The invention discloses a depth learning gesture recognition method based on radar signal. Firstly, the IF signal of each gesture is obtained by radar, and the IF signal matrix under each transmitting antenna and receiving antenna is extracted. Secondly, the signal frequency is extracted by Fourier transform to obtain the distance in the signal. Then, a three-dimensional convolution neural network and a long-short memory network are established to input the processed radar signals into the network for training. Finally, gesture recognition is carried out according to the features extracted by the depth learning network. The method solves the problems of limited use conditions and poor robustness of traditional recognition algorithms, and can realize accurate classification of multiple gestures.
【技术实现步骤摘要】
基于FMCW雷达信号的深度学习手势识别方法
本专利技术属于手势识别技术,具体涉及一种基于雷达信号的深度学习手势识别方法。
技术介绍
在人机交互迅猛发展的时代,手势识别作为其极其重要的研究领域,已经引起了世界各国的高度重视。在手势识别初期,人们主要着重于基于传感器(Sensor),特别是基于数据手套(DataGlove)的手势识别研究。当时,研究人员佩戴一个集成了各种功能传感器的“手套”。该设备另一端连接到计算机,计算机可以获取到手的位置信息、手指的伸展信息等,从而进行手势的识别。后来随着计算机视觉的发展,基于视觉的人体手势识别研究成为实现新一代人机交互的一项关键技术,该技术主要是利用摄像头去采集人体手势动作的图像或视频,通过图像处理技术和计算机视觉的方法识别人体手势。但以上手势识别技术一般都有很大的使用限制,首先,传统手势识别方法需要对特定的手势设计相应的特征,当更换手势动作时,相应的特征和权重也需要随之调整,而且上述方法的学习能力有限且算法鲁棒性较差;第二,摄像头在昏暗的光下很难捕捉到清晰图像,这样导致识别应用场景受到了很大的限制。为了解决上述问题且为了对手势实现精确的分类,本专利技术提出了一种新的基于雷达信号的手势识别方法。
技术实现思路
本专利技术的目的是提供一种基于雷达信号和深度学习的手势分类方法,它能有效的解决传统识别使用环境受限以及算法鲁棒性差的问题,且能实现多种手势的精确分类。本专利技术所述的基于雷达信号和深度学习的手势分类方法,包括以下步骤:步骤一、设计手掌前推、后拉、左摆、右摆、前后推拉和左右挥动六个手势动作,并且利用调频连续波(Freque ...
【技术保护点】
1.基于雷达信号的深度学习手势识别方法,其特征在于,包括以下步骤:步骤一、设计手掌前推、后拉、左摆、右摆、前后推拉和左右挥动六个手势动作,并且利用调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达采集训练和测试手势数据集的雷达源数据文件生成原始的中频信号矩阵A;从原始中频信号矩阵A中提取某一发射天线和接收天线对应的帧信号矩阵Fk;步骤二、构造汉明窗Whanming,并将其与帧信号矩阵Fk进行旁瓣抑制处理得到帧信号矩阵Fk′;步骤三、将帧信号矩阵Fk′的每一列信号Fk′c进行傅里叶变换生成距离信号矩阵Sk;步骤四、根据距离信号矩阵Sk中的频率分量计算信号所表示的实际距离,得到信号幅值矩阵Rk;步骤五、将帧信号矩阵Sk的每一行行矩阵信号Skr进行傅里叶变换,生成速度信号矩阵S′k;步骤六、根据速度信号矩阵S′k中频率分量计算信号所表示的实际速度,得到信号幅值矩阵R′k;步骤七、计算信号序列B中各帧信号{B1 ... Bi ... Bf}(1≤i≤f)包含手势速度和距离信息的幅值矩阵(R1 R2 ... Rf);步骤八、将生成的幅值矩阵(R1 ...
【技术特征摘要】
1.基于雷达信号的深度学习手势识别方法,其特征在于,包括以下步骤:步骤一、设计手掌前推、后拉、左摆、右摆、前后推拉和左右挥动六个手势动作,并且利用调频连续波(FrequencyModulatedContinuousWave,FMCW)雷达采集训练和测试手势数据集的雷达源数据文件生成原始的中频信号矩阵A;从原始中频信号矩阵A中提取某一发射天线和接收天线对应的帧信号矩阵Fk;步骤二、构造汉明窗Whanming,并将其与帧信号矩阵Fk进行旁瓣抑制处理得到帧信号矩阵Fk′;步骤三、将帧信号矩阵Fk′的每一列信号Fk′c进行傅里叶变换生成距离信号矩阵Sk;步骤四、根据距离信号矩阵Sk中的频率分量计算信号所表示的实际距离,得到信号幅值矩阵Rk;步骤五、将帧信号矩阵Sk的每一行行矩阵信号Skr进行傅里叶变换,生成速度信号矩阵S′k;步骤六、根据速度信号矩阵S′k中频率分量计算信号所表示的实际速度,得到信号幅值矩阵R′k;步骤七、计算信号序列B中各帧信号{B1...Bi...Bf}(1≤i≤f)包含手势速度和距离信息的幅值矩阵(R1R2...Rf);步骤八、将生成的幅值矩阵(R1R2...Rf)预处理为深度学习网络的输入数据Xinput,并初始化网络权重;步骤九、将输入信号矩阵Xinput进行卷积池化操作获取初步的浅层特征结果,得到池化矩阵Pool1;步骤十、将池化矩阵Pool1重复步骤九中的卷积核池化操作,设置卷积核个数nkernel2,得到表示特征图的池化结果Pool2;步骤十一、对池化结果Pool2进行进一步的卷积池化,提取深度特征结果,得到池化矩阵Pool3;步骤十二、将Pool3按照步骤十一重复两次进行卷积核池化操作,得到nkernel5个f′×m′×n′维的特征映射图Pool5;步骤十三、将nkernel5个f′×m′×n′维的特征映射图Feat5维度转置得到s1×s2维的特征向量Xfeature;步骤十四、设置长短期记忆网络(LongShort-TermMemory,LSTM)的输入层为上一步骤中...
【专利技术属性】
技术研发人员:田增山,王沙沙,吴金君,王勇,赵泽东,贾秀倩,李艳春,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。