一种毫米波雷达微动手势识别方法

摘要

本发明公开了一种毫米波雷达微动手势识别方法，属于手势识别技术领域，包括通过毫米波雷达发射线性调频信号，并通过信号接收器接收人体手部反射的回波信号，根据线性调频信号构成的发射信号集和回波信号构成的回波信号集获取差频组合集；计算获取差频组合集与差频样本集的匹配度，将匹配度与差频样本集构成的匹配范围进行对比筛选，将符合标准的回波信号集设定为选中信号集；其中，差频样本集是对样本手势进行训练得到的包含若干个样本差频信号的集合；匹配度用来分析判断差频信号是否满足手势识别的要求；本发明用于解决现有方案中通过毫米波雷达进行手势识别时没有预先对无效数据进行处理导致识别效果差的技术问题。

权利要求

1.一种毫米波雷达微动手势识别方法，其特征在于，包括：

通过毫米波雷达发射线性调频信号，并通过信号接收器接收人体手部反射的回波信号，根据线性调频信号构成的发射信号集和回波信号构成的回波信号集获取差频组合集；

计算获取差频组合集与差频样本集的匹配度，将匹配度与差频样本集构成的匹配范围进行对比筛选，将符合标准的回波信号集设定为选中信号集；其中，差频样本集是对样本手势进行训练得到的包含若干个样本差频信号的集合；匹配度用来分析判断差频信号是否满足手势识别的要求；

计算获取差频组合集与差频样本集的匹配度的具体步骤包括：

获取差频组合集中差频信号的数据信息，该数据信息包含差频信号关联的测量速度、测量距离和测量角度，分别获取测量速度、测量距离和测量角度的数值并标记为CS、CJ和CD，对取值标记的各项数据进行归一化处理，通过公式 计算获取采集的差频信号与

差频样本集中样本差频信号的匹配度PP，YSP、YJP和JDP分别为样本差频信号的平均测量速度、平均测量距离和平均测量角度，a1、a2和a3为不同的比例系数；

将匹配度与差频样本集构成的匹配范围进行对比筛选的具体步骤包括：

根据差频样本集获取匹配范围，并将匹配度与匹配范围进行比对筛选，若匹配度属于匹配范围，则判定匹配度对应的差频信号在识别范围内并生成识别指令，根据识别指令将若干个差频信号关联的回波信号按时间排序组合得到选中信号集；

对选中信号集中的回波信号进行滤波处理并监测，得到回波监测集，对回波监测集进行处理和划分，获取回波监测集对应的二维距离‑多普勒图像集并设定为识别图像集，获取识别图像集对应轨迹图的特征峰值点坐标并按时间排序，得到识别排序集；手势的轨迹图为特征点峰值对应的人体手部在距离‑多普勒坐标系下的移动轨迹；根据预设的划分个数将识别排序集进行划分，得到识别划分集；

将识别排序集与预构建的样本手势的识别数据库匹配识别，得到人体手势的识别结果，并根据识别结果对预构建的识别数据库进行优化更新。

2.根据权利要求1所述的一种毫米波雷达微动手势识别方法，其特征在于，构建样本手势的识别数据库，识别数据库包含人体手部不同状态的第一样本集和第二样本集；第一样本集包含第一基准信号和第一训练信号集；第二样本集包含第二基准信号和第二训练信号集；

分别对测试信号与第一样本集和第二样本集进行差频处理并ADC采样，得到包含样本差频信号的差频样本集；

获取第一样本集和第二样本集对应的二维距离‑多普勒图像集并分别进行处理和划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集。

3.根据权利要求2所述的一种毫米波雷达微动手势识别方法，其特征在于，当人体手部处于竖直状态和水平状态时，分别将处于竖直状态和水平状态时人体手部不动的位置设定为第一基准位置和第二基准位置，将不同状态下人体手部移动后的不同位置按时间排列组合，得到第一训练位置集和第二训练位置集，通过毫米波雷达发射测试信号，通过信号接收器接收人体手部反射的回波信号，将第一基准位置和第二基准位置反射的回波信号分别设定为第一基准信号和第二基准信号。

4.根据权利要求3所述的一种毫米波雷达微动手势识别方法，其特征在于，将第一训练位置集和第二训练位置集发射的若干个回波信号分别按时间排列组合，得到第一训练信号集和第二训练信号集；

第一基准信号和第一训练信号集构成第一样本集，第二基准信号和第二训练信号集构成第二样本集。

5.根据权利要求4所述的一种毫米波雷达微动手势识别方法，其特征在于，根据第一样本集中的第一基准信号和第一训练信号集以及第二样本集中的第二基准信号和第二训练信号集获取若干张二维距离‑多普勒图像；

分别对每张二维距离‑多普勒图像的谱峰进行搜索并求出该二维距离‑多普勒图像的特征峰值点；在二维距离‑多普勒坐标系下，将若干个特征峰值点依次连线，得到手部动作的轨迹图；根据预设的划分个数将第一样本集和第二样本集轨迹图上的特征峰值点进行划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集。

6.根据权利要求5所述的一种毫米波雷达微动手势识别方法，其特征在于，得到人体手势的识别结果的具体步骤包括：获取识别排序集中划分的集合数以及集合中的特征峰值点，并分别与第一划分集和第二划分集中划分的特征峰值点进行匹配；

若识别排序集中划分的集合对应的匹配比例至少有k个不小于预设的标准比例，k为正整数，则生成第一识别信号并获取识别排序集对应的手势类型；

若识别排序集中划分的集合对应的匹配比例没有k个不小于预设的标准比例，则生成第二识别信号，根据第二识别信对识别数据库进行优化；其中，匹配比例为划分的集合中特征峰值点匹配相同的比例。

7.根据权利要求6所述的一种毫米波雷达微动手势识别方法，其特征在于，根据第二识别信号将该手势动作标记为修正动作，获取修正动作对应的数据，该数据包含修正动作对应的回波信号和人体手部的位置，将该回波信号和人体手部的位置分别标记为优化回波信号和优化位置，并将优化回波信号和优化位置补充至识别数据库中进行更新优化。

说明书

一种毫米波雷达微动手势识别方法

技术领域

[0001] 本发明涉及手势识别技术领域，具体涉及一种毫米波雷达微动手势识别方法。

背景技术

[0002] 毫米波雷达工作在毫米波段，毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点。

[0003] 现有的基于毫米波雷达进行手势识别方案一般是对采集的回波信号进行处理，然后将回波信号中的特征参数输入至构建的训练模型进行训练并输出识别结果，识别结果包含识别成功和识别失败。

[0004] 但是现有的手势识别方案存在的缺陷在于，没有对采集的回波信号进行分析判定，从而确定人体手部产生的手势是否在识别模型的识别范围，对于不在识别范围内的回波信号同样进行训练识别，进而导致无效数据的处理影响了整体的手势识别效果，并且也没有基于识别的结果对识别模型进行优化更新。

发明内容

[0005] 针对现有技术存在的不足，本发明的目的在于提供一种毫米波雷达微动手势识别方法，解决以下技术问题：如何解决现有方案中通过毫米波雷达进行手势识别时没有预先对无效数据进行处理导致识别效果差的技术问题。

[0006] 本发明的目的可以通过以下技术方案实现：

[0007] 一种毫米波雷达微动手势识别方法，具体的步骤包括：

[0008] S1：构建样本手势的识别数据库，识别数据库包含人体手部不同状态的第一样本集和第二样本集；第一样本集包含人体手部处于竖直状态下移动测试的各项数据，具体包含第一基准信号和第一训练信号集；第二样本集包含人体手部处于水平状态下移动测试的各项数据，具体包含第二基准信号和第二训练信号集；

[0009] S2：分别对测试信号与第一样本集和第二样本集进行差频处理并ADC采样，得到包含样本差频信号的差频样本集；

[0010] S3：获取第一样本集和第二样本集对应的二维距离‑多普勒图像集并分别进行处理和划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集；

[0011] S4：通过毫米波雷达发射线性调频信号，并通过信号接收器接收人体手部反射的回波信号，根据线性调频信号构成的发射信号集和回波信号构成的回波信号集获取差频组合集；

[0012] S5：计算获取差频组合集与差频样本集的匹配度，将匹配度与差频样本集构成的匹配范围进行对比筛选，将符合标准的回波信号集设定为选中信号集；其中，差频样本集是对样本手势进行训练得到的包含若干个样本差频信号的集合；匹配度用来分析判断差频信号是否满足手势识别的要求；

[0013] S6：对选中信号集中的回波信号进行滤波处理并监测，得到回波监测集，获取回波监测集对应的二维距离‑多普勒图像集并设定为识别图像集，获取识别图像集对应轨迹图的特征峰值点坐标并按时间排序，得到识别排序集；根据预设的划分个数将识别排序集进行划分，得到识别划分集；

[0014] S7：将识别排序集与预构建的样本手势的识别数据库匹配识别，得到人体手势的识别结果，并根据识别结果对预构建的识别数据库进行优化更新。

[0015] 进一步地，人体手部处于竖直状态时，将人体手部不动时的位置设定为第一基准位置，将人体手部移动后的不同位置按时间排列组合，得到第一训练位置集，通过毫米波雷达发射测试信号，通过信号接收器接收人体手部反射的回波信号，将第一基准位置反射的回波信号设定为第一基准信号；将第一训练位置集发射的若干个回波信号按时间排列组合，得到第一训练信号集；第一基准信号和第一训练信号集构成第一样本集。

[0016] 进一步地，当人体手部处于水平状态时，将人体手部不动时的位置设定为第二基准位置，将人体手部移动后的不同位置按时间排列组合，得到第二训练位置集，通过毫米波雷达发射测试信号，通过信号接收器接收人体手部反射的回波信号，将第二基准位置反射的回波信号设定为第二基准信号；将第二训练位置集发射的若干个回波信号按时间排列组合，得到第二训练信号集；第二基准信号和第二训练信号构成第二样本集。

[0017] 进一步地，获取第一样本集和第二样本集对应的二维距离‑多普勒图像集的具体步骤包括：

[0018] 对第一样本集和第二样本集中不同的回波信号进行傅里叶变换，得到距离维的一维矩阵，将第一次采集的回波信号得到的一维矩阵设定为二维矩阵N的第一行，将第二次采集的回波信号得到的一维矩阵设定为二维矩阵N的第二行，以此类推，得到第N次采集的回波信号得到的一维矩阵设定为二维矩阵N的第N行；

[0019] 对该二维矩阵N的列向量做傅里叶变换，得到另一个二维矩阵M；该二维矩阵M表示毫米波雷达采集一帧的数据对应的一张二维距离‑多普勒图像；

[0020] 对二维距离‑多普勒图像进行峰谱搜索，获取二维距离‑多普勒图像的峰值点及其对应的数值Fij，i=1，2，3，...，n；j=1，2，3，...，n；i为峰值点的行坐标，j为峰值点的纵坐标，n取值为正整数；

[0021] 将每张二维距离‑多普勒图像中的若干个峰值点中的i、j和Fij作为行向量，若干个行向量构成一个新矩阵P，获取上述矩阵P中第三列的最大值，并把最大值所在行向量记为特征峰值点，以此类推，得到若干个二维距离‑多普勒图像中的特征峰值点；其中，特征峰值点表示对应的人体手部在一段时间内的移动信息，该移动信息包括人体手部与毫米波雷达之间的距离和在这段时间内人体手部相对于毫米波雷达的径向速度；

[0022] 在二维距离‑多普勒坐标系下，将若干个特征峰值点依次连线，得到手部动作的轨迹图；其中，手势的轨迹图为特征点峰值对应的人体手部在距离‑多普勒坐标系下的移动轨迹。

[0023] 进一步地，根据预设的划分个数将第一样本集和第二样本集轨迹图上的特征峰值点进行划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集。

[0024] 进一步地，计算获取差频组合集与差频样本集的匹配度的具体步骤包括：

[0025] 获取差频组合集中差频信号的数据信息，该数据信息包含差频信号关联的测量速度、测量距离和测量角度，分别获取测量速度、测量距离和测量角度的数值并标记为CS、CJ和CD，对取值标记的各项数据进行归一化处理，通过公式 计算获取采集的差频信号与差频样本集中样本差频信号的匹配度PP，YSP、YJP和JDP分别为样本差频信号的平均测量速度、平均测量距离和平均测量角度，a1、a2和a3为不同的比例系数。

[0026] 进一步地，将匹配度与差频样本集构成的匹配范围进行对比筛选的具体步骤包括：

[0027] 根据差频样本集获取匹配范围，并将匹配度与匹配范围进行比对筛选，若匹配度属于差频样本范围，则判定匹配度对应的差频信号在识别范围内并生成识别指令，根据识别指令将若干个差频信号关联的回波信号按时间排序组合得到选中信号集；

[0028] 若匹配度不属于差频样本范围，则判定匹配度对应的差频信号不在识别范围内并生成提示指令，根据提示指令提示手势不规范并重新进行手势识别。

[0029] 进一步地，获取识别排序集中划分的集合数以及集合中的特征峰值点，并分别与第一划分集和第二划分集中划分的特征峰值点进行匹配，将划分的集合中特征峰值点匹配相同的比例并设定为匹配比例，对匹配比例进行分析；

[0030] 若识别排序集中划分的集合对应的匹配比例至少有k个不小于预设的标准比例，k为正整数，则判定手势匹配度高并生成第一识别信号，根据第一识别信号获取识别排序集对应的手势类型；

[0031] 若识别排序集中划分的集合对应的匹配比例没有k个不小于预设的标准比例，则判定手势匹配度中等并生成第二识别信号，根据第二识别信号将该手势动作标记为修正动作，获取修正动作对应的数据对识别数据库进行优化更新。

[0032] 进一步地，根据第二识别信号将该手势动作标记为修正动作，获取修正动作对应的数据，该数据包含修正动作对应的回波信号和人体手部的位置，将该回波信号和人体手部的位置分别标记为优化回波信号和优化位置，并对优化回波信号和优化位置通过S1‑S3进行操作来实现识别数据库的更新优化。

[0033] 本发明的有益效果：

[0034] 本发明中，通过预先构造样本手势的识别数据库，可以为后续的手势识别和手势更新提供了数据支撑，并且对回波信号进行处理分析，判定手势识别的回波信号是否属于识别数据库的识别范围，将不属于识别范围的回波信号不进行训练和识别，避免无效数据的处理影响了整体的手势识别效果，有效提高了手势识别的整体效率。

[0035] 本发明中，通过识别数据库对筛选后的回波信号进行匹配和识别并输出识别结果，在识别过程中可以对手势识别的匹配度进行分析，判断该手势识别的匹配度是否满足优化更新的要求，并且可以根据匹配度中等的手势动作对识别数据库进行优化更新，进一步提高识别数据库的识别效率。

附图说明

[0036] 图1为本发明一种毫米波雷达微动手势识别方法的流程框图。

具体实施方式

[0037] 参照图1所示，本发明为一种毫米波雷达微动手势识别方法，具体的步骤包括：

[0038] S1：构建样本手势的识别数据库，识别数据库包含人体手部不同状态的第一样本集和第二样本集；第一样本集包含人体手部处于竖直状态下移动测试的各项数据，具体包含第一基准信号和第一训练信号集；第二样本集包含人体手部处于水平状态下移动测试的各项数据，具体包含第二基准信号和第二训练信号集；

[0039] 其中，当人体手部处于竖直状态时，将人体手部不动时的位置设定为第一基准位置，将人体手部移动后的不同位置按时间排列组合，得到第一训练位置集，通过毫米波雷达发射测试信号，通过信号接收器接收人体手部反射的回波信号，将第一基准位置反射的回波信号设定为第一基准信号；将第一训练位置集发射的若干个回波信号按时间排列组合，得到第一训练信号集；第一基准信号和第一训练信号集构成第一样本集；

[0040] 当人体手部处于水平状态时，将人体手部不动时的位置设定为第二基准位置，将人体手部移动后的不同位置按时间排列组合，得到第二训练位置集，通过毫米波雷达发射测试信号，通过信号接收器接收人体手部反射的回波信号，将第二基准位置反射的回波信号设定为第二基准信号；将第二训练位置集发射的若干个回波信号按时间排列组合，得到第二训练信号集；第二基准信号和第二训练信号构成第二样本集；

[0041] 本实施例中，构建样本手势的识别数据库时毫米波雷达发射的测试信号与正式识别的发射线性调频信号相同，均可以通过相同的77GHz LFMCW毫米波雷达实现；通过对不同状态的人体手部进行分类和识别，可以更高效全面的建立识别数据库，以便更精准的对人体手部的手势移动进行识别；

[0042] 需要注意的是，手势移动包括但不限于人体手部竖直状态下在识别距离范围内的前后、左右和上下移动以及人体手部水平状态下在识别距离范围内的前后、左右和上下移动，识别距离范围可以预先进行设定，可以提高手势识别的精准度，本实施例中识别距离的最大长度可以为1.2m，识别距离的最小长度可以为0.3m，即在水平方向可以识别的距离为0.9m，以毫米波雷达为基点、在竖直方向的上下高度均可以为0.2m，即在竖直方向可以识别的距离为0.4m。

[0043] S2：分别对测试信号与第一样本集和第二样本集进行差频处理并ADC采样，得到包含样本差频信号的差频样本集；

[0044] 本实施例中，差频样本集用于获取差频样本范围，并通过差频样本范围可以对采集的差频信号集进行匹配筛选，判断识别的回波信号是否属于样本训练的回波信号范围，基于回波信号判断识别的手势类型是否在识别范围内，当手势类型不在识别范围时则进行提示且不进行后续的识别操作，相比于现有的对回波信号进行一系列的处理、训练和匹配并提示手势识别失败的方案，本发明可以有效提高识别的效率并节省数据资源的消耗；

[0045] S3：获取第一样本集和第二样本集对应的二维距离‑多普勒图像集并分别进行处理和划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集；具体的步骤包括：

[0046] 对第一样本集和第二样本集中不同的回波信号进行傅里叶变换，得到距离维的一维矩阵，将第一次采集的回波信号得到的一维矩阵设定为二维矩阵N的第一行，将第二次采集的回波信号得到的一维矩阵设定为二维矩阵N的第二行，以此类推，得到第N次采集的回波信号得到的一维矩阵设定为二维矩阵N的第N行；

[0047] 对该二维矩阵N的列向量做傅里叶变换，得到另一个二维矩阵M；该二维矩阵M表示毫米波雷达采集一帧的数据对应的一张二维距离‑多普勒图像；

[0048] 对二维距离‑多普勒图像进行峰谱搜索，获取二维距离‑多普勒图像的峰值点及其对应的数值Fij，i=1，2，3，...，n；j=1，2，3，...，n；i为峰值点的行坐标，j为峰值点的纵坐标，n取值为正整数；

[0049] 将每张二维距离‑多普勒图像中的若干个峰值点中的i、j和Fij作为行向量，若干个行向量构成一个新矩阵P，获取上述矩阵P中第三列的最大值，并把最大值所在行向量记为特征峰值点，以此类推，得到若干个二维距离‑多普勒图像中的特征峰值点；其中，特征峰值点表示对应的人体手部在一段时间内的移动信息，该移动信息包括人体手部与毫米波雷达之间的距离和在这段时间内人体手部相对于毫米波雷达的径向速度；

[0050] 在二维距离‑多普勒坐标系下，将若干个特征峰值点依次连线，得到手部动作的轨迹图；其中，手势的轨迹图为特征点峰值对应的人体手部在距离‑多普勒坐标系下的移动轨迹；

[0051] 具体地，依次将每个特征峰值点的第一列和第二列分别作为横坐标和纵坐标，依次将相邻特征峰值点进行标记并连线，最终得到一个图像，该图像则为手势的轨迹图；

[0052] 根据预设的划分个数将第一样本集和第二样本集轨迹图上的特征峰值点进行划分，得到第一样本集对应的第一划分集和第二样本集对应的第二划分集；

[0053] S4：通过毫米波雷达发射线性调频信号，并通过信号接收器接收人体手部反射的回波信号，线性调频信号构成的发射信号集和回波信号构成的回波信号集通过差频获取差频组合集；

[0054] S5：计算获取差频组合集与差频样本集的匹配度，将匹配度与差频样本集构成的匹配范围进行对比筛选，将符合标准的回波信号集设定为选中信号集；其中，差频样本集是对样本手势进行训练得到的包含若干个样本差频信号的集合；匹配度用来分析判断差频信号是否满足手势识别的要求；具体的步骤包括：

[0055] 获取差频组合集中差频信号的数据信息，该数据信息包含差频信号关联的测量速度、测量距离和测量角度，分别获取测量速度、测量距离和测量角度的数值并标记为CS、CJ和CD，对取值标记的各项数据进行归一化处理，通过公式 计算获取采集的差频信号与差频样本集中样本差频信号的匹配度PP，YSP、YJP和JDP分别为样本差频信号的平均测量速度、平均测量距离和平均测量角度，a1、a2和a3为不同的比例系数；

[0056] 根据差频样本集获取匹配范围，并将匹配度与匹配范围进行比对筛选，若匹配度属于差频样本范围，则判定匹配度对应的差频信号在识别范围内并生成识别指令，根据识别指令将若干个差频信号关联的回波信号按时间排序组合得到选中信号集；其中，匹配范围根据差频样本集中的最小变化速度、最小变化距离和最小变化角度以及最大变化速度、最大变化距离和最大变化角度分别与平均测量速度、平均测量距离和平均测量角度通过上述公式来设定，得到匹配范围的最小值和最大值；

[0057] 若匹配度不属于差频样本范围，则判定匹配度对应的差频信号不在识别范围内并生成提示指令，根据提示指令提示手势不规范并重新进行手势识别；

[0058] 本实施例中，差频信号与线性调频信号和接收的回波信号相关联，并对毫米波雷达建立圆柱坐标系，人体手部的位置通过水平距离、方位角和高度进行定位，根据人体手部的位置变化获取到测量速度、测量距离和测量角度；手势识别不规范包括但不限于识别的距离、识别的速度以及动作的类型超过了识别数据库的识别范围，需要重新进行手势识别。

[0059] S6：对选中信号集中的回波信号进行滤波处理并监测，得到回波监测集，获取回波监测集对应的二维距离‑多普勒图像集并设定为识别图像集，获取识别图像集对应轨迹图的特征峰值点坐标并按时间排序，得到识别排序集；

[0060] 根据预设的划分个数将识别排序集进行划分，得到识别划分集；

[0061] 本实施例中，回波监测集对应的二维距离‑多普勒图像集的获取方案与第一样本集和第二样本集对应的二维距离‑多普勒图像集的获取方案相同；对识别排序集进行划分可以实现对识别手势的模块化分析，有利于提高手势识别分析的准确性；

[0062] 需要注意的是，在巴特沃斯低通滤波器下进行滤波处理，二维距离‑多普勒图像集中的二维距离‑多普勒图像可以为100张，则对应的特征峰值点也为100个，预设的划分个数可以为10个，则100个特征峰值点被均等划分成10份；对识别排序集进行划分的目的是为了后续的更精准的对手势进行匹配和优化。

[0063] S7：将识别排序集与预构建的样本手势的识别数据库匹配识别，得到人体手势的识别结果，并根据识别结果对预构建的识别数据库进行优化更新；具体步骤包括：

[0064] 获取识别排序集中划分的集合数以及集合中的特征峰值点，并分别与第一划分集和第二划分集中划分的特征峰值点进行匹配，将划分的集合中特征峰值点匹配相同的比例并设定为匹配比例，对匹配比例进行分析；

[0065] 若识别排序集中划分的集合对应的匹配比例至少有k个不小于预设的标准比例，k为正整数，则判定手势匹配度高并生成第一识别信号，根据第一识别信号获取识别排序集对应的手势类型；

[0066] 若识别排序集中划分的集合对应的匹配比例没有k个不小于预设的标准比例，则判定手势匹配度中等并生成第二识别信号，根据第二识别信号将该手势动作标记为修正动作，获取修正动作对应的数据对识别数据库进行优化更新；具体的步骤包括：

[0067] 获取修正动作对应的数据，该数据包含修正动作对应的回波信号和人体手部的位置，将该回波信号和人体手部的位置分别标记为优化回波信号和优化位置，并对优化回波信号和优化位置通过S1‑S3进行操作来实现识别数据库的更新优化。

[0068] 经过S5操作后的选中信号集关联的手势均能正常识别，但是识别的准确度需要进一步进行确定以便更好的对识别数据库进行优化；本实施例中，预设的标准比例可以为90%，k的取值可以为8，即在100个特征峰值点被均等划分成10份中，每一份中至少有90%相同的特征峰值点且至少有8份相同的情况下才判定手势匹配度高，达不到该标准的手势识别则判定手势匹配度中等，需要对识别数据库进行更新优化。

[0069] 本发明中的公式是去除量纲取其数值计算，通过采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设比例系数由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取。

[0070] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。