FMCW雷达对手势目标的检测和分类算法研究

• 作 者: 吴金君
• 出 处: 重庆邮电大学
• 发表日期: 2020年01期
• 关键词: FMCW雷达 多维参数数据集 卷积神经网络 手势检测和识别

手势是人类交互方式中一种最直接的手段,近年来手势检测和识别技术逐渐成为人机交互领域中的研究热点。手势识别技术中的数据来源主要包括:可穿戴传感器、视觉传感器和无线信号。人体可穿戴传感器要求用户必须佩戴专用设备,使用成本较高且不具有便利性。而基于视觉技术的摄像头在强光侵蚀、黑暗情况下摄像头可能会无法正常工作,并且存在泄漏用户隐私的风险。调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达具有便利性、鲁棒性和安全性等优势。本文基于FMCW雷达开展手势检测算法研究,具体内容如下:首先,研究感兴趣数据段的提取和手势参数估计方法。通过分析手势动作对时域信号幅值的扰动特性,提取包含手势的感兴趣数据段。然后研究了手势参数的提取,对传统参数估计方法做出改进后得到距离谱、多普勒谱和角度谱。其次,研究多普勒参数估计中的噪声和干扰方法。基于雷达信号处理得到的距离-多普勒图,利用改进的帧差法进行噪声去除。基于恒虚警检测原理在距离-多普勒图中进行目标检测,并利用手势目标运动特性对干扰目标进行抑制。然后,研究基于雷达参数提取的多维数据构建方法。通过将距离谱、多普勒谱和角度谱与时间信息耦合,构建得到距离-时间图、多普勒-时间图和角度-时间图,通过参数-时间图的方式挖掘手势动作的时序信息,并为卷积神经网络构建三个通道的数据集。最后,研究端到端的多分支卷积神经网络。多分支的结构使得模型能够同时提取同一手势的距离-时间图、多普勒-时间图和角度-时间图的特征。通过全连接层对三种特征进行早融合,使得网络结构具有端到端(无需分步训练)的特性。通过采集大量手势数据,并将处理后三种图像数据送入多分支卷积神经网络进行训练和测试。实验结果表明6类手势动作的分类准确率达到了95.33%,并且相较于同类方法具有算法复杂度低的优势,验证了所提算法的可靠性和有效性。