本发明公布了一种基于融合神经网络的雷达手势识别方法，首先，利用二维快速傅立叶变换(Fast Fourier Transform,FFT)求取手势回波中频信号的频谱，采用谱峰估计计算出手势目标的距离和速度参数，并利用多重信号分类(Multiple Signal Classification,MUSIC)方法计算角度参数。其次，利用这三维参数在时间上的累积，将一个完整手势动作映射为多帧距离‑速度矩阵图和角度时间图。然后，利用手势参数图，建立融合神经网络。最后，利用融合神经网络进行手势特征提取和特征融合，并通过全连接层对手势特征进行分类。
本发明提出了一种提升FMCW雷达手势识别精度的干扰抑制方法。首先，利用FMCW雷达采集每个手势动作的扫频数据，并对每一个扫频的雷达数据进行FFT变换，得到手势目标的距离估计，在前一次FFT变换的基础上，对每一个啁啾的雷达扫频数据进行FFT变换，得到手势目标的多普勒估计；其次，将距离估计和多普勒估计进行耦合得到手势目标的RDM后用帧差法去除RDM的背景噪声；然后进行静态和动态干扰抑制；最后将干扰抑制后的RDM图输入到深度3维卷积(3D ConvNets，C3D)网络、膨胀3D卷积(Inflated 3D ConvNet，I3D)网络和时序膨胀3D卷积((Long Short Term Memory network‑Inflated 3D ConvNet，TS‑I3D)网络进行特征提取后分类，输出不同的手势类别。本发明创造新地提出对距离‑多普勒图进行干扰抑制，提高了手势识别的精度。
本发明提出了一种基于稀疏面阵的三维参数估计方法。首先，将面阵所在平面按照信号入射角的范围分为8个区域。在每一个区域内，通过分析稀疏面阵，将稀疏面阵按照信号的入射方向映射为非均匀虚拟线阵，构造稀疏面阵的方向矢量并计算稀疏面阵和非均匀虚拟线阵之间的相位差。其次，将面阵方向矢量分别乘上面阵与虚拟线阵之间的相位差，得到虚拟线阵的方向矢量。在此基础上，构造入射信号并利用三维参数估计算法进行AoA(Arrival of Angle)、ToF(Time of Flight)和DFS(Doppler Frequency Shift)的联合参数估计，并利用谱函数搜索得到一系列的峰值。最后，通过分析稀疏面阵映射为非均匀虚拟线阵的几何关系，利用角度搜索得到正确的入射角对应的峰值。本发明克服了业务天线稀疏面阵排列规则不满足空间采样定理而导致的无法进行参数估计的问题，为实际应用中基于业务天线的室内跟踪定位等应用奠定了理论基础。
