摘要
随着人工智能技术的不断发展，人机交互技术的应用越来越多。手势识别是人机交互中最有效的方法之一，在很多领域均有应用。基于毫米波雷达的手势识别不受光照等环境限制，无隐私泄露风险，同时还存在空间分辨率高、体积小、易集成等优点，具有重要的应用价值和广阔的发展前景。 提取手势运动特征是基于毫米波雷达的手势识别的重要研究内容，当前应用较多的手势运动特征提取方法为短时傅里叶变换（Short Time Fourier Transform, STFT）方法。STFT方法对运动特征明显的大手势运动有较好的特征提取效果，但对运动特征不明显的微手势运动而言效果较差，会导致微手势识别准确率降低。 本文针对微手势运动特征不明显的问题，将微手势运动模型改进为微多普勒模型，使用微多普勒相位解调方法得到更精细的手势运动位移特征，以提高识别准确率。同时基于 60 GHz 毫米波雷达平台进行手势识别实验。具体研究内容如下： (1)研究了手势运动精细位移的估计方法，主要为微多普勒相位解调方法。微多普勒相位解调是微多普勒模型下提取手势运动特征的主要途径，解调质量决定了提取特征的质量。首先针对解调过程中存在的相位缠绕问题进行讨论，介绍了常规相位解缠绕算法；之后针对常规解缠绕算法对噪声敏感的问题，研究了基于窄带差分器的高频噪声抑制方法；在此基础上，研究了基于扩展卡尔曼滤波的相位解调方法，并结合窄带差分器和最小二乘估计，不仅可以提高解缠绕和解调结果的信噪比，还可以在低信噪比条件下可靠应用；最后，研究了微手势跨距离单元运动时的微多普勒相位变化及相位补偿方法，扩大了解调算法的可适用范围。 (2)研究了手势识别中存在的干扰问题和相对应的干扰抑制方法。主要讨论了连续波体制雷达存在的发射泄露干扰、实际环境中静止杂波对手势目标检测的干扰以及直流失调干扰等 3 种类型的干扰。针对上述干扰问题，分别使用最小均方（Least Mean Square, LMS）算法、基于支持向量机（Support Vector Machines, SVM）的分类方法和基于最小二乘估计的直流失调校正方法进行干扰抑制。仿真结果和实验结果均表明这些方法有较好的干扰抑制效果。 (3)完成了基于卷积神经网络（Convolutional Neural Networks, CNN）的手势识别实验。首先使用本文研究方法建立手势数据集，之后基于CNN进行识别，识别准确率为96.7%。相同条件下，与传统方法相比，识别准确率提高了3.5%。
NETL