基于STM32的机器学习（手势识别）

第一次写博客，希望能给研究单片机AI的同仁一个好的启示。如有不当，多多指正。

STM32自从2019年开始发布AI库以来，网络上关于怎么移植到单片机的资料少得可怜，能找到的也仅仅是新建工程的博客，对我有较大启示的是ST官方的几篇文章。我将对我有启示的文章贴出来供大家参考。

https://blog.csdn.net/qingelife/article/details/78429508?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase

https://blog.csdn.net/qq_39505991/article/details/95176720?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-8

http://www.stmcu.org.cn/module/forum/forum.php?mod=viewthread&tid=619025&page=1

https://blog.csdn.net/bigmaxPP/article/details/104500092/

 

1、首先，简单描述下我要做的项目—基于单片机的手势识别。

所用到的传感器是10G的雷达芯片，芯片出来的是中频信号，需要根据这些中频信号做手势识别。

单片机模拟有无目标，当没有目标时，单片机模拟IF输出中频信号，雷达芯片输出LO（本振信号）

，混频器的作用是将LO+IF=RF。 得到的RF输出到芯片的RX接收端口。 芯片会将这个信号再解调出来作为最后的模拟信号输出到单片机。

前期的工作接触过单片机的来说应该都不难，采集中频信号，AD转换。

这些都不难。但重要是对这些信号要进一步处理，包括去交流，求平均值，FFT（加窗），一系列的转换目的就是将时域的信号转换到频域。曾经看过一篇经典的文章来描述时域和频域，时域就是随时间的变化状态的变化，而频域就是从侧面看待这个问题，一切都是静止的，就像每个人的人生看似随时间不断变化，每天充满变数，但从频域的角度来看，侧面就好像很大的机械装置，每个人的人生早已安排好了。很多时域看不出任何特征的信号在频域一目了然。

2、频域信号处理好了就来到了我们的重头戏了——机器学习（AI）

首先神经网络的生成我用的是Python，Python生成神经网络现在已经很成熟了，网上的例程一大堆，我就不多说了，训练好神经网络导出 .h5文件，你的工作就完成一半了。

接下来就用到官方的STM32cubemx，用这个工具生成KEIL5或者其他IDE的工程，接下来的移植就是重中之重了。再移植之前你也考虑好你的单片机ROM和RAM以及主频速度。根据我的经验ROM 512k，RAM 100k，主频100M可以满足初步的需要，STM32F411CEU6是我目前看到性价比最高的。下面的流程是STM32cubummx生成工程的流程，大家可以参考。

 

导入我们的模型计算，点击Analyze，CubeMX会提示我们哪些MCU型号能支持我们使用，当然啦，你也可以直接选STM32F411CEU6，模型官方有手势识别的.h5文件，可以去下载；

 

 

3、单片机移植过程有很多需要注意的地方，有时间我会专门写一篇博客。我将单片机Keil中AI部分贴出来供大家参考。

FFT相关处理

AI处理

 主函数部分

最终串口 输出效果

不同的手势outdata输出不同的概率，我将概率Round的最终输出结果。至于你想用手势控制外部任何设备就很容易了。