基于RFID的免攜帶設備手勢識別關鍵技術研究

王 旋 方河川 常儷瓊 王 舉 陳曉江 房鼎益 彭 瑤 陳 峰

(西北大學信息科學與技術學院 西安 710127)

基于RFID的免攜帶設備手勢識別關鍵技術研究

王 旋 方河川 常儷瓊 王 舉 陳曉江 房鼎益 彭 瑤 陳 峰

(西北大學信息科學與技術學院 西安 710127)

(wxkate@stumail.nwu.edu.cn)

近年來手勢識別作為人機交互的重要組成部分，受到廣泛的關注.很多應用受益于手勢識別，比如智能手機、智能家居、體感游戲等.與現有基于射頻識別(radio frequency identification, RFID)的手勢識別系統相比，基于RFID的免攜帶設備(device free)手勢識別方法，不需要用戶攜帶任何設備，因此有更好的用戶體驗.其主要思想是利用手勢動作對信號的干擾信息作為指紋特征，并且利用多徑增加匹配難度，從而保證了手勢識別的準確度.具體思路為：通過數據分片解決RFID通信在時域上不連續的問題，進而采用雷達中合成孔徑雷達(synthetic aperture radar, SAR)算法獲取每個手勢對應的指紋特征矩陣.最后，借鑒動態時間歸整(dynamic time warping, DTW)算法匹配先驗手勢指紋庫，從而完成手勢識別.真實環境下的實驗結果顯示該方法可達到約85%的正確識別率，證明給出方法具有很高的可行性.

無線手勢識別；射頻識別；免攜帶設備；合成孔徑雷達；動態時間歸整

21世紀的今天，智能設備云集，交互的方式也越來越豐富、越來越人性化.手勢識別作為人機交互的重要組成部分受到廣泛關注，成為研究的熱點[1-7].手勢識別使得很多應用成為可能，例如用戶可以在有觸摸屏幕的智能手機、平板電腦或筆記本電腦上寫字、支付和畫畫，智能家居中利用手勢操控家電等.甚至有文獻[5,8]提出用手在空中自由書寫，實現和移動設備的交互——如控制音量或接聽電話，為人們的生活帶來便利.

隨著無線技術的快速發展，很多文獻提到射頻信號可以穿過墻體，且不受煙、霧和光照的影響[9]，因此，利用射頻信號且無需攜帶任何設備的免攜帶設備(device free)手勢識別成為研究熱點[5,10-12].常見的device free無線手勢識別技術利用多個天線的信道狀態信息(channel state information, CSI)[13]或者接收信號強度(received signal strength, RSS)[14]估計信號到達接收端的角度進行手勢識別,通常需要專用設備[14]，而且在實際部署存在多徑時，射頻信號的RSS值和CSI振幅受多徑影響嚴重，導致現有手勢識別技術準確度極大下降，魯棒性降低.

由于多徑對射頻信號的影響較大，之前的方法是盡量消除多徑帶來的影響.如果我們可以使用射頻信號細粒度的相位信息，結合信號強度信息進行識別，并且利用手勢動作對多徑信號的影響在匹配環節增加識別難度，那么就能夠提高手勢識別精度.

同時，射頻識別(radio frequency identification, RFID)技術不僅容易獲取信號的特征信息，且有著廣泛的工業前景，便于普及與實際應用.隨著RFID定位技術[15-17]的日漸成熟，很多科研人員開始研究將RFID技術用于手勢識別.而且，與已提出的基于WiFi的手勢識別方法[5,18-19]相比，基于RFID的手勢識別成本較低.RFID標簽是無源節點，靠無線電波攜帶的能量來產生信號，其內部結構簡單，數據存儲量大、體積小、價格低廉，每個大約0.5元人民幣，而每個WiFi設備大都是在100元以上.

為此，本文提出一種基于RFID的Device Free手勢識別方法，利用多徑提高手勢識別分辨率且部署成本低.其主要思想是根據手勢的每一瞬間對信號的干擾不同，將受手勢擾動信號的特征信息作為手勢識別的指紋.利用RFID技術手勢識別需要解決2項關鍵挑戰：

1) RFID的通信協議決定了每個標簽與閱讀器之間的通信在時域上是離散的，即同一時刻只能有1個標簽間歇通信，如圖1所示.本文基于這一特點的思考，再結合RFID定位方法和圖像識別的方法，在RFID手勢識別時將采集來的數據按時間順序劃分成片，相當于將1個手勢動作進行劃分.

Fig. 1 Packet distribution in time domain圖1 數據包在時域的分布

2) 由于做手勢時的起始時間、快慢等存在差異，匹配時需要比較相似性的2個時間序列的長度可能在時間軸上并不是對齊的，所以本文采用原本用于語音識別的動態時間歸整(dynamic time warping, DTW)算法比較和歸整2個時間序列，進而判斷兩者之間的相似性.

為驗證所提出方法的性能，本文進行相應的實驗.我們在教室里1個2.5 m×1.5 m的桌子上搭建實驗平臺，主要設備有4天線線性陣列、頻率為920.875 MHz的閱讀器、6個RFID標簽，實驗人員首先做10個手勢作為先驗指紋庫，再隨意作出手勢進行識別.根據實驗的統計結果表明本方法可達到約85%的正確識別概率，說明了本文給出方法具有很高的可行性.

1 相關研究工作

現有的手勢識別方法主要分為基于傳感器技術的方法、基于圖像識別技術的方法和基于射頻信號的方法三大類別.利用傳感器技術進行手勢識別[20]主要依靠微機電系統(micro-electromechanical systems, MEMS)傳感器(加速計、陀螺儀、磁力計等)提取手勢的加速度和角速度信號特征量，根據手勢信號的變化規律判斷手勢.該方法對于手勢識別準確度有保證，但需要使用者佩戴傳感器等設備，易用性能低，姿勢獲取的場景受限.

利用圖像識別技術進行手勢識別[21]主要依賴攝像頭采集使用者的實時圖像，再利用相關圖形處理算法對每幀數據進行分析采樣，取得圖像特征.通過進一步分析多幀圖像的特征變化規律，得到相應的手勢特征.最后，利用匹配算法進行手勢識別.該方法精度高，且用戶不需要佩戴設備.但因為算法計算量大，需要性能強大的計算機進行數據處理.同時，攝像頭不僅對光照強度和拍攝角度要求較高，而且必須要求使用者與攝像頭之間沒有障礙物遮擋.紅外攝像頭則部署成本高，環境適應性差[22].

現有的基于射頻信號主要是利用無處不在的WiFi信號進行手勢識別，例如WiSee[10]根據測得WiFi信號下由于人的動作而產生的多普勒頻移進行手勢識別，由于射頻信號可以穿透墻體傳播，所以WiSee沒有對視距的限制，但是該方法實現需要專用設備USRP，效果理想但成本開銷較大，不適合廣泛應用；WiGest[19]使用通用設備，根據手勢動作對信號強度的改變實現手勢識別，識別高精度，但是沒有真正解決多徑問題，只是降低多徑對結果的影響.

由于RFID標簽體積小、價格便宜等特點，便于普及與實際應用，使基于RFID的手勢識別技術成為國內外學者研究的熱點.現有的基于RFID手勢識別技術主要通過目標攜帶RFID標簽，接收端通過分析RFID標簽幅值或者相位的變化來識別手勢.其中最具代表性的成果為Katabi等人的RF-IDraw虛擬寫字[8]，通過用戶手指攜帶RFID標簽在空中書寫英文單詞或字母，接收端通過分析RFID標簽的相位信息，追蹤定位RFID標簽的空間位置，實現空中書寫字母的識別率為96.8%；FEMO方法[22]利用接收端獲取用戶攜帶無源標簽產生的多普勒頻移實現對10種健身行為的識別.

為了用戶能夠得到更好的體驗，不再依賴傳感器或者專用設備等輔助裝置，本文提出根據手勢動作對信號的干擾不同，將由閱讀器獲得信號的實時相位和強度信息數據按時間分片進行處理獲取特征向量，再使用機器學習的方法進行手勢識別，通過利用手勢動作對多徑信號的影響增加匹配難度，提高識別精度.在該方法中，使用者不需要攜帶額外的設備，且RFID標簽價格低廉、部署簡單.

2 基于RFID的Device Free手勢識別方法綜述

由于RFID的通信在時域上是離散的，不能使用傳統的基于連續變化信號特征的識別方法，因此將手勢對信號的干擾信息通過基于數據分片的數據幀方法進行預處理.對預處理后的每幀數據，利用雷達系統中的合成孔徑雷達(synthetic aperture radar, SAR)算法獲取手勢對應的特征矩陣，構成先驗知識庫.最后，使用DTW算法找出由新手勢產生的特征矩陣與先驗知識庫中最匹配的特征矩陣，從而完成識別手勢.

Fig. 2 Overview of key technologies圖2 關鍵技術框圖

整體的手勢識別方法的關鍵技術組成如圖2所示.建立先驗指紋庫由數據預處理模塊和特征信息提取模塊構成，數據預處理模塊主要是將收集的數據處理成幀，即對1個手勢在多個采樣點采樣，可以用多個幀來描述1個手勢.特征信息提取模塊，是利用對每幀數據按標簽號進行到達角(angle of arrival, AoA)估計，得到特征矩陣用來進行手勢識別；對分成幀的數據確定其對應的特征點和物理坐標，用SAR算法估計AoA獲取信號特征；特征信息匹配模塊，利用本文改進的DTW算法比較和歸整2個時間序列，使得代價總和最小,匹配手勢,利用多徑的影響增加匹配難度,提高識別精度.

3 基于RFID的Device Free手勢識別核心算法

3.1 獲取RFID信號特征

RFID工作頻率分為低頻(low frequency, LF)、中頻(medium frequency, MF)、高頻(High Frequency, HF)、超高頻(Ultra High Frequency, UHF)四種，工作在UHF下的RFID具有最遠的通信距離，因此實驗中采用UHF RFID.UHF RFID使用920 MHz左右的電磁載波通信，其通信信號是普通無線通信信號，具有相位(φ)、強度(A)、頻率(f)三個基本屬性，頻率是已知的，故只要知道了信號的相位和強度就知道了整個載波信號的特征.

由RFID閱讀器可獲得到的數據分別有：相位(φ)、強度(A)、標簽號(ID)、時間(T)，那么獲取到的信息可以表示為

Antennaj=(φ，A，ID，T),

其中,φ=(φr)′,A=(Ar)′,ID=(IDr)′,T=(Tr)′,r是數據包序號，r=1,2,…,N；j是天線編號，j=1,2,…,M.

3.2 利用RFID相位擾動特征提取手勢指紋

建立先驗知識庫，用于待識別手勢與其進行匹配.先將因手勢對RFID信號的擾動獲取到的相位和強度等數據進行分片，再計算每一幀數據對應的特征向量，構成該手勢的特征矩陣，同理也可得到其他手勢的特征矩陣，那么所有手勢的特征矩陣就構成先驗指紋庫.

3.2.1 數據分片

由于RFID的通信在時域上是離散，不能保證每個手勢都有連續的信號，如果直接去做匹配，可能出現偶然誤差，所以不能使用傳統的基于連續變化信號特征的識別方法.本文受到圖像識別方法中幀的概念，即對1個完整連續的動作進行分時采樣的啟發，提出在分析數據時將數據按時間順序劃分成片，即處理成幀，幀的數量決定了1個手勢的采樣點數量.分幀，相當于將我們采集到的1個手勢劃分成不連續的幾個瞬間位置，由順序位置來描述1個手勢，每個位置對應1個數據幀.

Frameq=(Antenna1q,Antenna2q,…,Antennaj q)，

其中,q=1,2,…,n.

本方法中可以使用多個標簽作為信號源，分幀后對其進行分離，即對Frameq中的每個Antenna數據按Tag ID進行分離并歸類，得到每個標簽對應的數據：

Tagd=(Antenna1d,Antenna2d,…,Antennaj d)，

其中，d為Tag ID編號，此時Frameq的結構變為

3.2.2 計算手勢動作對應的特征矩陣

將每個天線得到的數據分成多幀后，分離出每個標簽各自對應的數據信息.需要對Frameq的每個標簽數據分析其對應的信號特征，本文中使用AoA估計的方法獲取信號特征，其方法步驟如下：

1) 計算到達每個天線上的相位角

這一步處理的數據為每個標簽的某幀數據，在數據Antennaj中第1列數據即為相位角，由于環境噪聲，其數據可能會有一定的波動，為了使數據具有統計代表性，采用最高頻次數據為真實數據，即：

(1)

2) 計算每個天線收到的信號表達式

第1步已經獲得了每個天線收到數據的相位信息，根據正弦波的特征，t時刻的信號可表示為

(2)

計算出每個天線收到的信號，構成信號S.

3) AoA估計

將矩陣S輸入SAR算法，即可得到AoA估計，其參數有：①天線間距Xd；②角度取值步長Δλ(單位為度).輸出數據為

其中，P為AoA估計強度.

3.3 建立先驗指紋庫

對每個手勢，有l個標簽的數據，因此每個手勢對應l個向量B.將l個向量B組成1組，即構成第q幀中1個手勢對應的特征矩陣：

Action=(B1,B2,…,Bl).

對n幀數據分別做以上操作，可得到某個手勢的特征矩陣：

W=(Action1,Action2,…,Actionn).

將所有手勢對應的數據輸入，即可得被收錄手勢對應的特征矩陣，那么所有手勢的特征矩陣就構成知識庫DB，用于手勢匹配.

3.4 RFID特征比對進行手勢識別

在作出待識別的手勢x時，采集得到M個天線的數據，將M個天線的數據按照3.2節及3.3節方法處理可以得到Bx，Actionx以及手勢x對應的特征矩陣Wx.

識別手勢，即在DB中找出與Wx最匹配的某個手勢對應的特征矩陣，即可識別出使用者所做的手勢.對于矩陣Action，其最終的每一個列向量都對應1條光滑曲線，匹配即找出相似的曲線.在手勢識別實際應用中，由于個人習慣不同，導致不同用戶在做相同手勢時其臂展長度、手勢持續時間產生不同差異，這與語音識別存在的問題相同，因此為解決這個問題，本文采用語音識別中常用的DTW算法.DTW算法核心思想是在時間軸上比較和歸整待識別手勢數據的時間序列，將輸入的待識別手勢時間軸非線性地映射到先驗知識庫的時間軸，使得所有元素的對齊代價和最小，判斷兩者之間的相似性，進行匹配.

DTW算法輸入2個待匹配曲線對應的矩陣，即可輸出曲線的相似程度.對序列對中的任意元素對Action(α)和Actionx(β)，α∈[1,u],β∈[1,v]，元素間的歐幾里德距離即為對齊代價，即：

Cα,β=|Action(α)-Actionx(β)|.

(3)

則序列歸整的代價總和C為u×v的矩陣.設Z為矩陣C中元素對的對齊排列，Z=(z1,…,zh,…,zH)，其中max(u,v)≤H≤u+v-1，且zh=(αh,βh).DTW算法即是尋找排列Z使得代價C最小，即:

(4)

且滿足條件：

1) 邊界條件:z1=(0,0),zω=(u,v)；

2) 單調性條件：

3) 窗口條件:|αh-βh|≤Q,h=1,2,…,H.

當序列對元素的差異大于Q(一般取Q=H/6)時，則認為序列對對應2個不同手勢.窗口條件只要求計算代價矩陣C中沿對角線寬度為2Q的元素，計算復雜度大大降低.

將某手勢獲取到的序列Wx與先驗指紋庫DB中各個手勢對應的特征矩陣進行匹配，當待識別手勢的特征矩陣中每一列都與指紋庫DB中某手勢特征矩陣的對應列取得較小的匹配代價，且所有列的代價總和最小，則認為該手勢與知識庫中對應的該手勢是同一手勢，即成功識別.

在用戶作出手勢的時候，用戶的肢體可能遮擋一部分路徑使一些方向上的信號減弱，或者可能反射信號產生新的多徑.圖3是同一手勢的3個數據幀生成的AoA估計特征曲線，其中Frame 2的曲線表明該標簽在用戶肢體的影響下形成了1個新的信號路徑.因此，在匹配環節，多徑將增加對信息的匹配難度，從而提高識別精度.

Fig. 3 Characteristic curve of AoA estimation圖3 AoA估計特征曲線

Fig. 4 Experimental equipment圖4 實驗設備

4 實驗及結果分析

4.1 實驗場景搭建

我們在7 m×10 m的教室中1個2.5 m×1.5 m的桌子上部署實驗場境.使用頻率設定為920.875 MHz的ImpinJ RFID閱讀器采集標簽反射的數據，實際傳輸距離大約為2 m.實驗中參數選擇：天線個數m=4，標簽個數l=6，數據分幀數n=3.4個天線構成線性陣列連接至閱讀器的1～4號擴展口，為提高精度、減少陣列位置誤差，這4個天線放置在1個元件間距為4 cm的天線固定板上.天線盡量筆直地放在天線固定板上.測量時以天線中心或固定板天線插孔的中心為參考點.

選用6個標簽放置于陣列前方，盡量保證標簽正對天線，位于天線半高處，即與天線的半高中心處在同一水平線上)，并且分散放置在閱讀器的可讀取范圍內作為信號源.實驗器材如圖4所示，場景部署如圖5所示.

Fig. 5 Experimental deployment圖5 實驗部署圖

4.2 建立指紋庫

建立指紋庫有2種方案：1)每個手勢做多次，然后循環匹配，去除掉匹配不上的誤差數據，其余的作為庫.在匹配環節，只要未知手勢與庫里的某次數據匹配，就可以認為匹配.2)每個手勢做多次，循環匹配，找到和每次數據匹配程度都很高的數據組作為知識庫，匹配環節只和這一組數據進行匹配.方案2相比方案1精度略低，但匹配環節計算量要小很多.因此我們選擇方案2建立指紋庫.

在搭建的實驗場景中，實驗人員共作出10個設定好的手勢，如圖6所示，每個動作做10次，將獲取到的數據輸入，按照第3節和方案2所述過程得到先驗知識庫.

Fig. 6 Ten pre-set gestures圖6 10個預先設定的手勢

Fig. 7 Characteristic curves of three different gestures圖7 3個不同動作對應Tag1的特征曲線

4.3 手勢識別

實驗人員隨機作出手勢，將得到的數據使用3.2節所介紹的算法，可以獲得每個標簽對應的特征向量.圖7展示了同一個標簽對應的3個不同的動作數據得到的特征曲線.可以看出圖7(a)與圖7(c)中Frame1數據特征曲線相近且都與圖7(b)中Frame1曲線差別很大.圖8展示了3次相同動作對應同一標簽的數據得到的特征向量曲線，可以看出3幅圖中每條曲線的形態都很相近.

Fig. 8 Characteristic curve of the same gesture圖8 3次同一動作對應Tag1的特征向量曲線

為了進一步量化相似與相異，將數據輸入DTW算法進行歸整計算，輸出的數據可以量化距離，其輸出圖像可以直觀看出匹配程度.表1給出了使用DTW算法匹配時輸出的直觀圖形，為某手勢與先驗指紋庫中手勢匹配時DTW輸出數據所繪制的圖形.

Table 1 DTW Effect表1 DTW效果展示

第1行為該手勢與知識庫中手勢1對應的特征向量的匹配結果，可以看出2個手勢所對應的特征向量可以匹配成功；第2行為手勢與知識庫中手勢2的匹配結果，可以明顯看出，基本沒有匹配上的特征向量；第3行為該手勢與知識庫中手勢6的匹配結果，也基本匹配不上.因此，認為該手勢與知識庫中的手勢1為同一個手勢，即手勢識別成功.

4.4 性能分析

為了進一步探究本文所提出方法的科學性，實驗者隨機做手勢，每個手勢重復10次，獲取相應的數據.按照前面所述的方法進行匹配，并統計匹配結果.

表2展示了某次實驗數據在匹配時輸出的代價矩陣，從表2中可以直觀地看出：只有第5組識別不正確，其他組均能正確識別.根據所做實驗識別結果的統計結果表明：本方法可達到約85%的正確識別概率，證明本文給出方法具有很高的可行性.

Table 2 Matching Cost Matrix表2 匹配代價矩陣

5 結束語

手勢識別是人機交互的重要組成部分，在智能家居、體感游戲等領域具有很大的應用前景，為人們的生活帶來便利.本文提出的基于RFID技術的手勢識別，成本低廉、實現簡單.該方法根據實際情況提出數據分片的方法對數據進行預處理，再使用SAR算法進行特征向量獲取，最后使用DTW算法進行高分辨率手勢識別.通過實際實驗驗證了本文提出的方法確實可以實現手勢識別，如果該方法趨于成熟，將在智能家居上起到非常大的作用.但是仍然存在3個方面的不足：

1) 實驗中發現RFID數據的獲取速度較慢，手勢持續時間較短時，獲取到的數據量變少，在分片處理時會增加偶然誤差對手勢識別精度的影響.

2) 可識別手勢的數量限制于數據分片的數量和RFID閱讀器獲取相應數據的精確程度.當分片增加時，手勢識別數量增加，每片數據量變少，偶然誤差增大.

3) 分片數量以及分片數據的歸整算法需要進一步優化.

對于以上存在的問題，我們將在以后的深入研究過程中探索更詳盡的解決方案，比如增加數據去噪部分，使得精度和識別速度都能得到顯著的提高.

[1]Kellogg B, Talla V, Gollakota S. Bringing gesture recognition to all devices[C] //Proc of the 11th USENIX Conf on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2014: 303-316

[2] Ziaie P, Muller T, Knoll A. A novel approach to hand-gesture recognition in a human-robot dialog system[C] //Proc of the 1st Workshop on Image Processing Theory, Tools and Applications. Piscataway, NJ: IEEE, 2008: 1-8

[3] Xie Renqiang, Cao Juncheng. Extensible gesture recognition based on acceleration sensor[J]. Chinese Journal of Sensors and Actuators, 2016, 29(5): 659-664 (in Chinese)(謝仁強, 曹俊誠. 基于加速度傳感器的可擴展手勢識別[J]. 傳感技術學報, 2016, 29(5): 659-664)

[4] He Chao, Hu Zhangfang, Wang Yan. A dynamic gesture recognition method based on improved DTW algorithm[J]. Digital Communications, 2013, 40 (3): 21-25 (in Chinese)(何超, 胡章芳, 王艷. 一種基于改進DTW算法的動態手勢識別方法[J]. 數字通信, 2013, 40(3): 21-25)

[5] Sun Li, Sen S, Koutsonikolas D, et al. WiDraw: Enabling hands-free drawing in the air on commodity WiFi devices[C] //Proc of the 21st Int Conf on Mobile Computing and Networking. New York: ACM, 2015: 77-89

[6] Badi H S, Hussein S. Hand posture and gesture recognition technology[J]. Neural Computing & Applications, 2014, 25(3): 871-878

[7] Blum M. After the Kinect, what’s next for gesture-recognition technology?[J]. Pakistan Journal of Biological Sciences Pjbs, 2010, 13(14): 691-698

[8] Wang Jue, Vasisht D, Katabi D. RF-IDraw: Virtual touch screen in the air using RF signals[J]. ACM SIGCOMM Computer Communication Review, 2015, 44(4): 235-246

[9] Youssef M, Mah M, Agrawala A. Challenges: Device-free passive localization for wireless environments[C] //Proc of the 13th ACM Int Conf on Mobile Computing and Networking. New York: ACM, 2007: 222-229

[10] Pu Q, Gupta S, Gollakota S, et al. Whole-home gesture recognition using wireless signals[J]. ACM SIGCOMM Computer Communication Review, 2013, 43(4): 485-486

[11] Wang Yan, Liu Jian, Chen Yingying, et al. E-eyes: Device-free location-oriented activity identification using fine-grained WiFi signatures[C] //Proc of the 20th Int Conf on Mobile Computing and Networking. New York: ACM, 2014: 617-628

[12] Joshi K, Bharadia D, Kotaru M, et al. WiDeo: Fine-grained device-free motion tracing using RF backscatter[C] //Proc of the 12th USENIX Conf on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2015: 189-204

[13] Tan Sheng, Yang Jie. WiFinger: Leveraging commodity WiFi for fine-grained finger gesture recognition[C] //Proc of the 17th ACM Int Symp on Mobile Ad Hoc Networking and Computing. New York: ACM, 2016: 201-210

[14] Huang Yungfa, Yao Tsungyu, Yang Huajui. Performance of hand gesture recognition based on received signal strength with weighting signaling in wireless communications[C] //Proc of the 18th Int Conf on Network-Based Information Systems. Piscataway, NJ: IEEE, 2015: 596-600

[15] Wang Jue, Katabi D. Dude, where’s my card? RFID positioning that works with multipath and non-line of sight[J]. ACM SIGCOMM Computer Communication Review, 2013, 43(4): 51-62

[16] Fortinsimard D, Bouchard K, Gaboury S, et al. Accurate passive RFID localization system for smart homes[C] //Proc of the 3rd IEEE Int Conf on Networked Embedded Systems for Every Application. Piscataway, NJ: IEEE, 2012: 1-8

[17] Chang Liqiong, Chen Xiaojiang, Meng Haining, et al. HALL: High-accuracy and low-cost RFID localization in large-scale environment[C] //Proc of the 14th Annual Int Conf on Mobile Systems, Applications, and Services Companion. New York: ACM, 2016: 17-17

[18] He Wenfeng, Wu Kaishun, Zou Yongpan, et al. WiG: WiFi-based gesture recognition system[C] //Proc of the 24th Int Conf on Computer Communication and Networks. Piscataway, NJ: IEEE, 2015: 1-7

[19] Abdelnasser H, Youssef M, Harras K A. WiGest: A ubiquitous WiFi-based gesture recognition system[C] //Proc of the 33rd IEEE Int Conf on Computer Communications. Piscataway, NJ: IEEE, 2014: 1472-1480

[20] Xiao Qian, Yang Ping, Xu Libo. A gesture recognition method based on MEMS inertial sensor[J]. Chinese Journal of Sensors and Actuators, 2013, 26(5): 611-615 (in Chinese)(肖茜, 楊平, 徐立波. 一種基于MEMS慣性傳感器的手勢識別方法[J]. 傳感技術學報, 2013, 26(5): 611-615)

[21] Cao Chuqing, Li Ruifeng, Zhao Lijun, Gesture recognition based on depth image[J]. Technique Journal of Computer Engineering and Design, 2012, 38 (8): 16-18 (in Chinese)(曹雛清, 李瑞峰, 趙立軍. 基于深度圖像技術的手勢識別方法[J]. 計算機工程, 2012, 38(8): 16-18)

[22] Ding Han, Shangguan Longfei, Yang Zheng et al. Femo: A platform for free-weight exercise monitoring with RFIDs[C] //Proc of the 13th ACM Conf on Embedded Networked Sensor Systems. New York: ACM, 2015: 141-154

ResearchonKeyTechnologiesofRFIDbasedDeviceFreeGestureRecognition

Wang Xuan, Fang Hechuan, Chang Liqiong, Wang Ju, Chen Xiaojiang, Fang Dingyi, Peng Yao, and Chen Feng

(SchoolofInformationScienceandTechnology,NorthwestUniversity,Xi’an710127)

As a vital component of human-computer interaction, gesture recognition has gained a lot of attentions in civilian applications recently. Many applications would benefit from such gesture recognition, e.g. smart phone, smart home system, Kinect, etc. In this work, we introduce an RFID (radio frequency identification) based solution to recognize gestures using COTS (commercial off-the-shelf) RFID tags and readers. The basic idea is treating signal features caused by perturbation of gestures as the fingerprint. Furthermore, we leverage multipath to increase the difficulty of matching, which provides a high recognition rate. Unlike past work, which required user to attach an RFID tag, our method does not require any device to be attached to users. Specifically, we solve the problem that RFID communication is discontinuous in time domain by data slicing. We then capture and extract characteristic matrix corresponding to each gesture by using a synthetic aperture radar (SAR). Finally, we adopt dynamic time warping (DTW) techniques to recognize gestures by matching with the priori gesture fingerprint database. We implement our method using a COTS RFID device and evaluate it with 6 commercial tags. Experimental results demonstrate that this device free method is feasible and it can achieve a correct recognition rate of about 85%.

wireless gesture recognition; radio frequency identification (RFID); device free; synthetic aperture radar (SAR); dynamic time warping (DTW)

2016-08-22；

2017-02-06

國家自然科學基金項目(61572402，61272461)；陜西省教育廳自然科學基金項目(15JK1726)

This work was supported by the National Natural Science Foundation of China (61572402, 61272461) and the Natural Science Foundation of Shaanxi Provincial Education Department (15JK1726).

彭瑤(xyyiezi@163.com)

TP393

WangXuan, born in 1993. PhD candidate. Her main research interest include localization and RFID.

FangHechuan, born in 1992. BE. His main research interest is IoT (fanghechuan@stumail.nwu.edu.cn).

ChangLiqiong, born in 1989. PhD. Her main research interest is IoT (changliqiong@stumail.nwu.edu.cn).

WangJu, born in 1989. PhD. His main research interests include localization and signal processing (ju-w@foxmail.com).

ChenXiaojiang, born in 1973. PhD, professor. Member of CCF. His main research interests include IoT and wireless sensor networks (xjchen@nwu.edu.cn).

FangDingyi, born in 1959. PhD, professor. Member of CCF. His main research interests include IoT and network security (dyf@nwu.edu.cn).

PengYao, born in 1984. PhD, lecturer. Her main research interests include designs of low power RF communication circuits, digital signal processing and wireless communication.

ChenFeng, born in 1978. PhD, assistant researcher. His main research interest is wireless network (xdcf@nwu.edu.cn)