一种基于Wi‑Fi信号的书法姿态自动识别方法技术

本发明专利技术公开了一种基于Wi‑Fi信号的书法姿态自动识别方法，该方法采用Wi‑Fi信号获取书法字姿态数据，依次对数据进行特征提取、笔画分割，并采用学习算法进行数据重建，利用和标准数据库比对的方法，以识别确定书写的字体。本发明专利技术的方法实施利用现有的商业设备，不需要修改硬件，对于用户则不需要额外部署设，无线信号易于获得，使用普通的智能移动设备可以开启热点来发射无线信号；利用现有的无线局域网，以非入侵式且设备无关的方式分析物理层的CSI值，不需要改变无线信号通信协议，具有广泛的应用前景。

【技术实现步骤摘要】
一种基于Wi-Fi信号的书法姿态自动识别方法
本专利技术涉及无线信号追踪感知和人机交互
，具体涉及一种基于Wi-Fi信号的书法运笔姿态自动识别的方法。
技术介绍
中国书法是用中国特制的圆锥形的毛笔书写汉字的艺术，是中国文化的重要载体。2015年教育部在发布的《完善中华优秀传统文化教育指导纲要》中，进一步明确要求学生能规范书写汉字，要临摹名家书法，体会书法的美感与意境。长期以来，传统的现场观摩式书法教学形式要求教师指导学生临帖，逐一示范并纠正书法运笔动作。在实践过程中课时受限、中小学生人数众多、专业师资队伍严重紧缺，制约了中小学书法教育的发展，使得政策落地极为困难。人机交互(HCI)由于其性质和目标，涉及到计算机科学和人文学科的多个方向，自然互动模式包括手势、姿态、虹膜、语言等，正在快速发展中。其中姿态和手势是一种动态特征，通过采集目标的姿态或行为特征便可完成对目标的辨识。目前，关于姿态行为感知、追踪技术和方法发展迅速。姿态行为识别分为静态和动态识别2种。其中，关于动态识别的方法，现有技术中有基于视觉的姿态识别和追踪、基于声波信号姿态识别、基于专用传感器的姿态识别、基于无线信号的姿态识别、追踪、定位等。现有的技术中，红外技术只能识别特定区域内的活动，对基础设施的要求很高，并且设备昂贵；基于视觉方法需要对用户进行摄像拍摄视频，会泄露一些用户隐私，计算量大，适合视距范围的识别，容易存在死角且受到光照、障碍物等的影响，使用LED和光传感器虽然可以达到毫米级的定位精度，但是视觉的角度受限，光照条件也有很大的影响。基于声音信号的姿态识别使用多普勒频移的方法没有追踪能力，只能识别预定义的姿态；其中60GHz的射频信号可以达到毫米级的追踪精度，但是需要昂贵的专业设备，并不具有通用性；超声波在传播过程中容易衰减，识别的范围有限，速度得大于某个值才能检测到多普勒频移，还需要额外硬件；利用语音识别技术和设备交互，虽然在智能家居等方面得到一些应用，但是目前还没有得到广泛的推广。基于专用传感器的行为识别可识别细粒度的行为，但安装与携带很不方便，且价格不菲，并且对于DeviceFree场景不适用。传统的Wi-Fi信号被用来定位和姿态识别主要使用的是Wi-Fi信号的RSSI值，但是利用RSSI值只能识别大幅度手势，因为细粒度的手势变化对RSSI值的影响很微小，几乎观察不到，所以利用RSSI值对细粒度手势识别失效。
技术实现思路
针对上述现有技术中存在的问题，本专利技术的目的在于，提供一种基于Wi-Fi信号的书法姿态自动识别方法，通过WiFi信号获取手部和笔尖的姿态变化，可以在电脑上实时的记录和追踪书写过程，并通过识别和追踪系统给出书写的结果。为了完成上述任务，本专利技术采用以下技术方案：一种基于Wi-Fi信号的书法姿态自动识别方法，包括以下步骤：步骤一，设置无线信号发射器、无线信号接收器，利用无线信号发射器发射Wi-Fi信号，用户在无线信号发射器和无线信号接收器之间书写字体，通过无线信号接收器接收无线信号数据，即CSI数据包，并进行去噪处理；步骤二，特征提取步骤2.1，对CSI数据包中的载波利用PCA主成分分析法选择幅值特征变化最大的前5列，利用滑动窗口累加幅值的差值，找出幅值变化累积差值为正并且较大的点对应的横轴坐标记为X1，并找出幅值累积差值为负并且较小的点对应的横轴坐标记为X2；步骤2.2，对步骤2.1中选取的5列载波的幅值进行一阶求导，利用滑动窗口累加导数的差值，找出导数变化累积差值为正并且较大的点对应的横轴坐标记为X11，并找出导数累积差值为负并且较小的点对应的横轴坐标记为X12；步骤2.3，选择star1＝(X1+X11)/2、end1＝(X2+X12)/2作为用户开始书写的位置和结束位置，并将所述的5列载波幅值数据段保存在特征矩阵M中；步骤三，笔画分割找出(start1，end1)中幅值变化较大的数据段，根据提笔和落笔两个动作的特征，对幅值波形变化部分的位置进行划分，一对落笔和提笔之间的数据被看作是一个笔画数据，将(start1，end1)中每一对提笔和落笔处的横轴坐标共同保存在一个二维数组Feature中；步骤四，对特征矩阵M进行数据重建，以减小数据量，得到重建后的特征矩阵H；步骤五，建立字体数据库试验人员在步骤一设置的场景中进行字体的书写，在每书写一个字体后，均按照步骤二至步骤四的方法进行处理，得到每一个字体对应的特征矩阵H；所述的字体包括汉字、笔画和偏旁部首，分别建立汉字库、笔画库和偏旁部首库，每个库中存储字体、字体对应的特征矩阵H，并在每个库中建立索引；步骤六，用户在步骤一设置的场景中进行字体的书写，书写字体后，按照步骤二至步骤四的方法进行处理，根据处理过程中得到的二维数组Feature和字体的特征矩阵H，与步骤五中的汉字库、笔画库和偏旁部首库进行对比，得到识别结果。进一步地，所述的步骤五中，采用改进的CRBM算法对特征矩阵M进行数据重建，所述的改进的CRBM算法是在现有的CRBM算法的基础上，将CRBM算法的卷积运算替换成卷积分离运算，舍弃了吉比斯采样过程，并且只用到CRBM算法的可视层和隐藏层；利用改进的CRBM算法对特征矩阵M进行处理时，在可视层输入矩阵M，最终在隐藏层输出重建后的矩阵H。进一步地，所述的步骤六的具体过程包括：步骤6.1，通过二维数组Feature的行数得到笔画数目，再对Feature中的值除以100，得到重建后特征矩阵H中笔画分割横坐标新数组，记为HFeature，根据HFeature中的每一行数据找出对应的笔画位置，相邻的落笔和提笔代表一个笔画，对这些笔画数据与步骤五中所述的笔画库中的数据进行KNN聚簇分类，找出最接近的笔画，即为识别结果；步骤6.2，当笔画数目大于1小于4时，则对HFeature中的笔画数据与偏旁部首库中的数据进行KNN聚簇分类，找出最接近的偏旁部首，即为识别结果；步骤6.3，当笔画数目大于4时，则对HFeature中的笔画数据与汉字库中的数据进行KNN聚簇分类，找出最接近的汉字，即为识别结果。本专利技术与现有技术相比，具有以下技术特点：1.本专利技术方法解决了对书法运笔姿态的自动识别和纠错，32种笔画的平均识别精度80.3％，10个偏旁部首的平均识别精度75％，10个简单汉字的平均识别精度82.5％，在行业中首次提出了解决书法姿态识别中的连笔问题的算法，将落笔和提笔两个关键点分离开。2.本专利技术的方法实施利用现有的商业设备，不需要修改硬件，完成了书写过程的可视化展示；该方法容易实施，且成本低廉，而且用户不需要携带和部署任何额外的设备，可以识别在一公尺外的目标用户细粒度姿态，并且不侵犯用户隐私，具有很强的普适性。3.本专利技术方法所利用的无线信号易于获得，使用普通的智能移动设备可以开启热点来即可发射无线信号；利用现有的无线局域网，以非入侵式且设备无关的方式分析物理层的CSI值，不需要改变无线信号通信协议，目前的无线通信协议802.11nc协议即可以满足通信需求。附图说明图1为试验场景中直线拓扑结构示意图；图2为试验场景中三角拓扑结构示意图；图3为基于Wi-Fi信号的书法运笔姿态识别系统框架原理示意图；图4为试验书写效果图；图5为试验书法临摹图；图6是图15中笔画“横”和图17本文档来自技高网...

【技术保护点】
一种基于Wi‑Fi信号的书法姿态自动识别方法，其特征在于，包括以下步骤：步骤一，设置无线信号发射器、无线信号接收器，利用无线信号发射器发射Wi‑Fi信号，用户在无线信号发射器和无线信号接收器之间书写字体，通过无线信号接收器接收无线信号数据，即CSI数据包，并进行去噪处理；步骤二，特征提取步骤2.1，对CSI数据包中的载波利用PCA主成分分析法选择幅值特征变化最大的前5列，利用滑动窗口累加幅值的差值，找出幅值变化累积差值为正并且较大的点对应的横轴坐标记为X1，并找出幅值累积差值为负并且较小的点对应的横轴坐标记为X2；步骤2.2，对步骤2.1中选取的5列载波的幅值进行一阶求导，利用滑动窗口累加导数的差值，找出导数变化累积差值为正并且较大的点对应的横轴坐标记为X11，并找出导数累积差值为负并且较小的点对应的横轴坐标记为X12；步骤2.3，选择star1＝(X1+X11)/2、end1＝(X2+X12)/2作为用户开始书写的位置和结束位置，并将所述的5列载波幅值数据段保存在特征矩阵M中；步骤三，笔画分割找出(start1，end1)中幅值变化较大的数据段，根据提笔和落笔两个动作的特征，对幅值波形变化部分的位置进行划分，一对落笔和提笔之间的数据被看作是一个笔画数据，将(start1，end1)中每一对提笔和落笔处的横轴坐标共同保存在一个二维数组Feature中；步骤四，对特征矩阵M进行数据重建，以减小数据量，得到重建后的特征矩阵H；步骤五，建立字体数据库试验人员在步骤一设置的场景中进行字体的书写，在每书写一个字体后，均按照步骤二至步骤四的方法进行处理，得到每一个字体对应的特征矩阵H；所述的字体包括汉字、笔画和偏旁部首，分别建立汉字库、笔画库和偏旁部首库，每个库中存储字体、字体对应的特征矩阵H，并在每个库中建立索引；步骤六，用户在步骤一设置的场景中进行字体的书写，书写字体后，按照步骤二至步骤四的方法进行处理，根据处理过程中得到的二维数组Feature和字体的特征矩阵H，与步骤五中的汉字库、笔画库和偏旁部首库进行对比，得到识别结果。...

【技术特征摘要】
1.一种基于Wi-Fi信号的书法姿态自动识别方法，其特征在于，包括以下步骤：步骤一，设置无线信号发射器、无线信号接收器，利用无线信号发射器发射Wi-Fi信号，用户在无线信号发射器和无线信号接收器之间书写字体，通过无线信号接收器接收无线信号数据，即CSI数据包，并进行去噪处理；步骤二，特征提取步骤2.1，对CSI数据包中的载波利用PCA主成分分析法选择幅值特征变化最大的前5列，利用滑动窗口累加幅值的差值，找出幅值变化累积差值为正并且较大的点对应的横轴坐标记为X1，并找出幅值累积差值为负并且较小的点对应的横轴坐标记为X2；步骤2.2，对步骤2.1中选取的5列载波的幅值进行一阶求导，利用滑动窗口累加导数的差值，找出导数变化累积差值为正并且较大的点对应的横轴坐标记为X11，并找出导数累积差值为负并且较小的点对应的横轴坐标记为X12；步骤2.3，选择star1＝(X1+X11)/2、end1＝(X2+X12)/2作为用户开始书写的位置和结束位置，并将所述的5列载波幅值数据段保存在特征矩阵M中；步骤三，笔画分割找出(start1，end1)中幅值变化较大的数据段，根据提笔和落笔两个动作的特征，对幅值波形变化部分的位置进行划分，一对落笔和提笔之间的数据被看作是一个笔画数据，将(start1，end1)中每一对提笔和落笔处的横轴坐标共同保存在一个二维数组Feature中；步骤四，对特征矩阵M进行数据重建，以减小数据量，得到重建后的特征矩阵H；步骤五，建立字体数据库试验人员在步骤一设置的场景中进行字体的书写，在每书写一个字体后，均按照步骤二至步骤四的方法进行处理，得到每一个字体对应的特征矩阵H；所述的字体包括汉字、笔画和偏旁部首，分...

【专利技术属性】
技术研发人员：李蓉，李振，张洁，汤战勇，房鼎义，李青佩，李梦，杨蕾，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61