[发明专利]一种基于77GHz毫米波雷达信号的手势识别方法

摘要

本发明提供了一种基于77GHz毫米波雷达信号的手势识别方法，包括首先通过雷达获取不同手势动作的中频信号，并创新性地利用一种改进的小波阈值函数对其低频系数进行预处理，解决了由于天线耦合现象造成的近距离手势无法识别的问题，其次，对预处理后的中频信号提取时间‑距离谱图、时间‑速度谱图以及时间‑角度谱图，创新地将三种特征谱图进行拼接得到多元化特征图，并输入到卷积神经网络进行训练，优化了传统识别算法信息表达不完备的问题，同时也有利于网络结构的简化，且最终取得较好的识别效果。

主权项

1.一种基于77GHz毫米波雷达信号的手势识别方法，其特征在于，包括以下步骤：步骤一、设计N个手势动作，并由不同的志愿者在微波暗室环境下进行相应手势的数据采集，总共得到N*ClassNum组数据；步骤二、对雷达原始数据进行解析，获得中频信号x(t)，并从中频信号中提取相应的接收天线对应的中频信号SN_I\Q(t)；步骤三、由于发射天线和接收天线的耦合现象，手势中频信号x(t)中存在着一个能量很大的低频信号，利用小波阈值方法对上述中频信号SN_I\Q(t)进行预处理，选用一种改进的阈值函数，并只对低频系数做处理后，重构得到新的中频信号步骤四、对中频信号进行处理，估计出手势动作的时间‑距离谱图、时间‑速度谱图和时间‑角度谱图，并对三种谱图分别进行数值归一化处理；步骤五、将步骤四中归一化后的时间‑距离谱图、时间‑速度谱图和时间‑角度谱图进行拼接，构造多元化特征谱图A；步骤六、对采集到的N*ClassNum组手势回波数据分别进行步骤二‑步骤六的操作，得到N*ClassNum组原始手势信号多元化特征谱图集步骤七、将步骤六得到的多元化特征谱图集中的每一个样本均进行灰度化处理，得到原始多元化特征图集B；步骤八、对原始多元化特征图集B内的所有样本进行去均值并进行尺度归一化，得到多元化特征图集并对每一幅特征图贴标签；步骤九、将多元化特征图集按照一定的比例分成训练集S_train、验证集S_val和测试集S_test，例如训练集占70％、验证集占20％、测试集占10％；步骤十、将S_train、S_val和其对应的标签一起作为卷积神经网络的输入数据集C_input，并初始化网络权重，其中S_train用来对网络系数进行训练，S_val在训练一段时间后进行网络验证，并通过误差反向传播对网络的权值进行调整；步骤十一、将输入数据集C_input进行一次卷积池化操作，设置卷积核的尺度kernel_size1、卷积步长kernel_stride1以及池化尺寸pool_size1、池化步长pool_stride1，得到特征图集feature1；步骤十二、对特征图集feature1进一步进行卷积池化，提取深层特征，设置卷积核的尺寸kernel_size2、卷积步长kernel_stride2以及池化尺寸pool_size2、池化步长pool_stride2，得到特征图集feature2；步骤十三、对特征图集feature2再进行一次卷积池化操作，提取更深层次特征，设置卷积核的尺寸kernel_size3、卷积步长kernel_stride3以及池化尺寸pool_size3、池化步长pool_stride3，得到特征图集feature3；步骤十四、将feature3依次通过全连接层fc4、fc5、fc6，并分别设置fc4、fc5、fc6的尺寸大小为size4、size5、size6，将特征图集转换成1×size6的列向量v1；步骤十五、将列向量v1通过softmax分类器，其输出为不同的手势类别，通过多次迭代，网络准确率和损失函数趋于稳定，得到训练好的卷积神经网络模型Netmodel。步骤十六、将测试数据集S_test加载到Netmodel中，得到手势分类结果y。