基于时空压缩特征表示学习的毫米波雷达手势识别算法.docx

"基于时空压缩特征表示学习的毫米波雷达手势识别算法" 本文主要介绍了一种基于时空压缩特征表示学习的毫米波雷达手势识别算法，该算法能够克服传统手势识别方法的诸多问题，如光照环境的影响、隐私和功耗的问题。该算法基于调频连续波（Frequency Modulated Continuous Wave，FMCW）毫米波雷达平台，利用其高距离分辨率、天线尺寸小、功耗低的优点进行手势分类。 在该算法中，对接收到的 FMCW 回波反射信号距离-多普勒图进行静态干扰去除和动目标点筛选，减少杂波对手势信号的干扰，同时大大减少数据量的计算。然后，对处理过的距离-多普勒图进行压缩，利用动目标点的主导速度来表示手势的运动特征，实现多维特征的压缩映射，并不丢失手势运动的关键特征信息。设计了一个单通道的卷积神经网络来学习和分类多维手势特征信息在多用户和多位置的手势场景。 本文的主要贡献是：（1）利用特征预处理，进行静态干扰去除和动目标点筛选，有效凸显手势信号和减少无效点的计算，准确提取手势的目标位置；（2）提出一种基于手势时空运动模型的手势识别算法，针对单一特征手势识别精度不高、多维特征多流网络的识别模型复杂的问题，提出手势时空压缩算法，为了利用距离、多普勒和时间信息，在距离-多普勒特征图上利用手势主导速度来表示手势目标的频率响应实现空间上的压缩，并将主导速度信息映射到距离-时间图上实现时间上的压缩，构成手势时空压缩特征图。 此外，本文还回顾了手势识别的相关工作，介绍了雷达的相关知识以及手势特征的提取原理，并对手势的信号模型进行预处理和特征提取，获得压缩的手势时空运动图用来表示手势的时空运动。本文还给出了手势识别中基于压缩的手势时空特征的实验对比结果和分析。 本文提出的基于时空压缩特征表示学习的毫米波雷达手势识别算法能够有效地解决传统手势识别方法的问题，提高手势识别的准确率和效率，并且能够应用于各种手势识别场景中。 此外，本文还对基于雷达的手势特征处理研究现状进行了分析，介绍了基于雷达的手势信号处理和基于深度学习的特征提取两个方面的研究现状。本文提出的算法能够为手势识别技术的研究和应用提供重要的参考价值。