[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，属于手势识别技术领域，包括：S1、构建卷积神经网络模型；S2、利用机器学习的方法，获取多种手势的轨迹图来训练神经网络模型，建立降噪优化后的手势训练集；S3、毫米波雷达发射无线信号，信号被用户手部动作调制后反射，反射信号再被毫米波雷达捕获采集；S4、毫米波雷达对捕获信号进行处理，获得一个帧序列信号，并将帧序列信号输入神经网络进行学习分类，最终得到手势识别结果并输出；本发明基于毫米波雷达的手势识别方法相对于传统的摄像头方式识别方式，其识别操作灵活度好，能够识别较为复杂的手势动作，且抗干扰能力强，识别准确性高，计算简单。

技术领域

本发明属于手势识别技术领域，具体涉及一种基于毫米波雷达的手势识别方法。

背景技术

基于毫米波雷达的手势识别是利用电磁波获取人体动态手势的运动特征，实现手势的自动识别。作为一种非接触式识别方式，它可以实现简单高效的信息交互，在医疗、汽车、娱乐等方面都有广泛应用需求，近年来已成为国内外研究热点，其相对于摄像头，毫米波雷达可以更好的保护客户隐私，而且算法简单不需要GPU以及神经网络的支持，因此反应更快功耗更低。在应对恶劣天气方面，毫米波雷达具有天然优势，全天的传感器，灰尘雨雾都可能让摄像头失效，无法获取有效图片，再强大的神经网路也无法正确识别，毫米波雷达由于穿透性强，恶劣环境下依然可以有效工作。

发明内容

本发明的目的在于提供一种基于毫米波雷达的手势识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于毫米波雷达的手势识别方法，包括：

S1、构建卷积神经网络模型；

S2、利用机器学习的方法，获取多种手势的轨迹图来训练神经网络模型，建立降噪优化后的手势训练集；

S3、毫米波雷达发射无线信号，信号被用户手部动作调制后反射，反射信号再被毫米波雷达捕获采集；

S4、毫米波雷达对捕获信号进行处理，获得一个帧序列信号，并将帧序列信号输入神经网络进行学习分类，最终得到手势识别结果并输出。

进一步地，所述S2中手势训练集内的手势类别包括左划、右划、向上、向下、顺时针和逆时针。

进一步地，所述S2中手势训练集内所有类别手势的概率之和为1。

进一步地，所述S4中帧序列信号包含有角度、距离、多普勒频移等特征值。

进一步地，所述S4中神经网络对帧序列信号进行学习分类的过程在python中实现，并将学习准确率最高的神经网络模型保存为.pkl的格式。

进一步地，所述S4中对帧序列信号进行学习分类的神经网络为resnet。

进一步地，所述S4中对帧序列信号的识别采用调用python脚本的方式导入训练好的神经网络模型。

进一步地，所述S4中python脚本的调用由Matlab进行，并返还给Matlab一个手势识别结果值。

与现有技术相比，本发明的有益效果是：

本发明，通过卷积神经网络模型对多种手势的轨迹图训练，得到降噪优化后的手势训练集，并当使用毫米波雷达再次进行手部动作(手势)识别时，可对手部动作调制后反射的信号再次进行处理，并形成帧序列信号输入神经网络进行学习分类，得到准确的手势识别结果并输出，最终实现对设备或软件的可靠控制，该种基于毫米波雷达的手势识别方法相对于传统的摄像头方式识别方式，其识别操作灵活度好，能够识别较为复杂的手势动作，且抗干扰能力强，识别准确性高，计算简单。

附图说明

图1为本发明一种基于毫米波雷达的手势识别方法的流程图。