[发明专利]一种基于毫米波雷达的手势识别方法

说明书

本发明公开了一种基于毫米波雷达的手势识别方法，该方法包括:构建卷积神经网络模型；获取多种手势的轨迹图作为训练集F，基于所述训练集F对所述卷积神经网络模型训练，得到优化识别模型；所述手势轨迹图为最大峰值对应的动目标在距离‑多普勒坐标系下的移动轨迹；将识别手势的轨迹图输入所述优化识别模型，以识别出所述识别手势的手势类型。本发明实施方式提供的手势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练，得到优化识别模型，将识别手势的轨迹图输入优化识别模型，能够快速并准确的得到手势类型。手势识别方法较为简单，数据处理量少，计算简单。

技术领域

本发明涉及手势识别技术领域，尤其是涉及一种基于毫米波雷达的手势识别方法。

背景技术

手势动作的识别一般是基于摄像头采集的信息进行处理，以实现不同手势的分类识别。手势识别的应用很广泛，比如远程开启开关、操纵微型电子设备、手语自动翻译等等，可以极大提高人民生活的便利性。但是，用摄像头识别手势动作存在以下的缺点：

(1)摄像头容易受到光线的影响，导致对手势的识别效果不好，一般当光照强度减小一半时，手势识别的准确率会减少三分之一。

(2)摄像头受探测距离的影响，当距离较远时，识别效果不好。而且，当人离传感器越远远时，往往就需要越高的摄像头分辨率，会造成数据量过大和成本过高的问题。

(3)基于摄像头的手势识别算法较为复杂，数据处理量大，导致功耗较大，对计算资源要求高，不便于集成到小型设备中。

(4)当一个摄像头联网后，很容易受到不法分子的攻击，导致隐私泄露。

发明内容

本发明的目的是提供一种基于毫米波雷达的手势识别方法，手势势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练，得到优化识别模型，将识别手势的轨迹图输入优化识别模型，能够快速并准确的得到手势类型。手势识别方法较为简单，数据处理量少，计算简单。

为解决上述问题，本发明的第一方面提供了一种基于毫米波雷达的手势识别方法，该方法包括：构建卷积神经网络模型；获取多种手势的轨迹图作为训练集F，基于所述训练集F对所述卷积神经网络模型训练，得到优化识别模型；将识别手势的轨迹图输入所述优化识别模型，以识别出所述识别手势的手势类型。

进一步地，手势的轨迹图获取方法包括：获取毫米波雷达对一个手势扫描产生的回波数据；基于回波数据得到多张RD图像；分别对每张所述RD图像的谱峰搜索并求出该图像最大峰值，进而得到多个最大峰值点；在RD坐标系下，将多个最大峰值点依次连线，得到该手势的轨迹图。

进一步地，卷积神经网络模型的结构依次包括：输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、第二激励层、第二池化层、第一全连接层、第二全连接层和输出层。

进一步地，识别出识别手势的手势类型步骤包括：基于优化识别模型，分别得到识别手势的轨迹图与训练集F中所有类型手势的概率，所有类型的手势概率之和为1；确定概率高于95％的手势为识别手势的类型。

进一步地，所述不同手势包括前后移动、左右移动、按钮和翻转中的一种或多种。

本发明的第二方面，还提供了一种基于毫米波雷达的手势识别系统，该系统包括：建模模块，构建卷积神经网络模型；训练模块，获取多种手势轨迹图作为训练集F，基于所述训练集F对所述卷积神经网络模型训练，得到优化识别模型；手势识别模块，将识别手势的轨迹图输入所述优化识别模型，以识别出所述识别手势的手势类型。

进一步地，训练模块获取手势的轨迹图的方法包括：获取毫米波雷达对一个手势扫描产生的回波数据；基于所述回波数据得到多张RD图像；分别对每张所述RD图像的谱峰搜索并求出该图像最大峰值，进而得到多个最大峰值点；在RD坐标系下，将多个最大峰值点依次连线，得到该手势的轨迹图。