摘要
随着手势识别技术的日渐成熟，其在交通、教育以及影音娱乐等领域内的应用愈加广泛。在目前主流的手势识别方案中，基于调频连续波(FrequencyModulatedContinuousWave,FMCW)雷达的手势识别系统凭借其具备的隐私性好、抗干扰能力强、集成度高等优点受到越来越多的关注。然而当前雷达手势识别的研究中仍存在手势信息维度单一，实时识别功能缺失，分类器结构较为复杂等问题，针对这些问题，本文基于调频连续波雷达进行了以下研究。 针对手势信息维度单一的问题，本文对手势的距离、多普勒速度以及水平角度这三种运动参数进行了提取。首先通过对雷达中频信号进行快速傅里叶变换(FastFourierTransform,FFT)，求取手势的距离参数。然后，基于同一物体在连续的调频脉冲中的快时间域FFT相位差求取手势的多普勒速度参数。最后基于同一物体与不同接收天线之间的距离差导致的距离FFT峰值相位差求取手势的水平角度参数。最后本文根据提取出的三种手势运动参数构建了多维参数数据集。 针对当前国内外雷达手势识别研究中存在的因需要手动提取手势数据段而导致的手势实时识别功能缺失的问题，本文提出了基于实时距离参数的不相干运动物体滤除方法和基于实时速度参数的感兴趣数据段提取算法，实现了对不相干运动物体的快速滤除以及手势运动数据段的快速提取，可以准确地从连续的数据流中快速提取出只包含手势运动数据的感兴趣数据段。 针对手势分类器结构较为复杂的问题，本文根据手势特征图像的特点设计了一个浅层卷积神经网络模型去对预先设计好的6种手势进行识别分类。该浅层卷积神经网络模型在保证较高手势识别准确率的同时大大降低了计算复杂度，有效提高了手势识别的实时性。 最后本文对雷达手势识别系统进行了测试，测试结果表明该系统可对预先设计的6种手势进行准确识别，识别准确率达到96%以上，识别延迟在0.5s以内。
NETL