CN113033416A - 一种基于稀疏函数的毫米波雷达手势识别方法 - Google Patents

Abstract

本发明提供一种基于稀疏函数的毫米波雷达手势识别方法，包括如下步骤：通过雷达算法，解析出目标的的距离、速度、方位角和俯仰角等信息；通过稀疏函数来处理雷达解析出来的信息；经过稀疏函数处理后的信息，整合为特征向量输入到神经网络中，进行手势分类。本发明结构设计简单合理，通过稀疏函数对雷达解析的信息进行处理，并整合为特征向量输入到神经网络中，进行手势分类，相对于现有技术中直接将雷达测量的目标状态信息输入神经网络中的方式，大大降低了输入神经网络中数据的复杂度和冗余性，提高了手势的识别精度，从而降低了手势的误识别率。

Description

一种基于稀疏函数的毫米波雷达手势识别方法

技术领域

本发明涉及手势识别技术领域，尤其涉及一种基于稀疏函数的毫米波雷达手势识别方法。

背景技术

手势识别是计算机科学和语言技术中的一个主题，目的是通过数学算法来识别人类手势。手势可以源自任何身体运动或状态，但通常源自面部或手。本领域中的当前焦点包括来自面部和手势识别的情感识别。用户可以使用简单的手势来控制或与设备交互，而无需接触他们。姿势、步态和人类行为的识别也是手势识别技术的主题。手势识别可以被视为计算机理解人体语言的方式，从而在机器和人之间搭建比原始文本用户界面或甚至GUI(图形用户界面)更丰富的桥梁。

现有的技术主要是用雷达测量目标的状态信息，包含目标的距离、速度、方位角、俯仰角等信息，然后将目标的状态信息作为输入，直接输入到神经网络中，用来判断当前手势的类别。这样使得输入到网络中的数据复杂，且冗余，不利于网络学习，很难得到比较好的模型。这是因为判断某种手势，只需要其中某几类目标的状态信息，并不需要所有的状态信息，如果把所有的信息都输入网络，则会显得复杂且冗余，从而使得手势识别精确度不高。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种基于稀疏函数的毫米波雷达手势识别方法，通过数据处理对状态信息进行除杂优化，提高手势识别精确度，降低误识别率。

为了实现上述目的，本发明采用如下技术方案：

一种基于稀疏函数的毫米波雷达手势识别方法，包括如下步骤：

S100、雷达算法：通过雷达算法，解析出目标的的距离、速度、方位角和俯仰角等信息；

S200、数据处理：通过稀疏函数来处理雷达解析出来的信息；

S300、机器学习：经过稀疏函数处理后的信息，整合为特征向量输入到神经网络中，进行手势分类。

在本发明一个优选实施例中，在步骤S100中，雷达算法包括如下具体步骤：

S101、通过ADC采样得到的雷达基带数字信号；

S102、对数字信号分别在距离维做傅里叶变换和速度维做傅里叶变换，并将处理后的信号传入恒虚警概率下的检测器；

S103、通过角度估计来提取目标的方位角和俯仰角信息；

S104：通过聚类将一个真实目标产生的多个雷达目标聚类成一个目标。

在本发明一个优选实施例中，在步骤S200中，所述稀疏函数为：

其中X∈R^n*d(n是样本数，d是属性数)，α是调整参数。

在本发明一个优选实施例中，在步骤S300中，所述神经网络采用全连接神经网络。

在本发明一个优选实施例中，在步骤S101中，所述ADC采样采用毫米波雷达传感器。

在本发明一个优选实施例中，所述稀疏函数采用近似加速梯度法进行求解。

通过上述技术方案，本发明具有如下有益效果：

本发明结构设计简单合理，通过稀疏函数对雷达解析的信息进行处理，并整合为特征向量输入到神经网络中，进行手势分类，相对于现有技术中直接将雷达测量的目标状态信息输入神经网络中的方式，大大降低了输入神经网络中数据的复杂度和冗余性，提高了手势的识别精度，从而降低了手势的误识别率。

附图说明

图1为本发明一种基于稀疏函数的毫米波雷达手势识别方法的整体流程框图；

图2为本发明一种基于稀疏函数的毫米波雷达手势识别方法的雷达算法流程框图；

图3为本发明一种基于稀疏函数的毫米波雷达手势识别方法的全连接神经网络示意图；

图4为本发明一种基于稀疏函数的毫米波雷达手势识别方法的神经元结构图；

图5为本发明一种基于稀疏函数的毫米波雷达手势识别方法的CFAR检测模块的检测模型图；

图6本发明一种基于稀疏函数的毫米波雷达手势识别方法的方位角及俯仰角计算辅助图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

如图1-4所示，示出了本发明一种基于稀疏函数的毫米波雷达手势识别方法的一个实施例。在本实施例中，手势识别方法包括如下步骤：

S100、雷达算法：通过雷达算法，解析出目标的的距离、速度、方位角和俯仰角等信息，雷达算法包括如下具体步骤：

S101、通过ADC采样得到的雷达基带数字信号，所述ADC采样采用毫米波雷达传感器，毫米波雷达传感器使用毫米波，毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点，同厘米波雷达相比，毫米波雷达具有体积小、易集成和空间分辨率高的特点，与摄像头、红外、激光等光学传感器相比，毫米波雷达穿透雾、烟、灰尘的能力强，抗干扰能力强，ADC采样采用毫米波雷达传感器，大大提升了手势信号采集的准确性，毫米波雷达传感器在进行手势采集时具体操作为：毫米波传感器通过发射天线对外发射雷达波以便检测外部动作的变化，人在动作过程中与发射出来的雷达波接触产生回波信号，回波信号返回给接收天线采集并进行ADC数据处理。

S102、对数字信号分别在距离维做傅里叶变换和速度维做傅里叶变换，并将处理后的信号传入恒虚警概率下的检测器，傅里叶变换是数字信号处理领域一种很重要的算法，傅里叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加，而根据该原理创立的傅里叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位；恒虚警检测技术是指雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术，将处理后的信号传入恒虚警概率下的检测器，能够对处理后信号中的噪声信号进行有效的除去。

通过CFAR检测模块对目标进行检测。CFAR为恒虚警率，在雷达信号检测中，当外界干扰强度变化时，雷达能自动调整其灵敏度，使雷达的虚警概率保持不变，这种特性称为恒虚警率特性。通过恒虚警概率下的检测器对待检测目标3进行检测，待检测目标3外侧依次对称设有保护单元2以及参考单元1。

具体的，如图5所示，CFAR模块通过待检测目标3附近的距离单元所收集的训练数据来估计被测目标，待检测目标3位于中心位置处，其外侧依次对称设有保护单元2以及参考单元1。CFAR模块首先假定雷达杂波的类型，然后通过对待检测目标3附近的参考单元1的数据采用某种算法，对待检测目标3中杂波的参数进行估计，再对待检测目标3中的杂波进行归一化，形成一个与杂波参数无关的量，将这个量与一个跟虚警概率和参考单元1数有关的门限进行比较，判断有无目标的存在，如输入端信号超过了此门限，则判为有目标，否则判为无目标。

具体检测过程如下，首先分别计算左右两侧的参考单元1的均值，计算结果记为x_average1和x_average2；然后计算x_average1和x_average2的均值，计算结果记为x_noise，最后比较待检测目标3和K*x_noise的大小，其中K称为门限值，若待检测目标3的值大于K*x_noise，则该待检测目标3为目标点，反之则不是目标点；经过CFAR检测模块后，可以得到一系列的过检测点，并且记录下每个过检测点在矩阵中的行和列。

S103、通过角度估计来提取目标的方位角和俯仰角信息。

具体的，如图4所示，毫米波雷达上设有Angle Estimation模块，该模块包括两根接收天线，该模块通过接收天线接收信号的相位差来计算每一个过检测点的方位角和俯仰角信息。该模块通过接收天线接收信号的相位差来计算每一个过检测点的方位角和俯仰角信息。

具体的，如图6所示，毫米波雷达上设有两根接收天线RX，对于目标物的角度θ，设两接收天线RX接收信号的相位差为ω，则有

由此可以得到

其中，d_RX为毫米波雷达的两根接收天线的距离，计算每一个过检测点的方位角和俯仰角信息。

S104：通过聚类将一个真实目标产生的多个雷达目标聚类成一个目标，聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性，从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记，聚类是观察式学习，而不是示例式的学习。

具体的，通过Clustering模块将距离较近的目标点聚类为一个目标点，并得到聚类后目标点的距离、速度、方位角以及俯仰角。聚类为将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。

具体的，通过Angle Estimation模块得到了每一个目标点在极坐标系下的距离、方位角和俯仰角，通过坐标转换，得到目标在直角坐标系下的x、y、z的值。Clustering模块是把距离较近的目标点聚类为一个目标点，并得到聚类后目标点的距离r、速度v、方位角α、俯仰角β，以便于将目标点的信息输入机器学习网络中。

S200、数据处理：通过稀疏函数来处理雷达解析出来的信息，所述稀疏函数采用近似加速梯度法进行求解，所述稀疏函数为：

其中X∈R^n*d，R是实数，n是样本数，d是属性数，α是调整参数；

可见，稀疏函数是一个凸但非光滑的函数，在进行稀疏函数的求解时，首先按照近似加速梯度法将稀疏函数拆分成如下两个函数：

L(W)＝f(W)+α||W||_2.1，

可以看出f(W)是凸且可微的，而α||W||_2.1是凸且非光滑的，为了使用近似加速梯度法来优化W，采用如下的优化准则公式来迭代更新W：

W(t+1)＝argminG_η(t)(W,W(t))

其中

和W(t)分别是调优参数和t次迭代η(t)所得的W值。为了加快优化准则公式的近似梯度法，再引入一个辅助变量V(t+1)，定义为

通常

S300、机器学习：经过稀疏函数处理后的信息，整合为特征向量输入到神经网络中，进行手势分类，所述神经网络采用全连接神经网络，全连接神经网络是最朴素的神经网络，它的网络参数最多，计算量最大，全神经网络分为输入层，隐藏层，输出层，层与层之前每两两个神经元之间存在连接，代表着一个权重，其中隐藏层可以是多层，用来计算的，神经元是前一层的输出作为当前层的输入，用权重与输入之间的乘积加上偏置值，作为激活函数的输入，激活函数的值输出到下一层，直到所有的层都计算完，最后输出手势的分类结果。

具体的，以下对特征向量的整合步骤进行举例说明：经过稀疏函数处理后得到的是稀疏矩阵，稀疏矩阵每一行为一个样本，列为每个样本各个属性值；比如稀疏矩阵是7行9列，以每5行组成一个特征向量，所以组成的特征向量是一行5*9＝45列的一个一维数组，也就是特征向量，总共组成的特征向量个数是7-5+1＝3个。

本发明相对于现有技术，通过稀疏函数对雷达解析的信息进行处理，并整合为特征向量输入到神经网络中，进行手势分类，大大降低了输入神经网络中数据的复杂度和冗余性，提高了手势的识别精度，从而降低了手势的误识别率。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (6)

1.一种基于稀疏函数的毫米波雷达手势识别方法，包括如下步骤：

S100、雷达算法：通过雷达算法，解析出目标的的距离、速度、方位角和俯仰角等信息；

S200、数据处理：通过稀疏函数来处理雷达解析出来的信息；

S300、机器学习：经过稀疏函数处理后的信息，整合为特征向量输入到神经网络中，进行手势分类。

2.根据权利要求1所述的基于稀疏函数的毫米波雷达手势识别方法，其特征在于，在步骤S100中，雷达算法包括如下具体步骤：

S101、通过ADC采样得到的雷达基带数字信号；

S102、对数字信号分别在距离维做傅里叶变换和速度维做傅里叶变换，并将处理后的信号传入恒虚警概率下的检测器；

S103、通过角度估计来提取目标的方位角和俯仰角信息；

S104：通过聚类将一个真实目标产生的多个雷达目标聚类成一个目标。

3.根据权利要求2所述的基于稀疏函数的毫米波雷达手势识别方法，其特征在于，在步骤S101中，所述ADC采样采用毫米波雷达传感器。

4.根据权利要求1所述的基于稀疏函数的毫米波雷达手势识别方法，其特征在于，在步骤S200中，所述稀疏函数为：

其中X∈R^n*d，R是实数，n是样本数，d是属性数，α是调整参数。

5.根据权利要求4所述的基于稀疏函数的毫米波雷达手势识别方法，其特征在于，所述稀疏函数采用近似加速梯度法进行求解。

6.根据权利要求1所述的基于稀疏函数的毫米波雷达手势识别方法，其特征在于，在步骤S300中，所述神经网络采用全连接神经网络。

Images