[发明专利]一种基于FMCW雷达的端到端手势识别方法

说明书

本发明公开了一种基于FMCW雷达的端到端手势识别方法，本发明的方法基于FMCW雷达采集手势回波，采用端到端的算法设计思想，利用残差思想及注意力机制设计能够完成特征自动提取及筛选的一维卷积神经网络，并连同LSTM网络完成对单个手势的时序特征利用，从而进行手势分类。由于采取端到端设计思想，可以有效地解决自定义特征效果欠佳，提取不充分的问题，且由于全过程对一维数据进行操作，参数量相较于基于二维数据的识别算法显著降低；并且由于使用循环神经网络中的长短时记忆思想，算法对于数据的时序特征提取充分，并能识别出时序信息中的长时依赖，获得更好的识别效果。本发明的方法也适用于基于毫米波雷达的人体行为的识别。

技术领域

本发明属于毫米波雷达手势识别技术领域，具体涉及基于线性调频连续波(Frequency Modulated Continuous Wave，FMCW)雷达的端到端手势识别方法。

背景技术

手势是一种产生时间较早，表意较为直接的人类沟通信息方式，因其在人日常生活中所起到的举足轻重的作用，手势识别在计算机信号处理领域具有十分重要的地位，是其中研究历史最久，应用场景最多的模式识别技术之一。

目前较为成熟的手势识别技术，大多基于图像与视频等视觉媒介，然而传统的基于光学图像的手势识别技术有着若干局限性。首先，传统基于光学图像的手势识别技术的识别率受到光照条件的限制；同时，设备视距有限，易受阻挡等问题也是基于光学的手势识别技术存在的缺陷；再者，传统基于图像的手势识别技术对运算资源的要求相对较高；并且光学图像的采集存在隐私等伦理问题。相较而言，基于雷达的手势识别具有许多优点，其不受光照条件影响，大大扩展了手势识别系统的使用范围；其可以很好地集成在能耗较低的芯片上，节能高效的运作大大降低系统成本；雷达信号比图像信息更为安全保密，基本不存在涉密隐私问题。可以看出，基于雷达信号处理的收拾识别具有较大的研究意义，具有广泛的应用场景。

现有基于雷达的手势识别算法，多从雷达回波的信号处理角度入手，对于收取回波进行预处理及具体的特征提取，后通过机器学习或深度学习算法进行学习。如文献“ChenZ,Li G,Fioranelli F，et al.Dynamic Hand Gesture Classification Based onMultistatic Radar Micro-Doppler Signatures Using Convolutional Neural Network[C].IEEE Radar Conference,2019:1-5.”基于毫米波雷达发射的线性调频信号，对回波进行短时傅里叶变换以获得手势的时频特征，后通过卷积神经网络进行手势分类；文献“RyuS J,Suh J S,Baek S H,et al.Feature-based hand gesture recognition using anFMCW radar and its temporal feature analysis[J].IEEE Sensors Journal,2018,18(18):7593-7602”中，利用二维傅里叶变换获得手势目标的距离-多普勒图，并在距离-多普勒图中进一步提取特征，以供后续算法学习，此种定义具体特征的预处理方式具有较好的可解释性，但特征提取步骤繁琐，且容易出现特征提取不充分，泛化能力不强等问题。此外，大多现有的手势识别算法提取特征为二维化图像特征，对一维信号二维化处理会导致较大的参数量，并且存在未将手势的时序信息充分利用的可能性。

发明内容

针对现有手势识别算法存在的上述问题，本发明提出了一种基于FMCW雷达的端到端手势识别方法。

本发明的技术方案为：一种基于FMCW雷达的端到端手势识别方法，具体包括如下步骤：

S1.设置雷达系统参数，所述设置的参数包括：雷达载频fc，信号带宽B，信号时宽T，脉冲重复频率PRF，调频斜率K，距离向采样点数n；

S2.设计手势；