一种基于轻量化计算与存储的手势识别方法及系统技术方案

本申请公开了一种基于轻量化计算与存储的手势识别方法及系统，属于手势识别技术领域，该方法包括：利用毫米雷达采集毫米波雷达原始数据，并生成点云数据；基于点云数据，提取特征向量并构建特征向量矩阵以捕捉手势动态变化；基于特征向量矩阵，采集不同手势的毫米波雷达数据，并进行人工标注得到毫米波雷达手势数据集；构建CNN‑LSTM混合神经网络模型并基于手势数据集进行训练，获得Keras模型；将Keras模型转换成适用于嵌入式端的轻量级神经网络模型；将轻量级神经网络模型部署到带有Arm Cortex‑M核心的毫米波雷达芯片上进行手势识别。该方法降低了计算复杂度和存储需求，增强了系统的独立性和数据安全性。

【技术实现步骤摘要】

本申请涉及手势识别，尤其涉及一种基于轻量化计算与存储的手势识别方法及系统。

技术介绍

1、随着智能硬件技术的快速发展，手势识别作为人机交互的重要方式，在智能设备中的应用价值日益凸显。传统的手势识别技术通常依赖摄像头或红外传感器来采集信息，虽已取得显著进展，但其性能易受环境光照变化及探测距离限制，且需要消耗大量计算资源处理高维传感数据。相较之下，毫米波雷达凭借其全天候工作能力、非接触式检测特性和优异的隐私保护优势，已在生物特征监测、车载雷达等领域展现出独特的技术价值。

2、近年来，毫米波雷达与人工智能的深度融合为手势识别开辟了新路径。当前主流方案普遍采用云端或上位机部署的深度神经网络架构，虽能保持较高识别准确率，但在实际落地中面临三重挑战：首先，海量参数模型对嵌入式设备的存储空间形成显著压力，以典型毫米波雷达处理平台为例，其片上存储通常难以承载超百万级参数的神经网络；其次，复杂模型的计算强度远超边缘设备算力边界，导致实时性难以保障；再者，部分云边协同架构虽缓解了本地计算压力，却引入了不可忽视的通信延迟，同时带来系统功耗攀升和隐私数据泄露风险。这些本文档来自技高网...

【技术保护点】

1.一种基于轻量化计算与存储的手势识别方法，其特征在于，包括：

2.根据权利要求1所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述S1中毫米波雷达点云数据包含空间坐标、速度和信噪比信息。

3.根据权利要求2所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述S2包括：

4.根据权利要求3所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述S206中通过滑动时间窗口技术构建毫米波雷达数据的特征向量矩阵，包括：

5.根据权利要求3所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述平均信噪比、加权平均距离、加权平均速...

【技术特征摘要】

1.一种基于轻量化计算与存储的手势识别方法，其特征在于，包括：

2.根据权利要求1所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述s1中毫米波雷达点云数据包含空间坐标、速度和信噪比信息。

3.根据权利要求2所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述s2包括：

4.根据权利要求3所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述s206中通过滑动时间窗口技术构建毫米波雷达数据的特征向量矩阵，包括：

5.根据权利要求3所述的基于轻量化计算与存储的手势识别方法，其特征在于，所述平均信噪比、加权平均距离、加权平均速度和质心处的加权质心坐标的计算方式包括：

6.根据权利要求1所述的基于轻量化计算与存储的手...

【专利技术属性】
技术研发人员：朱华，阮俊恺，李奥杰，
申请(专利权)人：深圳大学，
类型：发明
国别省市：