无线手势识别中冗余运算量的研究与优化

李文高，李霆

（五邑大学信息学院，广东 江门 529020）

无线手势识别中冗余运算量的研究与优化

李文高，李霆

（五邑大学信息学院，广东 江门 529020）

WiSee是一种利用无线信号进行手势识别的新型姿态识别技术。通过捕抓手势移动对无线信号产生的多普勒频移以及识别手势的运动轨迹，实现手势在非可视范围的识别。针对WiSee需要对信号进行巨大傅里叶变换所产生的超高运算量问题，提出了一种低采集冗余的高速算法，并分析对冗余运算裁剪的可行性。通过实验仿真，证明该算法能极大地提高巨大傅里叶变换的运算效率。

无线信号 手势识别 多普勒频移 OFDM

1 引言

目前国内外关于手势识别的研究大部分专注于视觉和可穿戴设备的手势识别，如基于空间分布特征的手势识别[1]、数据手套手势识别[2]。而由华盛顿大学的研究人员研制的WiSee手势识别技术[3]，是以无线信号作为识别源的新型手势识别技术。该技术能在覆盖有Wi-Fi信号的场所内，通过检测人体手部运动所产生的多普勒频移，从而识别出人体的特定性手势，实现非可视范围内的手势识别。

利用无线信号进行手势识别的核心问题在于如何精确提取运动导致的多普勒频移曲线。而这类多普勒频移的产生量取决于手势的运动速度。相对于无线信号的传播速度而言，人体手势的运动速度显得非常缓慢，所能产生的多普勒频移量非常微小，常用方法难以检测，如最大似然估计法[4]、载波相位测量法[5]。为解决该难题，WiSee技术将接收到的OFDM信号进行归一化处理，并将多个OFDM信号单元拼接起来，进行一次巨大的傅里叶变换，以提高频段检测的分辨率，将人体手部运动所产生的多普勒频移信号检测出来。

然而，上述检测方式以巨大的运算量为代价。本文基于WiSee微弱频移的检测算法，提出一种低冗余的频移检测方法，并分析提速对多普勒频移检测的影响。最后对该算法进行仿真并检验其提速效果。

2 WiSee手势识别

2.1 手势信号的传播

无线Wi-Fi信号利用正交频分复用技术（OFDM），将需要传输的信号利用傅里叶逆变换（IFFT）分别调制到N个子频段中，使信号以多频段的方式发射。接收机则对接收的信号进行傅里叶变换（FFT），提取出不同子频段的信息，完成1个单位符号的信号传输。

在覆盖有Wi-Fi信号的区域内，当无线路由器广播OFDM信号时，由于多径效应，信号从不同路径向接收机发送信号，具体如图1所示。人体做手势动作时，部分路径的信号与运动中的手发生碰撞，产生多普勒频移效应，并由接收机接收。此时，接收机既能接收到频移信号，也能接收到普通信号。根据该原理，可认为从人体反射回来的无线信号是手势信号的发射源，当人体作出手势动作的时候，接收机就能够接收到手势产生的微弱多普勒频移，从而检测出具体的手势曲线。

图1 无线信号的传播过程

2.2 多普勒频移提取

多普勒频移的产生与物体相对运动和载波频率有关，式（1）可以表明其关系：

其中v为物体运动速度，θ为物体运动方向与信号传播方向的夹角，f为无线信号的载波频率，c为传播介质的速度，此处为光速。显然，降低传播速度，提高运动速度或提高载波频率均能提高多普勒频移量，如Sidhant Gupta等人利用声波进行手势识别[6]。但对于无线手势识别信号，传播速度与载波频率基本确定，而人体手势运动速度平均在0.5m/s左右。假设相对夹角能达到0度，即多普勒频移最大时，其多普勒频移量也仅有16.7Hz，这个数字相对5GHz的载波频率而言极其微小，难以检测到。

WiSee针对该问题，提出将多个OFDM信号串联叠加后进行FFT，以检测多个OFDM符号频移量叠加后的曲线。假设发射机不断重复地发射相同符号的OFDM信号，若将每个符号信号单独做一次N点的FFT，能将信号所携带的信息提取出来，完成信息传输。若将收到的M个连续OFDM信号串联，进行M×N点的FFT变换，频域将从原来的N个点细化到M×N个点，因而可以提高其频域的分辨率，将正常信号与多普勒频移后的信号分开。其FFT后的信号可以写成：

其中，Xn为频域信号，xk为时域信号，N为通道数，M为OFDM符号数。

2.3 巨大FFT的运算量

扩大频域分辨率的方法需要将M个N点的接收信号连接后进行FFT变换，为达到足够高的分辨率，OFDM符号的连接数量需足够大。以802.11协议为例，其带宽为20MHz，信号调制成64个子通道，其频域的分辨率为312.5kHz。如果需检测16.7Hz的多普勒频移，其分辨率要求达到2Hz，即需要将156 250个OFDM符号连接起来后，进行FFT。即便不考虑循环前缀带来的额外运算量，其复乘次数达0.117×109次，而复加次数也达到0.234×109次。而且，为实时跟踪所有的手势，该类运算需不断重复，其运算量非常巨大，对硬件设备的性能要求也非常高。

3 低采集冗余的提速算法

针对上述巨大运算量的问题，本文提出一种以裁剪冗余运算为核心的提速算法。

3.1 冗余通道裁剪

在同一个OFDM符号中，每个子通道携带的频移量是相近的，如图2所示，每个子通道均携带类似的频移信号。而手势识别仅需提取其中1个通道的频移信息，对其他通道的频移信号进行提取并进行叠加。

图2 部分子通道频谱图

截取每个OFDM符号中指定通道的信号，重新连接后进行FFT，其结果为：

将相同的OFDM符号连接后进行FFT，每个路径中的每个通道有且仅有单个频率，其余频率的振幅为零[3]，该结论也同样适用于裁剪后的信号。若裁至单通道，该通道将剩余单个频率。实际中，由于多径效应，多个路径中的单一频率将线性叠加。假若为路径1在频率为θ时的振幅，为路径2在频率为θ时的振幅。因此，实际接收的信号应为两频率的比例为：

由于每个路径单通道内有且仅有1个频率，上式可简化为：

即信号合并后，频率间的相对特征不会改变，而由于多余通道的信号被裁剪，其冗余运算也能顺利去除。

进行巨大FFT后，其频谱的分辨率取决于进行FFT的信号长度和总带宽。以64通道的802.11协议为例，将64通道的OFDM符号信号裁剪为单通道的符号信号。其FFT的信号长度将为原来的1/64，带宽也缩减到315.2kHz，即原来的1/64，因而其频域的分辨率不会发生改变。所以，该做法并不会影响频移检测的精度，却大大降低了运算量。

3.2 冗余符号裁剪

OFDM符号信号子通道的频带为312.5kHz，相对于人体手部移动产生的微弱频移而言，其子通道频带则显得过宽。如图3所示，在生成的频域中，仅有极少低频信号需要检测，称为可能域；而大部分远离子通道的高频信号对检测并无帮助，称为冗余域，对该区域信号进行运算并无意义。

图3 冗余符号图

在M个OFDM符号中，并非每个符号均能为频移量的检测作出贡献。相反，大部分的频移量均由极少周期性的OFDM符号信号提供。因此，为OFDM符号的提取添加采集周期T，将OFDM符号以恒定的频率进行采集，再连接起来进行运算，其结果为：

其中，t为周期数。假设裁剪通道1，通道总数N=1，则上式可简化为：

对OFDM信号进行归一化，即)1()1(+=kxx，k=1～M/T，因而：

即频带被裁剪为M/T。

尽管，采集周期T能直接影响通道的带宽，却不会影响频移的绝对偏移量。通过提高采集周期T，频带将不断被裁剪，并最终剪至频移所感兴趣的频域范围。此时，FFT的长度也将再次降为原来的1/T，其运算量进一步得到下降。

但采样周期T并非无条件地增加，根据采样定理，过低的采集频率将导致频移信号缺失。为保证捕抓到完整的频移信号，采样频率需保证能达到人体手势最大频移量的2倍以上。

4 实验仿真

4.1 信道设计

本文信道采用瑞利信道和高斯信道，式（9）为实验的信道模型：

其中，n为路径，na为衰弱系数，nτ为路径时延，nϖ为手势引入的多普勒频移。OFDM信号生成后，通过瑞利信道模拟手势运动产生的多普勒频移，并经高斯信道加入高斯白噪声。

4.2 FFT的裁剪与优化

本文仿造的频率量为13Hz，信噪比为10dB，OFDM符号个数为156 250个，而通道数为64。在裁剪OFDM符号的方法中，其采样周期为312。对OFDM符号以不同方式进行连接，分别进行运算。表1为基于裁剪通道、裁剪符号的优化运算量比较：

表1 基于裁剪通道、裁剪符号的优化运算量比较

由表1可以看出，通过裁剪通道数和符号数，巨大FFT的运算量大大下降，其中裁剪符号数的效果最明显。裁剪所有冗余信号后，FFT的长度下降到500个，能在5ms内完成运算。图4为优化后的频谱图，频移信号能被很好地检测出来。

图4 优化后的FFT频谱图

5 结束语

本文对WiSee无线手势识别技术中的巨大FFT运算量问题进行研究，并提出对接收的无线信号进行裁剪和优化，以不影响频移检测精度为前提，裁剪冗余运算，大大降低了FFT的运算量。该方法对利用无线信号进行手势识别的运算量问题提供解决方案，并对类似的微弱频移研究提供了理论基础。

[1] 杨波,宋晓娜,冯志全,等. 复杂背景下基于空间分布特征的手势识别算法[J]. 计算机辅助设计与图形学学报, 2010,22(10): 1841-1848.

[2] 顾伟宏,闵昆龙,张晓娜. 新型数据手套及其手势识别研究[J]. 自动化仪表, 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] 王国平. 通信系统中多普勒频移估计的研究[D]. 成都: 电子科技大学, 2008.

[5] 曾庆喜,王庆,朱国良,等. 一种GPS信号多普勒频移的精确捕获算法[J]. 数据采集与处理, 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. 无线手势识别中冗余运算量的研究与优化[J]. 移动通信, 2015,39(7): 80-83.

2015-02-10

责任编辑：刘妙 liumiao@mbcom.cn