超声手势识别的分类特征优化

郑小敏，李翔宇,2+

(1.清华大学 微电子学研究所，北京 100084； 2.深圳清华大学研究院 微电子与智能技术实验室，广州 深圳 518057)

0 引 言

以超声或电磁波雷达[1-4]作为传感器的手势识别技术，可以不受光照条件影响、能耗低、便于小型化，因此在智能手机、可穿戴设备、物联网和虚拟现实等应用场景具有独特优势。为了降低计算复杂度，很多手势识别算法采用以人工设计的特征为输入的轻量级分类器去识别手势，这类方案，特征的种类和数量极大影响识别率和系统开销。特征集来源于RDM图[5]、IQ正交信号之间的角度信息[6]、微多普勒频谱[7,8]等。模式识别中，常常在原始特征集的基础上运用特征筛选方法进行特征优化，达到减少特征维度或提高识别精度的目标。主成分分析[9,10]是一种广泛使用的降维方法，量子进化算法[5,11,12]也能优化特征集。随机森林(random forest，RF)作为一种分类器同时也能被应用于特征筛选[13-15]。以RF为基础的特征选择算法比量子进化算法运行速度更快。然而，RF筛选出的特征分布随机，没有规律性，通常导致需要提取的特征的计算种类繁多，特征提取模块的运行时间长。

本文以嵌入式超声手势识别系统为平台，进行微手势特征优化技术研究。一方面，我们基于原有的特征集，引入了多普勒轮廓特征和距离轮廓特征，提高了微手势识别率；另一方面，我们基于RF提出了一套更能减少特征种类的特征筛选标准，最后应用在本文改进后的特征集上，从特征提取所需的时间和对手势的识别率两方面综合评估，验证了方法的有效性。……