摘要
随着信息技术以及人工智能的发展，各种人机交互形式变得随处可见，比如人们日常使用的键盘鼠标、手机触屏、语音助手等等，但现存的一些主流人机交互方式都有一些局限性，有的不够便携，有的不符合人们交流习惯，有的受环境和地域影响大。手势识别作为一种新型人机交互方式，符合人们肢体语言习惯，表达简洁高效，近年来成为研究热点。在众多手势识别实现方案中，使用毫米波雷达进行手势识别有诸多优势，如环境适应性强、能耗低、不存在隐私泄露的问题等。在此背景下，本文对利用毫米波雷达进行手势识别的技术方法进行了研究。 首先，本文对毫米波雷达的测距、测速、测角原理进行推导，得出测量分辨率与毫米波雷达参数的对应关系，并以此为依据进行毫米波雷达设备的选型，同时进行待识别手势的设计和手势数据采集的工作，形成手势数据集。 然后，对于采集到的手势信号进行手势目标的检测和特征提取工作。目标检测环节，首先借助MTI动目标显示技术滤除回波信号中的静止物体成分，并对MTI引起的幅值效应进行补偿；其次设计了基于距离-多普勒图像的目标检测算法，并与当前主流恒虚警检测方法比较；为了保证目标提取的精确性，将目标投影到点云图上设计算法进行离群点的去除。特征提取环节，对于手势目标的时间-距离图，时间-速度图，时间-方位角图，时间-俯仰角图进行提取，拼接形成混合特征图谱，并加权处理得到其低维的混合特征向量的表达形式。 最后，借助神经网络进行手势分类，从高精度和轻量化的角度出发分别设计识别方案。将混合特征图谱输入到Densenet网络中，并结合CBAM注意力机制提升模型性能，最终达到99.03%的识别正确率。同时将混合特征向量输入到双向GRU网络中，并结合多头自注意力机制进行合理的注意力分配，得到的轻量化模型最终可以达到97.45%的识别正确率。并对这两种手势识别方案进行对比分析。
NETL