[发明专利]一种基于距离‑速度特征的手势识别方法

说明书

技术领域

本发明提供一种基于距离-速度特征的手势识别方法，是一种基于雷达信号处理-卷积神经网络的手势识别方法，属于雷达技术领域和人机交互技术领域。

背景技术

对手势动作进行自动识别是机器理解人类手势语言的前提条件。手势识别是指利用某种传感器采集手势信息，然后通过数学算法对手势进行识别，其最终目的是进行设备操控和人机交互。随着计算机技术的发展，手势识别将成为继鼠标、键盘等传统输入工具之后的另一种人机交互方式。目前的手势识别方法包括穿戴传感器设备、光学图像识别等办法，但前者在使用中需要一直穿戴着设备，不仅十分不方便，而且应用范围受到一定的限制；光学图像识别方法容易受到环境的影响，当环境光照发生变化时，识别的错误率会大大增加。

通过雷达进行手势识别是一种新的途径。雷达向目标发送调频电磁波，同时接收被目标反射回来的电磁波，然后通过分析处理解调频后的信号，得到关于目标的距离、速度等信息，再经过进一步的处理得到不同手势的特征信息，达到识别手势的目的。使用雷达进行手势识别不需要穿戴繁杂的设备，不受光照等环境因素的影响，抗干扰能力强，可全天候工作。此外还具有集成度高、体积小、功耗低、成本低、实时性好等优点。

对调频连续波雷达接收到的差频信号进行二维FFT(快速傅里叶变换)处理，可以得到目标的距离-速度信息矩阵(简称为R-D图)。二维FFT的具体处理过程为：首先积累一定调频周期的差拍信号并排列成矩阵，每一行包含一个调频周期，然后分别对每一行和每一列进行FFT，即得到目标的R-D图。这种处理方法可以解除目标速度和多普勒之间的耦合，提高参数估计的精度。不同的手势动作具有不同的R-D特征，据此特征即可以完成手势识别。

卷积神经网络即CNN出现在20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时提出了CNN。CNN无需对图像进行复杂的前期处理，通过局部感受野和参数共享能有效降低网络参数数目，提高训练效率。深度CNN具有多层卷积结构，能够通过卷积层自动获得图像的特征，并完成目标的自动识别。深度CNN具有很强的学习能力，已经成为众多学科领域的研究热点，在模式识别、语音分析等领域得到了广泛应用。

发明内容

1.目的：

本发明专利的目的是提供一种基于距离-速度特征进行手势识别的方法。该方法通过对手势雷达回波进行二维FFT变换，得到目标的R-D图，以此作为深度CNN的输入，对不同的手势进行识别。该方法能够对多种手势进行高精度的实时识别，同时不受环境光照等因素的影响。

2.技术方案：一种基于距离-速度特征的手势识别方法

本发明是一种基于距离-速度特征的手势识别方法，利用电磁波进行非接触式手势识别。通过雷达发射线性调频连续波信号，接收目标回波信号并解调频，得到差拍信号，经采样后发送到PC端进行处理；PC端积累一定时长的差拍信号后进行二维FFT处理，得到目标的R-D图像；根据R-D图像进行动目标检测，检测到运动目标后，将R-D序列输入训练好的卷积神经网络进行实时的手势识别。

本发明是一种基于距离-速度特征的手势识别方法，该方法具体步骤包括：

步骤1，使用调频连续波雷达作为手势传感器，对接收到的差拍信号按慢时间的顺序进行排列，得到雷达回波信号2维矩阵，每行对应一个调频周期(慢时间)，每列对应一个距离单元(快时间)；

步骤2，对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行快速傅里叶变换即FFT，得到包含目标距离和速度信息的R-D图；二维FFT的计算公式如式(1)，

式中，X(l,k)是二维FFT变换的结果，N_F表示慢时间维的采样点数，N_s表示快时间维的采样点数，x_m(n)表示回波矩阵中第m个调频周期中的第n个采样；

步骤3，经试验统计，当目标进入雷达波束后，回波信号强度会发生明显变化，据此变化即可检测出运动目标是否存在；设定动目标检测阈值，当回波强度超过检测阈值时，即认为运动目标存在；检测到运动目标后，系统连续采集12帧差拍信号并进行二维FFT变换，得到R-D图序列；

步骤4，随机选取步骤3得到的4种手势的R-D序列，分为训练集和测试集；将训练集输入深度卷积神经网络进行训练，用经过训练的卷积神经网络对测试集进行识别测试；经过10000次迭代训练，最终得到的卷积神经网络的测试正确率超过98％；