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