基于毫米波雷达的手势识别算法

               具体的软硬件实现点击 MCU-AI技术网页_MCU-AI人工智能

摘要

基于毫米波的手势识别技术提供了良好的人机交互体验。先前的工作专注于近距离手势识别,但在范围扩展方面不够,即他们无法识别距离相当大的噪声运动超过一米的手势。在本文中,我们利用一种新的数据处理方法和定制的人工卷积神经网络(CNN)设计了一个远程手势识别模型。首先,我们将手势分解为多个反射点,并提取它们的时空特征来描述手势的细节。其次,我们设计了一个CNN来分别学习提取特征的变化模式并输出识别结果。我们通过在商品毫米波雷达上实施,对我们提出的系统进行了全面评估。此外,我们还提供了更广泛的评估,以证明所提出的系统在几个现实世界场景中是实用的。

简介

非接触式手势识别是实现自然人机交互(HCI)以获得更好体验的一种流行方法,因此越来越多的外部物理手势设备[17,18]将被“空中”手势所取代。为了实现这种HCI,研究人员将重点放在无线信号传感上。与候选传感方法(例如,WiFi信号[9]、声波[11]和超声波[12])相比,毫米波(mmWave)对检测微小变化(即厘米级的手指运动)很敏感。虽然可见光[6]和红外[7]光感测在手部成像和手势识别方面要准确得多,但毫米波在隐私保护和能耗方面具有独特的优势。因此,毫米波是最适合非接触式手势识别的选择。特别是毫米波主要用于5G技术[1],因此它将不仅是一种新的无线电接入标准,而且是一种潜在的传感工具。毫米波手势识别的研究已经取得了许多成果。在实际应用层面,它可以用于汽车行业,以提供

为驾驶员提供安全直观的控制界面。然而,并不是所有坐在车内的乘客的手势都能准确识别,而且由于距离和车内物品的干扰,模型的准确性会很低[2]。此外,还开发了一种对手部精细动态运动敏感的近距离紧凑型60GHz毫米波雷达传感器。但这个模型只能在有限的辐射中使用[3]。因此,毫米波雷达先前的工作受到距离问题的限制,这对我们来说是一个不可避免的挑战。具体来说,它们只能在短距离的情况下实现手势识别,如果距离扩大,雷达接收到更多的反射信号信息,并且传统的方法无法分离干扰信息和有效信息,因此无法准确识别远处的手势。在本文中,我们使用定制的卷积神经网络(CNN)设计了一个远程手势识别模型。首先,在该模型中,我们实现了远程手势的精确识别。从雷达的基本原理出发,分析了雷达发射信号和反射信号的表达式。通过快速傅立叶变换(FFT)和距离多普勒(R-D)算法的计算,我们可以准确地判断手的距离、角度、速度等信息。只要物体在雷达信号的探测范围内,我们就可以实现物体的精确定位。其次,我们的CNN能够

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值