下载文档原格式
基于神经网络深度学习方法的手势识别手势识别是一项基于计算机视觉的技术，旨在通过对人体手势的分析和识别，实现人与计算机之间的自然交互。
近年来，随着深度学习技术的迅猛发展，基于神经网络的手势识别方法正在成为该领域研究的热点之一。
本文将介绍基于神经网络深度学习方法的手势识别的原理、应用和挑战。
首先，我们来了解一下神经网络深度学习方法在手势识别中的原理。
神经网络是一种模拟人脑神经元网络的计算模型，它由多个层次的神经元组成，每个神经元与上下一层的神经元相连。
深度学习是指使用多层神经网络进行学习和训练的方法。
在手势识别中，我们可以将手势图像作为神经网络的输入，通过多层神经元的非线性变换和权值调整，实现对手势的识别和分类。
基于神经网络的手势识别方法有很多应用场景。
一方面，手势识别可应用于人机交互领域，例如智能手机、平板电脑等设备上的手势控制功能。
通过手势识别，用户可以通过简单的手势操作来实现设备的控制，提高用户体验。
另一方面，手势识别也可应用于虚拟现实和增强现实领域，实现更加沉浸式的交互体验。
通过手势识别，用户可以在虚拟环境中进行自由的手势操作，与虚拟对象进行互动。
此外，手势识别还可以应用于智能监控、辅助医疗和安防等领域。
然而，基于神经网络的手势识别方法也面临一些挑战。
首先，手势在不同的背景、光照条件和角度下可能呈现出不同的特征，这给手势识别带来了一定的复杂性。
其次，手势数据通常具有高维度和大量的样本数据，如何高效地处理和训练这些数据是一个挑战。
此外，不同手势之间可能存在相似性，导致分类器的准确率下降。
因此，如何提高手势识别系统的鲁棒性和准确率是当前研究的重要方向。
针对这些挑战，研究者们提出了一些改进和优化的方法。
首先，可以采用深度卷积神经网络（CNN）来提取手势图像的特征。
CNN在图像识别领域具有较好的效果，通过多层卷积层和池化层的堆叠，可以有效地提取图像的局部特征和全局特征。
其次，可以引入迁移学习的思想，将预训练好的神经网络在手势识别任务上进行微调和迁移。
基于毫米波雷达的人体动作识别方法研究
毫米波雷达作为一种新兴的传感技术，具有穿透力强、不受光照影响、对隐私的侵扰小等优点，近年来在人体感知领域得到广泛应用。
本文将结合毫米波雷达技术，研究人体动作识别的方法。
首先，本研究通过毫米波雷达系统对人体进行扫描，获取人体运动过程中的微弱反射信号。
毫米波雷达的工作频率通常在30 GHz至300 GHz之间，波长较短，可以达到亚毫米级的分辨率，从而能够有效捕捉到人体的微小运动。
通过对这些反射信号的处理和分析，可以提取出人体动作的特征信息。
其次，本研究采用机器学习算法对提取的特征信息进行分类和识别。
机器学习是一种能够从数据中学习和推断模式的方法，广泛应用于模式识别领域。
在人体动作识别中，可以使用监督学习方法，通过训练集的标记数据，训练分类器来识别不同的人体动作。
同时，可以采用深度学习算法，构建多层神经网络，提高识别的准确性和鲁棒性。
最后，本研究通过实验验证了基于毫米波雷达的人体动作识别方法的有效性。
实验使用了一组志愿者进行不同的人体动作，如走路、跑步、跳跃等。
通过毫米波雷达系统获取到的反射信号，经过特征提取和机器学习算法的处理，成功识别出不同的人体动
作。
实验结果表明，基于毫米波雷达的人体动作识别方法具有较高的准确性和稳定性。
综上所述，基于毫米波雷达的人体动作识别方法可以应用于人机交互、智能健康监测等领域。
未来，随着毫米波雷达技术的不断发展和完善，人体动作识别的准确性和实时性将进一步提高，为人们的生活带来更多便利。
如何使用卷积神经网络进行手势识别与控制手势识别与控制是近年来备受关注的热门领域，而卷积神经网络（Convolutional Neural Network，简称CNN）则成为实现手势识别与控制的重要工具。
本文将介绍如何使用CNN进行手势识别与控制，并探讨其在不同应用场景中的潜在价值。
一、手势识别的挑战与意义手势作为一种非语言交流方式，具有广泛的应用前景。
然而，手势的多样性和复杂性给手势识别带来了巨大的挑战。
传统的手势识别方法需要复杂的特征提取和分类算法，而CNN则通过自动学习图像特征和模式识别，能够更高效地实现手势识别。
手势识别的应用场景多种多样，包括智能家居控制、虚拟现实交互、医疗康复等。
通过使用CNN进行手势识别，可以实现更加智能、便捷和自然的交互方式，提高用户体验和生活质量。
二、卷积神经网络的基本原理卷积神经网络是一种深度学习模型，其核心思想是通过多层卷积和池化操作，从输入数据中提取更高层次的特征表示。
CNN的基本组成部分包括卷积层、池化层和全连接层。
卷积层通过卷积操作对输入数据进行特征提取，可以捕捉到图像中的局部特征。
池化层则通过降采样操作，减少特征图的尺寸和参数数量，提高模型的计算效率。
全连接层将卷积和池化层输出的特征向量映射到目标类别上，实现分类和识别。
三、手势识别的数据预处理在使用CNN进行手势识别之前，需要对手势数据进行预处理。
首先，需要收集和标注大量的手势数据集。
其次，对手势图像进行预处理，包括图像增强、尺寸调整和灰度化等操作，以提高模型的鲁棒性和泛化能力。
此外，还可以使用数据增强技术，如旋转、翻转和平移等，扩充数据集的规模和多样性，避免过拟合现象的发生。
数据预处理的目的是为了提取更有用的特征信息，减少噪声和冗余，提高手势识别的准确性和稳定性。
四、卷积神经网络的训练与优化在进行手势识别任务之前，需要对CNN模型进行训练和优化。
训练过程包括前向传播、损失函数计算和反向传播等步骤。
通过反向传播算法，CNN可以根据损失函数的梯度信息，更新网络参数，不断优化模型的性能。
基于卷积神经网络的表面肌电信号手势识别罗利梦，许芷毓，谢晓辉，李磊（西南民族大学，成都610225）摘要：在当前科学技术快速发展的大背景下，通过应用卷积神经网络原理，能够将表面肌电信号的手势通过一维多通道的方式识别出来，避免在前期采用复杂的方法对表面信号进行预处理以及对信息采用手工提取方法所花费的时间。
基于此，以右手为活动手，分析了握拳、向左、向右以及展拳4种手势时的表面肌电信号。
将不同手势的肌电信号进行标记，生成信号长度不同的8通道信号训练集和测试集，并借助卷积神经网络的相关原理分析了卷积状态下的采样。
借助相关研究后通过卷积神经网络的应用，能够实现卷积神经网络表面肌电信号的高效处理，从而实现对手势信号的识别，且识别率能够满足具体使用需求，因此其在实际工作中应用是有价值的。
关键词：卷积神经网络；表面肌电信号；手势识别1概述肌电信号，经过多年医学研究证明，它是一种随着机体肌肉收缩运动产生的生物电信号，而在对机体肌电信号进行采集时，机体皮肤表面的肌电信号则被称之为表面肌电信号。
在肢体的不同运动模式下，肌肉进行收缩运动的模式各不相同，因此，借助对机体表面肌电信号的分析和处理，便能够实现对机体实际运动情况的获取。
当前，通过对表面肌电信号进行研究，能够帮助医疗研究人员对肢体运动功能障碍疾病进行诊断及康复。
当前，针对表面电信号的手势识别研究主要集中在肌电信号预处理、肌电信号特征的体以及对肌电信号模型进行分类等3个方面。
以下将从这3个方面对肌电信号的研究进行详细说明：首先，对信号进行预处理，即通过降维以及滤波分析等手段来对表面肌电信号进行预先处理，使得后续的肌电信号特征分析工作能够更加简便地进行。
信号特征提取，顾名思义就是指从信号的时域和频率中对信号典型向量进行提取。
当前，已经有诸多研究表明表明肌电信号进行模式识别的方法多种多样，在实际进行特征提取的过程中，可以根据肌电信号的不同特点选择相应的提取方法。
近年来，神经网络技术的快速发展提升了人们对表面肌电信号特征提取及处理的重视。
基于毫米波雷达的车辆运动轨迹跟踪方法和系统与流程基于毫米波雷达的车辆运动轨迹跟踪方法和系统与流程引言•毫米波雷达技术是一种非接触式传感技术，可用于实时监测和跟踪车辆的运动轨迹。
•本文将详细介绍基于毫米波雷达的车辆运动轨迹跟踪的方法、系统与流程。
毫米波雷达的原理和特点•毫米波雷达利用毫米波信号与目标物体进行反射和散射，通过对反射信号的分析，可以得到目标物体的位置和速度信息。
•毫米波雷达具有高频率、高分辨率、强穿透能力等特点，适用于不同天气和道路条件下的车辆跟踪。
车辆运动轨迹跟踪方法1.数据采集–安装毫米波雷达设备，定期采集车辆位置和速度数据。
2.数据预处理–对采集到的原始数据进行滤波、去噪等处理，提高数据质量。
3.目标检测与识别–使用目标检测算法，对处理后的数据进行目标检测与识别，确定目标车辆的位置。
4.轨迹建模–基于检测到的目标位置数据，使用轨迹建模算法，建立车辆的运动模型。
5.轨迹预测–根据车辆的运动模型，使用轨迹预测算法，预测车辆未来的运动轨迹。
6.车辆跟踪与更新–通过不断地跟踪和更新车辆的位置数据，实时监测车辆的运动轨迹。
毫米波雷达车辆运动轨迹跟踪系统•该系统由以下主要组件组成：1.毫米波雷达传感器–用于采集车辆位置和速度的毫米波雷达传感器。
2.数据处理与分析模块–负责对采集到的原始数据进行预处理、检测、识别、建模、预测和跟踪等操作。
3.数据存储与管理模块–用于存储和管理采集到的数据，包括原始数据、处理后的数据和跟踪结果等。
4.可视化展示模块–通过界面展示车辆的运动轨迹和其他相关信息，方便用户实时监测和分析。
毫米波雷达车辆运动轨迹跟踪的流程1.安装毫米波雷达设备2.数据采集3.数据预处理4.目标检测与识别5.轨迹建模6.轨迹预测7.车辆跟踪与更新8.数据存储与管理9.可视化展示总结•基于毫米波雷达的车辆运动轨迹跟踪方法和系统可以实时监测和跟踪车辆的运动轨迹。
•通过采集、处理和分析车辆的位置和速度数据，该系统可以应用于交通管理、智能驾驶等领域。
第６期 ２０１６年１２月
中Ｉ鼋鼋；珂譬吖雹限荸瓤
Ｊｏｕｒｎａｌ ｏｆ ＣＡＥＩＴ Ｖｏ１．１ｌ Ｎｏ．６
Ｄｅｃ．２０１６
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－５６９２．２０１６．０６．００９ 基于雷达技术的手势识别 刘熠辰，徐丰 （复旦大学电磁波信息科学教育部重点实验室，上海２００４３３）
摘要：本文提出了一种基于雷达技术的手势识别方法，利用手势动作中产生的多普勒频率信息作 为手势的特征信息，采用了雷达技术中常用的线性调频、压缩处理、动目标显示作为手势信号处理 算法，有效地获取不同手势信号的特征信息再予以成像，而后针对图像采用支持向量机算法进行分 类和识别。上述理论基础之上，本文设计了一个拥有七种不同手势的手势识别系统进行实验，最终 手势识别正确率达到了９２．９％，成功验证了本文手势识别方法是准确有效的。 关键词：手势识别；手势特征信息；雷达技术；信号处理；图像分类 中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１６７３－５６９２（２０１６）０６－６０９－０５
Ｇｅｓｔｕｒｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｒａｄａｒ Ｔｅｃｈｎｏｌｏｇｙ ＬＩＵ Ｙｉ—ｃｈｅｎ，ＸＵ Ｆｅｎｇ （Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ ＥＭＷ Ｉｎｆｏｒｍａｔｉｏｎ，Ｆｕｄａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００４３３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ａｒｔｉｃｌｅ ｐｒｅｓｅｎｔｓ ａ ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｒａｄａｒ ｔｅｃｈｎｏｌｏｇｙ，ｃｏｎｓｉｄ— ｅｒｉｎｇ ｔｈｅ Ｄｏｐｐｌｅｒ￣ｅｑｕｅｎｅｙ ｉｎｆｏｒｍａｔｉｏｎ ｃａｕｓｅｄ ｂｙ ｈａｎｄ ｍｏｔｉｏｎ ａｓ ｆｅａｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｇｅｓｔｕｒｅｓ ａｎｄ ｔａｋ— ｉｎｇ ａｄｖａｎｔａｇｅｓ ｏｆ ｔｈｅ ｔｅｃｈｎｏｌｏｇｙ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ｉｎ ｒａｄａｒ ｓｙｓｔｅｍ，ｓｕｃｈ ａｓ ｃｈｉｒｐ ｓｉｇｎａｌ，ｓｉｇｎａｌ ｃｏｍｐｒｅｓ— ｓｉｏｎ，ＭＴＩ．Ｉｔ ｉｓ ａ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｈｉｃｈ ｈａｓ ａｎ ｅｆｆｉｃｉｅｎｔ ａｃｃｅｓｓ ｔｏ ｇｅｔｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｉｎｆｏｒ－ ｍａｔｉｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ｇｅｓｔｕｒｅｓ ａｎｄ ｍａｋｉｎｇ ｔｈｅｍ ｔｏ ｂｅ ｉｍａｇｅｄ．Ａｎｄ ｔｈｅｎ ｆｏｒ ｔｈｅ ｉｍａｇｅｓ，ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａ— ｃｈｉｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｗｉｌｌ ｂｅ ａ ｒｅｆｅｒｅｎｃｅ ｔｏ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｅ ｔｈｅｏｒｙ ａｂｏｖｅ， ｗｅ ｄｅｓｉｇｎ ａ ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｗｉｔｈ ｓｅｖｅｎ ｄｉｆｆｅｒｅｎｔ ｋｉｎｄｓ ｏｆ ｇｅｓｔｕｒｅ ｔｏ ｅｘｐｅｒｉｍｅｎｔ．Ｔｈｅ ｆｉｎａｌ ｇｅｓ— ｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｒａｔｅ ｒｅａｃｈｅｄ ９２．９％．ｓｕｃｃｅｓｓｆｕｌｌｙ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ａｂｏｖｅ ｗａｓ ａｃ－ ｃｕｒａｔｅ ａｎｄ ｅ艏ｃｉｅｎｔ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ，ｆｅａｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｇｅｓｔｕｒｅ，ｒａｄａｒ ｔｅｃｈｎｏｌｏｇｙ，ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ，ｉｍ－ ａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
基于CNN卷积神经网络的手势识别系统随着人工智能技术的不断进步，手势识别系统已经成为了一个备受关注的研究领域。
手势识别系统可以根据人体的手部动作进行识别和理解，从而实现与计算机交互的功能。
在各个领域中，手势识别技术的应用已经十分广泛，其中最具代表性的领域之一就是基于CNN卷积神经网络的手势识别系统。
CNN卷积神经网络是一种专门用于图像识别和处理的深度学习模型，它具有良好的图像特征抽取能力和较强的识别准确性。
基于CNN的手势识别系统已经成为了目前手势识别领域中最为主流和有效的技术之一。
一般来说，基于CNN卷积神经网络的手势识别系统主要包括图像采集、数据预处理、CNN网络训练和手势识别等多个步骤。
下面我们将逐步介绍这些步骤，并探讨基于CNN的手势识别系统具体是如何实现的。
对于手势识别系统来说，图像采集是非常重要的一步。
在图像采集阶段，一般可以采用智能手机、摄像头等设备对手部动作进行拍摄。
这些图像所包含的信息将成为后续手势识别算法的输入数据，因此图像采集的质量直接决定了后续识别的准确性。
在图像采集后，通常需要进行数据预处理的步骤。
数据预处理主要包括图像去噪、图像增强、图像标定等操作。
这些操作旨在提高图像的质量和准确性，同时也可以减小CNN 网络的训练量和提高训练速度。
接着就是CNN网络的训练阶段。
在这一阶段，一般首先需要选择并构建适合手势识别的CNN网络模型。
通常而言，一个典型的CNN网络模型包括卷积层、池化层、全连接层等多个层次。
在构建好网络模型后，就需要通过大量手势图像数据对网络进行训练。
这一步骤十分关键，它将决定网络的识别准确性和泛化能力。
最后就是手势识别阶段。
在训练好的CNN网络模型上，我们可以通过实时采集到的手势图像数据进行识别和分类。
一般而言，手势识别系统可以实现对多种手势的识别，比如数字手势、动作手势等。
通过CNN网络模型训练得到的特征，系统可以准确而快速地对手势进行识别和分类。
除了以上这些步骤外，基于CNN的手势识别系统还需要考虑到实时性、稳定性等方面的问题。
本技术属于人机交互技术领域，具体为基于毫米波雷达和卷积神经网络的微动手势识别方法。本技术的主要步骤包括：根据应用场景设计雷达参数和微动手势；利用毫米波雷达周期性地发射具有确定雷达参数的线性调频信号同时接收人体手部反射的回波信号，与发射信号进行差频后进行ADC采样得到数字中频信号；对数字中频信号进行处理，计算微动手势的特征参数；选取某一特征，建立多种手势的数据集；针对毫米波雷达特征图像设计卷积神经网络，输入手势数据集训练得到分类模型；调用分类模型实现多种手势的分类识别。本技术实用性强，可用于智能家居、隔空输入、手语翻译、机械控制、VR、AR等领域，应用前景广阔。
权利要求书1.一种基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在于，具体步骤如下：
(1)根据应用场景设计雷达参数和微动手势；
(2)利用毫米波雷达发射具有确定雷达参数的线性调频信号同时接收人体手部反射的回波信
号，与发射信号进行差频后进行ADC采样得到数字中频信号；
(3)对数字中频信号进行处理，计算微动手势的特征参数；
(4)选取某一特征，建立多种手势的数据集；(5)针对毫米波雷达特征图像设计卷积神经网络，输入手势数据集训练该卷积神经网络得到
分类模型；
(6)调用分类模型实现多种手势的分类识别；
步骤(1)中所述的雷达参数包括发射天线数NTx、接收天线数NRx、调频起始频率f1、调频斜率Ks、调频周期Tc、每帧调频周期数Nc、帧周期Tf、ADC采样周期Tadc、ADC采样率Fs，这些参数根据应用场景的最大测量距离dmax、最大测量速度vmax、距离分辨率dres与速度分辨率vres、帧率frate等作为指标来确定，公式为：
其中，c为光速，λ为调频中心频率对应波长，B为调频带宽，B由调频斜率Ks和ADC采样周期Tadc共同确定：
B＝Ks×Tadc (6)λ由调频起始频率f1和调频带宽B确定：
帧周期Tf需要满足：Tf≥Nc×Tc (8)对于采用时分复用(TDM)的多发多收(MIMO)方式，帧周期Tf满足：Tf≥NTx×Nc×Tc (9)所述的微动手势，其运动特征表现为手部整体基本不动或存在不明显的运动，主要为一根或几根手指发生运动。
2.根据权利要求1所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(2)中所述的利用毫米波雷达发射信号同时接收人体手部反射的回波信号，与发射信号进行差频后进行ADC采样，得到数字中频信号的流程是：利用某一频段的毫米波雷达经NTx个发射天线发射周期性的线性调频信号，调频起始频率为f1，调频斜率为Ks，调频周期为Tc，调频带宽为B，每帧调频周期数为Nc，帧周期为Tf，经NRx个接收天线接收人体手部反射回来的NTx×NRx个通道的回波信号，分别与发射信号进行差频后，进行ADC采样，得到NTx×NRx个通道的数字中频信号数据，ADC采样周期为Tadc、ADC采样率为Fs。
3.根据权利要求1或2所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(3)中所述的对数字中频信号进行处理，计算微动手势的特征参数过程，包含以下几个子步骤：
a.根据设置的雷达参数，将每一通道的数字中频信号数据分为多个帧周期，每个帧周期包含
Nc个调频周期的中频采样信号，每个调频周期包含Nadc个复数采样点，Nadc由ADC采样周
期Tadc和ADC采样率Fs共同确定：
Nadc＝Fs×Tadc (10)b.对任一通道、任一帧周期内的每个调频周期数据做快速傅里叶变换(FFT)，得到不同调频
周期的一维距离像；
c.根据应用场景确定的感兴趣距离范围对一维距离像进行距离像滤波，即截取感兴趣距离范
围内的Na_ROI个距离点，从而过滤感兴趣距离范围外的背景噪声；
d.根据感兴趣距离范围内存在运动手部和存在静止手部两种情况对应的距离多普勒振幅差
异，设定振幅阈值Q1，阈值略大于存在静止手部时距离多普勒振幅的最大值，当感兴趣距离范围内一维距离像中的最大振幅大于阈值Q1时，判定存在有效目标，根据最大振幅的位置可确定目标距离，否则判定不存在有效目标；目标距离对应的各通道振幅、相位和通道间相位差随调频周期Tc的变化均可作为微动手势的特征；
e.对任一通道、任一帧周期内的Nc个调频周期的感兴趣距离范围内的每一距离点，其对应的
复振幅数据做FFT，得到每一距离对应的速度或多普勒频移分布，进而根据应用场景选取感兴趣速度范围的Nc_ROI个速度点，得到尺寸为Na_ROI×Nc_ROI的二维距离多普勒分布，对所有通道的距离多普勒分布进行非相干叠加平均，得到感兴趣区域内多通道平均的二维距离多普勒分布，作为手势的距离多普勒谱参数；
f.对通道平均的二维距离多普勒分布进行单元平均恒虚警检测(CA-CFAR)，得到单个目标
点，作为估计手势的关键点，根据目标点位置得到目标距离和目标速度，其中目标距离对应的多普勒分布作为手势的多普勒谱参数；目标速度对应的距离分布作为手势的距离谱参数；
g.目标点位置对应Ntx×Nrx个通道的复振幅数据，根据Ntx个发射天线和Nrx个接收天线的位
置计算Ntx×Nrx个通道的等效相位中心位置，若水平或垂直方向存在大于一个的等效相位中心，则利用两个等效相位中心对应的两个通道数据之间的相位差来估计目标相对于雷达天线阵列平面的方位角或仰角，其中相位差与到达角θ和两个通道的等效相位中心之间距离Δd的关系是：
从而可求得方位角或仰角为：4.根据权利要求3所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(4)中所述的选取某一特征，建立多种手势的数据集，是通过设置长度为Nf帧的固定滑动帧窗，距离多普勒谱、距离、速度、距离谱、多普勒谱、方位角和仰角参数在滑动帧窗内的变化作为最终的手势特征，通过检测手势的开始与结束帧，在滑动帧窗内捕捉完整的手势并保存手势特征，针对任一手势特征，每一微动手势重复多次，保存多组手势特征数据，从而建立Nclass类手势的特征数据集，用于后续手势分类模型的训练。5.根据权利要求4所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(5)中所述的针对毫米波雷达特征图像设计卷积神经网络，输入手势数据集训练得到分类模型，是根据雷达特征图像的尺寸、单个颜色通道、特征区域分布特点，搭建轻量化的卷积神经网络，将任一特征的手势数据集输入设计的卷积神经网络中，进行参数调优，得到最佳的训练过程和结果，在最优参数下，训练得到分类模型并保存。
6.根据权利要求5所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(5)中设计的卷积神经网络结构为：有3个卷积层，每一卷积层后分别连接1个RELU激活函数层、1个批标准化层和1个池化层；3个卷积层后接2个全连接层，第1个全连接层连接1个dropout层，第2个全连接层连接第4个RELU激活函数层；最后是softmax层，用于输出分类结果和相似度分布数组。
7.根据权利要求6所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，步骤(6)中所述的调用分类模型实现多种手势的分类识别，是在完成手部雷达回波的数据处理，得到固定长度滑动帧窗内的手势特征后，调用训练好的分类模型，得到该动作特征与训练集中各类手势特征的相似度，若与某类手势特征的相似度大于设定的相似度阈值Q2，判定为该类手势，否则判定为无效动作，相似度阈值可通过调用分类模型对全部数据
集进行测试后确定。
8.根据权利要求3或7所述的基于毫米波雷达和卷积神经网络的微动手势识别方法，其特征在
于，所采用数字中频信号处理和调用分类模型进行手势识别的装置为计算机、平板电脑、智能手机、智能手表、智能家电等任何具有一定数字信号处理能力的设备。
技术说明书基于毫米波雷达和卷积神经网络的微动手势识别方法技术领域本技术属于人机交互技术领域，具体涉及一种基于毫米波雷达和卷积神经网络的微动手势识别方法。
背景技术随着物联网和智能化设备的快速发展，人机交互的方式在不断变革，从早期的按键方式发展到现在的触屏方式、语音交互方式和非接触式动作交互方式。手势识别作为非接触式人机交互方式的一种，在智能家居、隔空输入、手语翻译、机械控制、VR、AR等领域均具有非常重要的应用价值。然而，现有的手势识别方法存在一些主要问题：基于可见光、红外等图像信息的手势识别方法功耗高、计算开销大、提取特征的效率低、图像处理模型能力有限、易受光照和遮挡等因素影响，且有泄露隐私的风险；基于超声波的手势识别方法波束角小、分辨率低、易受干涉和背景环境影响、信号处理难度大、计算成本高、产品规格差异大；基于Wi-Fi和雷达的手势识别方法分辨率低、信息量少。现有的手势识别方法基本不具备识别运
动幅度在几厘米以内的微动手势的能力。
毫米波的传播速度快、波长短、分辨率高，具有穿透一定厚度的非金属遮挡物的能力，光照、烟雾、雨雪和温度变化对其基本没有影响，多通道毫米波雷达同时具有测距、测速和测角的能力，能够获得三维的目标信息，且无需获取图像和音频信息，不存在隐私泄露的问题。
基于大数据和人工神经网络的深度学习方法在自然语言处理、计算机视觉、图像与视频处理等诸多领域均已取得了巨大成功。深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征，而非通过手工设计特征，因而更具效率，表达能力更强。
技术内容本技术的目的在于提供一种准确率高、鲁棒性和实时性好的基于毫米波雷达和卷积神经网络的微动手势识别方法。
