In recent years, the researchers have witnessed the important role of air gesture recognition in human-computer interactive (HCI), smart home, and virtual reality (VR). The traditional air gesture recognition method mainly depends on external equipment (such as special sensors and cameras) whose costs are high and also with a limited application scene. In this paper, we attempt to utilize channel state information (CSI) derived from a WLAN physical layer, a Wi-Fibased air gesture recognition system, namely, WiNum, which solves the problems of users’ privacy and energy consumption compared with the approaches using wearable sensors and depth cameras. In the process of recognizing the WiNum method, the collected raw data of CSI should be screened, among which can reflect the gesture motion. Meanwhile, the screened data should be preprocessed by noise reduction and linear transformation. After preprocessing, the joint of amplitude information and phase information is extracted, to match and recognize different air gestures by using the S-DTW algorithm which combines dynamic time warping algorithm (DTW) and support vector machine (SVM) properties. Comprehensive experiments demonstrate that under two different indoor scenes, WiNum can achieve higher recognition accuracy for air number gestures; the average recognition accuracy of each motion reached more than 93%, in order to achieve effective recognition of air gestures.

中文翻译：

---

使用WLAN物理层信息的空中手势识别

近年来，研究人员目睹了空中手势识别在人机交互（HCI），智能家居和虚拟现实（VR）中的重要作用。传统的空中手势识别方法主要依赖于成本高且应用场景有限的外部设备（例如特殊传感器和照相机）。在本文中，我们尝试利用从WLAN物理层获得的信道状态信息（CSI），这是一种基于Wi-Fi的空中手势识别系统，即WiNum，与使用该方法的方法相比，它解决了用户的隐私和能耗问题。穿戴式传感器和深度相机。在识别WiNum方法的过程中，应对收集到的CSI原始数据进行筛选，以反映手势动作。与此同时，筛选后的数据应通过降噪和线性变换进行预处理。经过预处理后，通过结合动态时间规整算法（DTW）和支持向量机（SVM）属性的S-DTW算法，提取幅度信息和相位信息的联合，以匹配和识别不同的手势。综合实验表明，在两个不同的室内场景下，WiNum可以实现更高的空中数字手势识别精度。为了实现对空中手势的有效识别，每个动作的平均识别精度达到93％以上。通过结合使用动态时间规整算法（DTW）和支持向量机（SVM）属性的S-DTW算法来匹配和识别不同的手势。综合实验表明，在两个不同的室内场景下，WiNum可以实现更高的空中数字手势识别精度。为了有效地识别空中手势，每个动作的平均识别精度达到93％以上。通过结合使用动态时间规整算法（DTW）和支持向量机（SVM）属性的S-DTW算法来匹配和识别不同的手势。综合实验表明，在两个不同的室内场景下，WiNum可以实现更高的空中数字手势识别精度。为了有效地识别空中手势，每个动作的平均识别精度达到93％以上。