[发明专利]一种基于成像雷达的手势识别方法

说明书

本发明涉及一种基于成像雷达的手势识别方法。属于人机交互领域。本发明方法使用成像雷达作为硬件载体，结合自编码技术和循环神经网络实现了对用户动态手势的高准确率识别。本方法对不同的成像雷达都能应用。相对于基于摄像头设备实现的手势识别方法，本方法实现的模组更加轻便，识别环境中的手势时同时不受光线强弱的影响，因为不需要摄像头拍摄录像，这个方法不会泄露用户隐私，可以在很多比如智能家电控制、智能汽车驾驶室控制等场景中应用。

技术领域

本发明涉及一种基于成像雷达的手势识别方法，属于人机交互技术领域。

背景技术

近年来，手势识别是人机交互的一个研究热点。传统的手势识别方法是基于摄像头采集的图像进行识别。摄像头拍摄的图像能够清晰地保留手部信息，但是图像过大，其中也包含了很多对于手势识别无用的数据。对摄像头图像的实时处理不但要求较高的硬件计算速度，获得的手势识别结果还受环境光线的影响，这种方法在很多场合无法实现较高的手势识别准确率。而且由于摄像头会拍摄用户图像，容易带来隐私问题。有一些方法使用超声波雷达和机器学习实现手势识别方法。由于超声波雷达的分辨率特别低，很难实现较高的手势识别率。

提高手势识别的识别精度是手势识别的一个重要目标。成像雷达的分辨率比超声波的分辨率高，成像结果不受环境光线影响，探测范围可以穿透物体障碍。使用成像雷达进行手识别时，信号数据量小，对硬件计算速度要求低。如果探索一种有效的方法对成像雷达的数据进行处理，实现高精度的手势识别。将有很大的应用前景。

发明内容

本发明的目的是提出一种基于成像雷达的手势识别方法，以克服已有技术中的动态手势识别率低，手势识别效果受环境光线影响较大等问题，以提高手势识别的正确率。

本发明提出的基于成像雷达的手势识别方法，该方法包括以下步骤：

(1)采集待识别动态手势的雷达图像，将采集的图像构成一个矩阵A，矩阵A是一个(N*S*T)*(W*H)矩阵，矩阵A中包括了N种动态手势，每种动态手势有S个样本序列，每个样本序列由T张雷达图像构成，每张雷达图像包含W*H个像素，其中W为雷达图像的宽度，H为雷达图像的高度；

(2)采集任意手势的雷达图像，构成一个矩阵B，矩阵B是一个M*(W*H)的矩阵，其中，矩阵B中包含了M张雷达图像，每张雷达图像包含W*H个像素，W、H与步骤(1)中相同，其中W为雷达图像的宽度，H为雷达图像的高度；

(3)构建一个自编码-解码神经网络E，具体包括以下步骤：

(3-1)自编码-解码神经网络E的第一层为卷积神经网络，卷积神经网络的卷积核权重W1为一个L_w1*P_w1*Q_w1矩阵，其中，L_w1为该卷积核的通道数，P_w1为该卷积核的宽度，Q_w1为该卷积核的高度；

(3-2)自编码-解码神经网络E的第二层为池化神经网络，池化神经网络的卷积核权重W2为2*2矩阵；

(3-3)自编码-解码神经网络E的第三层为卷积神经网络，卷积神经网络的卷积核权重W3为一个L_W3*P_W3*Q_W3矩阵，其中，L_W3为该卷积核的通道数，P_W3为该卷积核的宽度，Q_W3为该卷积核的高度；

(3-4)自编码-解码神经网络E的第四层为池化神经网络，池化神经网络的卷积核W4为2*2矩阵；

(3-5)自编码-解码神经网络E的第五层为全连接神经网络，神经元个数为F5，神经元权重为W5；

(3-6)自编码-解码神经网络E的第六层为全连接神经网络，神经元个数为F6，神经元权重为W6；