的單一頻率將線性疊加。假若為路徑1在頻率為θ時的振幅，為路徑2在頻率為θ時的振幅。因此，實際接收的信號應(yīng)為兩頻率的比例為：

由于每個路徑單通道內(nèi)有且僅有1個頻率，上式可簡化為：

即信號合并后，頻率間的相對特征不會改變，而由于多余通道的信號被裁剪，其冗余運算也能順利去除。

進行巨大FFT后，其頻譜的分辨率取決于進行FFT的信號長度和總帶寬。以64通道的802.11協(xié)議為例，將64通道的OFDM符號信號裁剪為單通道的符號信號。其FFT的信號長度將為原來的1/64，帶寬也縮減到315.2kHz，即原來的1/64，因而其頻域的分辨率不會發(fā)生改變。所以，該做法并不會影響頻移檢測的精度，卻大大降低了運算量。

3.2 冗余符號裁剪

OFDM符號信號子通道的頻帶為312.5kHz，相對于人體手部移動產(chǎn)生的微弱頻移而言，其子通道頻帶則顯得過寬。如圖3所示，在生成的頻域中，僅有極少低頻信號需要檢測，稱為可能域；而大部分遠(yuǎn)離子通道的高頻信號對檢測并無幫助，稱為冗余域，對該區(qū)域信號進行運算并無意義。

圖3 冗余符號圖

在M個OFDM符號中，并非每個符號均能為頻移量的檢測作出貢獻。相反，大部分的頻移量均由極少周期性的OFDM符號信號提供。因此，為OFDM符號的提取添加采集周期T，將OFDM符號以恒定的頻率進行采集，再連接起來進行運算，其結(jié)果為：

其中，t為周期數(shù)。假設(shè)裁剪通道1，通道總數(shù)N=1，則上式可簡化為：

對OFDM信號進行歸一化，即)1()1(+=kxx，k=1～M/T，因而：

即頻帶被裁剪為M/T。

盡管，采集周期T能直接影響通道的帶寬，卻不會影響頻移的絕對偏移量。通過提高采集周期T，頻帶將不斷被裁剪，并最終剪至頻移所感興趣的頻域范圍。此時，F(xiàn)FT的長度也將再次降為原來的1/T，其運算量進一步得到下降。

但采樣周期T并非無條件地增加，根據(jù)采樣定理，過低的采集頻率將導(dǎo)致頻移信號缺失。為保證捕抓到完整的頻移信號，采樣頻率需保證能達到人體手勢最大頻移量的2倍以上。

4 實驗仿真

4.1 信道設(shè)計

本文信道采用瑞利信道和高斯信道，式（9）為實驗的信道模型：

其中，n為路徑，na為衰弱系數(shù)，nτ為路徑時延，n?為手勢引入的多普勒頻移。OFDM信號生成后，通過瑞利信道模擬手勢運動產(chǎn)生的多普勒頻移，并經(jīng)高斯信道加入高斯白噪聲。

4.2 FFT的裁剪與優(yōu)化

本文仿造的頻率量為13Hz，信噪比為10dB，OFDM符號個數(shù)為156 250個，而通道數(shù)為64。在裁剪OFDM符號的方法中，其采樣周期為312。對OFDM符號以不同方式進行連接，分別進行運算。表1為基于裁剪通道、裁剪符號的優(yōu)化運算量比較：

表1 基于裁剪通道、裁剪符號的優(yōu)化運算量比較

由表1可以看出，通過裁剪通道數(shù)和符號數(shù)，巨大FFT的運算量大大下降，其中裁剪符號數(shù)的效果最明顯。裁剪所有冗余信號后，F(xiàn)FT的長度下降到500個，能在5ms內(nèi)完成運算。圖4為優(yōu)化后的頻譜圖，頻移信號能被很好地檢測出來。

圖4 優(yōu)化后的FFT頻譜圖

5 結(jié)束語

本文對WiSee無線手勢識別技術(shù)中的巨大FFT運算量問題進行研究，并提出對接收的無線信號進行裁剪和優(yōu)化，以不影響頻移檢測精度為前提，裁剪冗余運算，大大降低了FFT的運算量。該方法對利用無線信號進行手勢識別的運算量問題提供解決方案，并對類似的微弱頻移研究提供了理論基礎(chǔ)。

[1] 楊波,宋曉娜,馮志全,等. 復(fù)雜背景下基于空間分布特征的手勢識別算法[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2010,22(10): 1841-1848.

[2] 顧偉宏,閔昆龍,張曉娜. 新型數(shù)據(jù)手套及其手勢識別研究[J]. 自動化儀表, 2011(2): 56-58.

[3] Qifan Pu, Sidhant Gupta, Shyamnath Gollakota, et al. Whole-home gesture recognition using wireless signals[C]. MobiCom ‘13 Proceedings of the 19th annual international conference on Mobile computing & networking, 2013: 27-38.

[4] 王國平. 通信系統(tǒng)中多普勒頻移估計的研究[D]. 成都: 電子科技大學(xué), 2008.

[5] 曾慶喜,王慶,朱國良,等. 一種GPS信號多普勒頻移的精確捕獲算法[J]. 數(shù)據(jù)采集與處理, 2009,24(2): 223-226.

[6] Sidhant Gupta, Daniel Morris, Shwetak Patel, et al. SoundWave: using the doppler effect to sense gestures[C]. CHI ‘12 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2012: 1911-1914.★

Research and Optimization on Redundant Computation in Wireless Gesture Recognition

LI Wen-gao, LI Ting
(School of Information Engineering, Wuyi University, Jiangmen 529020, China)

WiSee is a novel gesture recognition technique using wireless signals. By catching wireless signal Doppler frequency shift generated by gesture movement and identifying the gesture trajectory, the gesture recognition in non-line-of-sight range can be realized. In view of the very high computational amount in huge Fourier transform on signal, a high-speed algorithm with low redundancy was proposed of which feasibility on reducing redundant operations were analyzed. Simulation results demonstrate that the proposed algorithm can highly enhance the operation effi ciency of huge Fourier transform.

wireless signal gesture recognition Doppler frequency shift OFDM

10.3969/j.issn.1006-1010.2015.07.017

TN99

A

1006-1010(2015)07-0080-04

李文高,李霆. 無線手勢識別中冗余運算量的研究與優(yōu)化[J]. 移動通信, 2015,39(7): 80-83.

2015-02-10

責(zé)任編輯：劉妙 liumiao@mbcom.cn