[发明专利]基于FMCW雷达系统的笔画识别方法以及系统

权利要求书

1.一种基于FMCW雷达系统的笔画识别方法，其特征在于，包括：

获取基于FMCW雷达系统手写汉字包含的至少一个待识别笔画的中频信号数据；

通过第一算法对各所述待识别笔画的所述中频信号数据进行特征提取，获得对应的特征矩阵集合；所述特征矩阵集合包含距离-时间矩阵和角度-时间矩阵；所述第一算法为距离特征序列提取和角度特征序列提取结合的特征提取算法；该步骤包括：距离估计，根据所述中频信号数据的格式和笔画挥动过程的趋势变化特征，通过第三算法获取所述中频信号数据的频率矩阵，并将所述频率矩阵转换为距离矩阵之后获得距离随时间变化的距离-时间矩阵，具体包括：

步骤一，获取窗函数以及窗函数的参数；

步骤二，将所述窗函数和所述频率矩阵输入至基于第三算法的矩阵转化模型中，获得所述矩阵转化模型输出的所述距离矩阵；所述基于第三算法的矩阵转化模型为：

，

其中，为经过STFT运算后距离矩阵，为输出长度的频率矩阵，为窗长度的窗函数；

步骤三，将所述距离矩阵进行时间序列组合得到距离-时间矩阵；

角度估计，根据所述中频信号数据的格式和笔画挥动过程的趋势变化特征，通过第四算法获取所述中频信号数据的相位矩阵，并将所述相位矩阵转换为角度矩阵之后获得角度随时间变化的角度-时间矩阵；

通过第二算法对各所述待识别笔画的所述特征矩阵集合进行特征增强，获得对应的特征图集合；所述第二算法为特定区域框定、二值化和开操作结合的特征增强算法；该步骤包括：根据用两种特征矩阵表示的图像获取所述图像中特征区域位置坐标，并根据预设的矩阵框提取所述图像中笔画挥动过程的趋势变化特征；

通过第五算法获得最佳阈值，根据所述最佳阈值将两种所述特征矩阵二值化，获得对应的二值化图像；

对两种所述特征矩阵对应的所述二值化图像进行开操作；

获取训练完成的汉字基本笔画识别模型；所述汉字基本笔画识别模型是指以所述特征图集合为输入参数，以基本笔画类别为输出参数的卷积神经网络模型；

将各所述待识别笔画的所述特征图集合输入至所述汉字基本笔画识别模型中，并获取所述汉字基本笔画识别模型输出的与各所述待识别笔画匹配的基本笔画类别。

2.根据权利要求1所述的基于FMCW雷达系统的笔画识别方法，其特征在于，所述根据所述中频信号数据的格式和笔画挥动过程的趋势变化特征，通过第四算法获取所述中频信号数据的相位矩阵，并将所述相位矩阵转换为角度矩阵之后获得角度随时间变化的角度-时间矩阵，包括：对所述中频信号数据进行快速傅氏变换，获得包含相位信息的相位矩阵；

对所述相位矩阵进行协方差运算获得协方差矩阵，并对预设的空间谱函数进行遍历获得所述角度矩阵；

将所述角度矩阵进行时间序列组合获得所述角度-时间矩阵。

3.根据权利要求1所述的基于FMCW雷达系统的笔画识别方法，其特征在于，还包括：

获取手写汉字预设基本笔画的第一样本数据和第二样本数据；所述第一样本数据和第二样本数据均包含预设数量的预设基本笔画对应的特征图集合；

搭建待训练的汉字基本笔画识别模型，设置模型训练参数和损失函数；

将所述第一样本数据输入至所述汉字基本笔画识别模型进行迭代训练，根据所述损失函数计算所述汉字基本笔画识别模型输出的预测类别结果与实际类别结果之间的损失值；

根据所述损失值判断所述汉字基本笔画识别模型是否训练完成；

将所述第二样本数据输入至训练完成的所述汉字基本笔画识别模型进行测试，获取所述汉字基本笔画识别模型的预测准确率。

4.根据权利要求3所述的基于FMCW雷达系统的笔画识别方法，其特征在于，所述汉字基本笔画识别模型包括具有多个卷积层和多个池化层的卷积神经网路结构和三层全连接神经网路结构。

5.根据权利要求1所述的基于FMCW雷达系统的笔画识别方法，其特征在于，所述基本笔画类别为：

其中，为所述汉字基本笔画识别模型输出的基本笔画类别；为所述汉字基本笔画识别模型的一维数组中输入的所述特征图集合属于第类基本笔画的概率；为概率最大时对应的所述基本笔画类别。