手势识别 雷达信号处理与卷积神经网络（1）:构建自己的数据集

手势识别 雷达信号处理与卷积神经网络（1）:构建自己的数据集

利用摄像头捕捉的画面来做识别，已经取得很大发展，而在环境光照恶劣的地区，雷达信号也许比视频更加鲁棒，采用雷达数据生成图像再用CNN分类，即利用了深度学习的强大能力，又避免了环境的影响。这里是手势识别 雷达信号处理与卷积神经网络 （1），教你如何制作自己的数据集。
我们经常使用开源数据集训练网络，那么当遇到特定的问题，没有合适的开源数据集时，如何获取并制作自己的数据集呢？

一、图片预处理

• 将图片按种类格式命名

• 将图片转换成RGB格式

• 将图片resize到特定大小

二、生成数据集

• 读取预处理后的图片

• 给图片打上种类标签

• 生成数据集和测试集

三、保存和检测数据集

• 保存为.h5文件

• 检测.h5数据集

申明

本文原理解释、公式推导及代码部分均由LSayhi完成，允许部分或全部转载，但请注明出处，或联系微信公众号，详细数据及代码可在github查阅。

GitHub：https://github.com/LSayhi/DeepLearning

微信公众号：AI有点可ai（文末附二维码，感谢您的关注）

CSDN博客：https://blog.csdn.net/LSayhi

一、图片预处理

• 命名图片：制作CNN的数据集，需要图片的分类信息，为了方便编程实现，我们对每张图片按一定格式命名，这个过程可以编程实现，当然也可以在用雷达数据生成图像后直接命名保存。在此文中，我们有四类图片，分别对应四种手势，“按钮、翻转、前后、上下 ”，每种手势40张，因此我们命名为anniu.1.jpeg，qianhou.14.jpeg等，以便后续操作，加入的"."为识别分隔符号，如图1所示：
  
  图1:利用雷达信号处理生成的图像命名示例

• 将图片转换为RGB格式并Resize到特定大小:因为本文及大部分网络结构都是三通道的，并且对于输入的图像大小可能有不同要求，因此将图片转换成三通道RGB格式和重新设置图片大小是必要的，下面一段代码完整地完成了这一个过程。

import os
from PIL import Image

#转换成三通道并调整大小
def convert_RGB_resize(file_dir,new_dir,width,heigth):
    for filename in os.listdir(file_dir):
        im=Image.open(file_dir+filename).convert("RGB").resize((width,heigth))
        im.save(new_dir+filename)
        #想要保存的路径
    print("已转换RGB格式，图像大小"+"("+str(width)+","+str(heigth)+","+"3"")")


def main():
    file_dir="D:/codes/spyder/radar02/dataset/"#原图像路径
    new_dir ="D:/codes/spyder/radar02/dataset_RGB_Resize/"#保存到新的地址
    width=90
    heigth=90
    #设置调整后的图像大小
    convert_RGB_resize(file_dir,new_dir,width,heigth)


if __name__ == '__main__':
    main()