[发明专利]一种基于可变形卷积的FMCW雷达手势识别方法

说明书

本发明提供一种基于可变形卷积的FMCW雷达手势识别方法，通过利用FMCW雷达采集待测手势数据；对待测手势数据进行2D‑FFT处理，得到距离‑多普勒RD图；对距离‑多普勒RD图进行空间维FFT处理，获取角度估计；将距离‑多普勒RD图中的幅值用角度估计替代，生成距离‑速度‑角度信息的RDA图；将RDA图作为输入，利用改进的C3D网络模型，输出得到待测手势的类型；其中，改进的C3D网络模型基于标定的手势类型的雷达数据进行训练得到，其至少一个卷积层包括一路标准卷积结构和一路是可变形卷积残差结构。本方案首先基于雷达数据处理生成RDA)，简洁高效融合手势多维时空特征；同时采用时空可变形卷积，增强了建模能力，改善了手势识别网络的性能。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于可变形卷积的FMCW雷达手势识别方法。

背景技术

手势识别技术在人机交互领域具有重要的应用价值，可用于智能家居、智能驾驶等多种应用场景。目前，基于雷达的智能化手势识别方法，首先采用信号处理技术提取手势的距离、多普勒和角度等物理信息，然后将这些信息输入卷积神经网络，进一步提取特征、融合特征，最终实现多种手势的识别。

现有的基于雷达的智能化手势识别方法，采用的信号处理技术通常独立地提取手势距离、多普勒、角度信息，尤其是在进行角度估计时，常采用计算复杂度高、运算量大的MUSIC算法。虽然MUSIC算法是一种高分辨DOA估计算法，但区分大幅度运动的手势往往不需要很高的角度分辨率。之后使用多个并行的处理架构分别进行信息提取，再进行特征级融合或决策级融合。上述方法未充分挖掘手势距离、多普勒、角度信息间的关联特征，在手势类间差异性大、类内差异性小、需要多用户进行手势操作等复杂场景下，表达手势特征的能力不足，影响最终的手势识别准确率；雷达采集的手势数据，存在手势运动带来尺度变换、比例变换和旋转变换等几何形变特征。传统卷积神经网络通常采用标准卷积操作，但标准卷积的采样点位置固定，针对几何形变的建模能力不强；另外，传统卷积神经网络通常采用堆叠标准卷积模块或者扩大单次卷积操作的卷积核大小的方式来扩大感受野，但同时会带来大量的参数冗余。

发明内容

本发明提供的一种基于可变形卷积的FMCW雷达手势识别方法，主要解决的技术问题是：标准卷积采样位置固定，建模能力弱，影响模型识别性。

为解决上述技术问题，本发明提供一种基于可变形卷积的FMCW雷达手势识别方法，包括：

利用FMCW雷达采集待测手势数据；

对所述待测手势数据进行2D-FFT处理，得到距离-多普勒RD图；

对所述距离-多普勒RD图进行空间维FFT处理，获取角度估计；

将所述距离-多普勒RD图中的幅值用所述角度估计替代，生成距离-速度-角度信息的RDA图；

将所述RDA图作为输入，利用改进的C3D网络模型，输出得到待测手势的类型；其中，所述改进的C3D网络模型基于标定的手势类型的雷达数据进行训练得到，其至少一个卷积层包括一路标准卷积结构和一路是可变形卷积残差结构。

可选的，在所述对所述待测手势数据进行2D-FFT处理之前，还包括：对所述待测手势数据进行相邻帧对消和时域补零；所述相邻帧对消指的是用后一帧的雷达信号X_k+1减去前一帧的雷达信号X_k，得到帧差信号X’_k。

可选的，在所述将所述距离-多普勒RD图中的幅值用所述角度估计替代之前，还包括：选取手势活动区域，对所述RD图作固定门限检测，将信号强度值大于门限阈值的分辨单元保留，将小于所述门限阈值的分辨单元的信号强度值设为0。

可选的，所述门限阈值设置为0.4。

可选的，所述改进的C3D网络模型改进方法包括：