CN107024685A - 一种基于距离‑速度特征的手势识别方法 - Google Patents

一种基于距离‑速度特征的手势识别方法 Download PDF

Info

Publication number
CN107024685A
CN107024685A CN201710227554.9A CN201710227554A CN107024685A CN 107024685 A CN107024685 A CN 107024685A CN 201710227554 A CN201710227554 A CN 201710227554A CN 107024685 A CN107024685 A CN 107024685A
Authority
CN
China
Prior art keywords
gesture
gesture identification
convolutional neural
neural networks
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710227554.9A
Other languages
English (en)
Inventor
樵明朗
王昊臣
王健伊
王俊
孙忠胜
张松阳
杨伟群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201710227554.9A priority Critical patent/CN107024685A/zh
Publication of CN107024685A publication Critical patent/CN107024685A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107—Static hand or arm

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于距离‑速度特征的手势识别方法，步骤如下：1，使用调频连续波雷达作为手势传感器，对接收到的差拍信号进行截取和排列，得到雷达回波信号2维矩阵；2，对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行二维FFT；3，利用R‑D图序列训练卷积神经网络；4，将实时的R‑D序列输入卷积神经网络模型，进行识别测试，最终得到的卷积神经网络的测试正确率超过98％；5，实现对电脑端的操作及实物的控制；本发明能在没有光照和不穿戴传感器的情况下进行手势识别，实现了与电脑端和实物的交互；本发明加入了实时检测，巧妙的解决了数据截取位置不确定造成的识别困难的问题，实现了实时的手势识别和控制，具有较好的实用价值。

Description

一种基于距离-速度特征的手势识别方法
技术领域
本发明提供一种基于距离-速度特征的手势识别方法，是一种基于雷达信号处理-卷积神经网络的手势识别方法，属于雷达技术领域和人机交互技术领域。
背景技术
对手势动作进行自动识别是机器理解人类手势语言的前提条件。手势识别是指利用某种传感器采集手势信息，然后通过数学算法对手势进行识别，其最终目的是进行设备操控和人机交互。随着计算机技术的发展，手势识别将成为继鼠标、键盘等传统输入工具之后的另一种人机交互方式。目前的手势识别方法包括穿戴传感器设备、光学图像识别等办法，但前者在使用中需要一直穿戴着设备，不仅十分不方便，而且应用范围受到一定的限制；光学图像识别方法容易受到环境的影响，当环境光照发生变化时，识别的错误率会大大增加。
通过雷达进行手势识别是一种新的途径。雷达向目标发送调频电磁波，同时接收被目标反射回来的电磁波，然后通过分析处理解调频后的信号，得到关于目标的距离、速度等信息，再经过进一步的处理得到不同手势的特征信息，达到识别手势的目的。使用雷达进行手势识别不需要穿戴繁杂的设备，不受光照等环境因素的影响，抗干扰能力强，可全天候工作。此外还具有集成度高、体积小、功耗低、成本低、实时性好等优点。
对调频连续波雷达接收到的差频信号进行二维FFT(快速傅里叶变换)处理，可以得到目标的距离-速度信息矩阵(简称为R-D图)。二维FFT的具体处理过程为：首先积累一定调频周期的差拍信号并排列成矩阵，每一行包含一个调频周期，然后分别对每一行和每一列进行FFT，即得到目标的R-D图。这种处理方法可以解除目标速度和多普勒之间的耦合，提高参数估计的精度。不同的手势动作具有不同的R-D特征，据此特征即可以完成手势识别。
卷积神经网络即CNN出现在20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时提出了CNN。CNN无需对图像进行复杂的前期处理，通过局部感受野和参数共享能有效降低网络参数数目，提高训练效率。深度CNN具有多层卷积结构，能够通过卷积层自动获得图像的特征，并完成目标的自动识别。深度CNN具有很强的学习能力，已经成为众多学科领域的研究热点，在模式识别、语音分析等领域得到了广泛应用。
发明内容
1.目的：
本发明专利的目的是提供一种基于距离-速度特征进行手势识别的方法。该方法通过对手势雷达回波进行二维FFT变换，得到目标的R-D图，以此作为深度CNN的输入，对不同的手势进行识别。该方法能够对多种手势进行高精度的实时识别，同时不受环境光照等因素的影响。
2.技术方案：一种基于距离-速度特征的手势识别方法
本发明是一种基于距离-速度特征的手势识别方法，利用电磁波进行非接触式手势识别。通过雷达发射线性调频连续波信号，接收目标回波信号并解调频，得到差拍信号，经采样后发送到PC端进行处理；PC端积累一定时长的差拍信号后进行二维FFT处理，得到目标的R-D图像；根据R-D图像进行动目标检测，检测到运动目标后，将R-D序列输入训练好的卷积神经网络进行实时的手势识别。
本发明是一种基于距离-速度特征的手势识别方法，该方法具体步骤包括：
步骤1，使用调频连续波雷达作为手势传感器，对接收到的差拍信号按慢时间的顺序进行排列，得到雷达回波信号2维矩阵，每行对应一个调频周期(慢时间)，每列对应一个距离单元(快时间)；
步骤2，对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行快速傅里叶变换即FFT，得到包含目标距离和速度信息的R-D图；二维FFT的计算公式如式(1)，
式中，X(l,k)是二维FFT变换的结果，NF表示慢时间维的采样点数，Ns表示快时间维的采样点数，xm(n)表示回波矩阵中第m个调频周期中的第n个采样；
步骤3，经试验统计，当目标进入雷达波束后，回波信号强度会发生明显变化，据此变化即可检测出运动目标是否存在；设定动目标检测阈值，当回波强度超过检测阈值时，即认为运动目标存在；检测到运动目标后，***连续采集12帧差拍信号并进行二维FFT变换，得到R-D图序列；
步骤4，随机选取步骤3得到的4种手势的R-D序列，分为训练集和测试集；将训练集输入深度卷积神经网络进行训练，用经过训练的卷积神经网络对测试集进行识别测试；经过10000次迭代训练，最终得到的卷积神经网络的测试正确率超过98％；
步骤5，按步骤3的方法实时采集雷达回波信号并检测运动目标，当检测到手势动作时将R-D序列存储并发送给卷积神经网络进行识别，实时输出识别结果，可以实现对电脑端的操作或者是实物的控制。
其中，在步骤2中所述的“对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行快速傅里叶变换即FFT”，其作法如下：首先，对回波矩阵的每一行进行FFT(快时间维)计算，然后依次对每一列进行FFT(慢时间维)计算，最后对整个矩阵的每个元素求模值得到二维FFT的结果。
其中，在步骤3中所述的“检测到运动目标后，***连续采集12帧差拍信号并进行二维FFT变换，得到R-D图序列”，其作法如下：程序中每次会统计R-D矩阵的“总功率”，即对整个R-D矩阵模值求和的结果，然后计算与上一次R-D矩阵“总功率”的差值，如果超过了一定阀值，就认为有动作发生，然后连续采集12帧数据，分别进行二维FFT变化后得到R-D序列，如果没有超过阀值，则不采集数据，继续检测。
其中，在步骤4中所述的“将训练集输入深度卷积神经网络进行训练，用经过训练的卷积神经网络对测试集进行识别测试”，其作法如下：将采集到的数据按4:1的比例分成训练集和测试集，对训练集中每组手势数据添加标签，然后送入卷积神经网络进行训练，同时每完成一次训练集上的训练就用测试集检测其预测准确度，如果准确度未达到要求就继续训练，否者停止训练。
其中，在步骤5中所述的“实时输出识别结果，可以实现对电脑端的操作或者是实物的控制”，是指我们将识别结果转化为控制信号，实现了对电脑端的控制，包括浏览网页、查看地图等功能，我们还实现了对机械臂等实物的控制，实现了一种新的人机交互方式。
通过以上步骤，我们实现了不依靠摄像头和传感器设备的手势识别，可以在没有光照和不穿戴传感器的情况下进行手势识别，并且实现了与电脑端和实物的交互，本发明能作为一种可靠的、新颖的人机互接口。本发明加入了实时检测，巧妙的解决了数据截取位置不确定造成的识别困难的问题，实现了实时的手势识别和控制，具有较好的实用价值。
3、优点及效果：
本发明是一种非接触式的手势识别方法，具有以下几个优点：
(1)本发明利用调频连续波雷达识别手势，避免了环境光照等因素对识别的影响，提高了识别***在不同环境状况下工作的可靠性，使得人机交互更加稳定和方便。
(2)本发明通过分析雷达信号的距离-速度特征来对不同手势进行识别，同时通过12帧R-D序列来描述一个手势动作，提高了不同手势的区分度。
(3)本发明采用深度卷积神经网络进行手势识别，能够学习到不同手势动作之间的微小差异，提高了手势识别的正确率。
(4)本发明采用运动目标检测和检测到动作后连续采集12帧R-D序列的方法，即避免了持续采集R-D图可能导致的动作混叠，又提高了准确率，实现了高精度的手势实时检测和识别。
附图说明
图1是本发明所述手势识别方法流程框图。
图2是本发明实施例中4种手势示意图。
具体实施方式
下面结合附图和实施例，对本发明的技术方案做进一步的说明。
本发明是一种基于距离-速度特征进行手势识别的方法，识别流程如图1所示，具体包括：
步骤1，线性调频连续波雷达发射载频为23GHZ信号，雷达天线波束宽度为12°x25°，能够照射整个手掌。由于手势识别属于近距离应用，手掌距离雷达一般在0.5m以内，所以设定雷达的发送功率为6dBm。对接收到的雷达差拍信号按慢时间的顺序进行排列，得到雷达回波信号2维矩阵，每行对应一个调频周期(慢时间)，每列对应一个距离单元(快时间)。雷达调频周期为2.5ms，采样率为48kHz，每个雷达回波矩阵包括32个调频周期，。
步骤2，对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行FFT，得到包含目标距离和速度信息的R-D图。当目标运动时，R-D图会在距离和速度上发生变化，由此可以作为识别不同手势的特征。二维FFT的计算公式如式(1)，
式中，X(l,k)是二维FFT变换的结果，NF表示慢时间维的采样点数，Ns表示快时间维的采样点数，xm(n)表示回波矩阵中第m个调频周期中的第n个采样；
步骤3，经试验统计，当目标进入雷达波束后，回波信号强度会发生明显变化，据此变化即可检测出运动目标是否存在。对经过二维FFT变换后的信号强度进行求和处理，并依据试验统计结果设定动目标检测阈值，当回波强度和小于阈值时，认为没有手势动作，舍弃这一帧数据，进入下一帧数据的采集和处理，这样既不会占用存储空间，也避免了静止情况下噪声的影响；当回波强度和超过检测阈值时，即认为运动目标存在，***连续采集12帧差拍信号，进行二维FFT变换，得到R-D图序列并存储，供CNN训练和测试使用。测试的4种手势如图2所示，这里每个手势的动作持续时间都在1s以内，12帧数据可以完整的代表整个手势动作过程。R-D序列即避免了持续数据采集导致的前后动作之间的混叠，又基本保证了动作信息的完整性，实现了高精度的实时手势检测和识别。每种手势对应的R-D图序列都有所不同，比如前推手势的R-D图序列有一个明显的速度先变大后变小的过程，而旋转手势的R-D图序列会在正负速度方向上都出现峰值。由于每种手势都有特定的R-D序列特征，因此，据此特征进行手势识别是可行的。
步骤4，读取步骤3存储的R-D序列，随机选取80％的数据作为训练集，其余的数据作为测试集，对深度卷积神经网络进行训练和测试。生成训练测试数据时共采集了三个人的手势数据，每人每个手势动作重复50次。所以每个手势的训练集包含120组R-D序列，测试集包含30组R-D序列，测试集的识别准确率达到了98％以上。
步骤5，按步骤3的方法实时采集和检测雷达回波信号，当检测到手势动作时将数据存储并发送给训练好的深度卷积神经网络进行识别，实时输出识别结果。每个手势动作重复20次，实时测试结果如表1所示。
表1：4类手势识别成功率表
手势/准确率 静止 前推 后拉 翻转手掌
静止 95％ 0 0 5％
前推 0 100％ 0 0
后拉 0 0 100％ 0
翻转手掌 5％ 0 0 95％
从实验结果可以看到，每个手势动作的实时识别准确率都很高，达到了95％以上，其中前推和后拉动作的识别率均达到了100％。其原因在于：1、采用了调频连续波雷达进行近距离测量，测距测速的精度很高；2、利用手势的R-D图作为识别特征，并且采用12帧序列作为一个手势的完整描述，R-D序列中的距离和速度关系能有效区分不同的手势；3、采用了深度卷积神经网络进行识别，能够充分提取各种手势R-D图中的细微特征，准确地对不同手势进行识别。
综上所述，本发明通过分析手势的距离-速度特征，利用R-D序列对深度卷积神经网络进行训练，最终得到的网络模型能够进行实时、高精度的手势识别。

Claims (5)

1.一种基于距离-速度特征的手势识别方法，其特征在于：该方法具体步骤包括：
步骤1，使用调频连续波雷达作为手势传感器，对接收到的差拍信号按慢时间的顺序进行排列，得到雷达回波信号2维矩阵，每行对应一个调频周期即慢时间，每列对应一个距离单元即快时间；
步骤2，对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行快速傅里叶变换即FFT，得到包含目标距离和速度信息的R-D图；二维FFT的计算公式如式(1)，
式中，X(l,k)是二维FFT变换的结果，NF表示慢时间维的采样点数，Ns表示快时间维的采样点数，xm(n)表示回波矩阵中第m个调频周期中的第n个采样；
步骤3，经试验统计，当目标进入雷达波束后，回波信号强度会发生明显变化，据此变化即能检测出运动目标是否存在；设定动目标检测阈值，当回波强度超过检测阈值时，即认为运动目标存在；检测到运动目标后，***连续采集12帧差拍信号并进行二维FFT变换，得到R-D图序列；
步骤4，随机选取步骤3得到的4种手势的R-D序列，分为训练集和测试集；将训练集输入深度卷积神经网络进行训练，用经过训练的卷积神经网络对测试集进行识别测试；经过10000次迭代训练，最终得到的卷积神经网络的测试正确率超过98％；
步骤5，按步骤3的方法实时采集雷达回波信号并检测运动目标，当检测到手势动作时将R-D序列存储并发送给卷积神经网络进行识别，实时输出识别结果，能实现对电脑端的操作及实物的控制；
通过以上步骤，我们实现了不依靠摄像头和传感器设备的手势识别，能在没有光照和不穿戴传感器的情况下进行手势识别，并且实现了与电脑端和实物的交互，能作为一种可靠的、新颖的人机互接口；本发明加入了实时检测，巧妙的解决了数据截取位置不确定造成的识别困难的问题，实现了实时的手势识别和控制，具有很好的实用价值。
2.根据权利要求1所述的一种基于距离-速度特征的手势识别方法，其特征在于：
在步骤2中所述的“对步骤1中的雷达回波矩阵，分别沿快时间维和慢时间维进行快速傅里叶变换即FFT”，其作法如下：首先，对回波矩阵的每一行进行FFT即快时间维计算，然后依次对每一列进行FFT即慢时间维计算，最后对整个矩阵的每个元素求模值得到二维FFT的结果。
3.根据权利要求1所述的一种基于距离-速度特征的手势识别方法，其特征在于：
在步骤3中所述的“检测到运动目标后，***连续采集12帧差拍信号并进行二维FFT变换，得到R-D图序列”，其作法如下：程序中每次会统计R-D矩阵的“总功率”，即对整个R-D矩阵模值求和的结果，然后计算与上一次R-D矩阵“总功率”的差值，如果超过了一定阀值，就认为有动作发生，然后连续采集12帧数据，分别进行二维FFT变化后得到R-D序列，如果没有超过阀值，则不采集数据，继续检测。
4.根据权利要求1所述的一种基于距离-速度特征的手势识别方法，其特征在于：
在步骤4中所述的“将训练集输入深度卷积神经网络进行训练，用经过训练的卷积神经网络对测试集进行识别测试”，其作法如下：将采集到的数据按4:1的比例分成训练集和测试集，对训练集中每组手势数据添加标签，然后送入卷积神经网络进行训练，同时每完成一次训练集上的训练就用测试集检测其预测准确度，如果准确度未达到要求就继续训练，否者停止训练。
5.根据权利要求1所述的一种基于距离-速度特征的手势识别方法，其特征在于：
在步骤5中所述的“实时输出识别结果，能实现对电脑端的操作及实物的控制”，是指我们将识别结果转化为控制信号，实现了对电脑端的控制，包括浏览网页和查看地图功能，我们还实现了对机械臂实物的控制，实现了一种新的人机交互方式。
CN201710227554.9A 2017-04-10 2017-04-10 一种基于距离‑速度特征的手势识别方法 Pending CN107024685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710227554.9A CN107024685A (zh) 2017-04-10 2017-04-10 一种基于距离‑速度特征的手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710227554.9A CN107024685A (zh) 2017-04-10 2017-04-10 一种基于距离‑速度特征的手势识别方法

Publications (1)

Publication Number Publication Date
CN107024685A true CN107024685A (zh) 2017-08-08

Family

ID=59526796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710227554.9A Pending CN107024685A (zh) 2017-04-10 2017-04-10 一种基于距离‑速度特征的手势识别方法

Country Status (1)

Country Link
CN (1) CN107024685A (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108200706A (zh) * 2018-01-25 2018-06-22 宁波隔空智能科技有限公司 一种基于微波雷达手势识别技术的照明灯具及其控制方法
CN108331114A (zh) * 2018-01-25 2018-07-27 宁波隔空智能科技有限公司 一种基于微波雷达手势识别技术的马桶及其控制方法
CN108344996A (zh) * 2018-01-25 2018-07-31 隔空（上海）智能科技有限公司 一种基于微波雷达手势识别技术的面板开关及其控制方法
CN108344995A (zh) * 2018-01-25 2018-07-31 宁波隔空智能科技有限公司 一种基于微波雷达技术的手势识别装置及手势识别方法
CN108361780A (zh) * 2018-01-25 2018-08-03 宁波隔空智能科技有限公司 基于微波雷达手势识别技术的抽油烟机控制器及控制方法
CN108828548A (zh) * 2018-06-26 2018-11-16 重庆邮电大学 一种基于fmcw雷达的三参数融合数据集构建方法
CN108844186A (zh) * 2018-03-30 2018-11-20 广东美的制冷设备有限公司 空调器的控制方法、空调器和计算机可读存储介质
CN109164915A (zh) * 2018-08-17 2019-01-08 湖南时变通讯科技有限公司 一种手势识别方法、装置、***和设备
CN109188414A (zh) * 2018-09-12 2019-01-11 北京工业大学 一种基于毫米波雷达的手势运动探测方法
CN109271838A (zh) * 2018-07-19 2019-01-25 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法
CN109583436A (zh) * 2019-01-29 2019-04-05 杭州朗阳科技有限公司 一种基于毫米波雷达的手势识别***
CN109829509A (zh) * 2019-02-26 2019-05-31 重庆邮电大学 基于融合神经网络的雷达手势识别方法
CN110031827A (zh) * 2019-04-15 2019-07-19 吉林大学 一种基于超声波测距原理的手势识别方法
CN110111651A (zh) * 2018-02-01 2019-08-09 周玮 基于体态感知的智能语言交互***
CN110210330A (zh) * 2019-05-13 2019-09-06 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN110309689A (zh) * 2018-03-27 2019-10-08 南京理工大学 基于超宽带雷达的Gabor域手势识别检测方法
CN110647803A (zh) * 2019-08-09 2020-01-03 深圳大学 一种手势识别方法、***以及存储介质
CN110741385A (zh) * 2019-06-26 2020-01-31 Oppo广东移动通信有限公司 手势识别的方法和设备、定位追踪的方法和设备
CN110799927A (zh) * 2018-08-30 2020-02-14 Oppo广东移动通信有限公司 一种手势识别方法及终端、存储介质
CN110826426A (zh) * 2019-10-21 2020-02-21 中国汽车技术研究中心有限公司 一种车载手势识别测试***及测试方法
CN110941331A (zh) * 2018-09-21 2020-03-31 国际商业机器公司 使用3d毫米波雷达的手势识别
CN111476058A (zh) * 2019-01-23 2020-07-31 北京邮电大学 一种基于毫米波雷达的手势识别方法
CN111813223A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于高分辨雷达信号的手势自动分割识别方法
CN111813222A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于太赫兹雷达的精细动态手势识别方法
CN112415510A (zh) * 2020-11-05 2021-02-26 深圳大学 双站雷达手势识别方法、装置、***和存储介质
WO2021068470A1 (zh) * 2020-04-09 2021-04-15 浙江大学 一种基于雷达信号的身份及手势识别方法
CN112965060A (zh) * 2021-02-19 2021-06-15 加特兰微电子科技(上海)有限公司 生命特征参数的检测方法、装置和检测体征点的方法
WO2021203364A1 (zh) * 2020-04-09 2021-10-14 浙江大学 一种用于身份识别的雷达信号处理方法
TWI756122B (zh) * 2021-04-30 2022-02-21 開酷科技股份有限公司 距離都卜勒雷達角度感測方法及裝置
US11474232B2 (en) 2021-03-19 2022-10-18 KaiKuTek Inc. Range doppler angle detection method and range doppler angle detection device
CN116027325A (zh) * 2023-03-31 2023-04-28 泛擎科技(深圳)有限公司 基于智能可穿戴设备的人体动作识别方法、装置
US11639985B2 (en) 2020-07-02 2023-05-02 International Business Machines Corporation Three-dimensional feature extraction from frequency modulated continuous wave radar signals
CN117519474A (zh) * 2023-11-06 2024-02-06 中国人民解放军陆军工程大学 一种考虑运动先验的雷达手势特征获取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740823A (zh) * 2016-02-01 2016-07-06 北京高科中天技术股份有限公司 基于深度卷积神经网络的动态手势轨迹识别方法
US20160252607A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture Recognition using Frequency Modulated Continuous Wave (FMCW) Radar with Low Angle Resolution
US20160259037A1 (en) * 2015-03-03 2016-09-08 Nvidia Corporation Radar based user interface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160252607A1 (en) * 2015-02-27 2016-09-01 Texas Instruments Incorporated Gesture Recognition using Frequency Modulated Continuous Wave (FMCW) Radar with Low Angle Resolution
US20160259037A1 (en) * 2015-03-03 2016-09-08 Nvidia Corporation Radar based user interface
CN105740823A (zh) * 2016-02-01 2016-07-06 北京高科中天技术股份有限公司 基于深度卷积神经网络的动态手势轨迹识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YOUNGWOOK KIM AND BRIAN TOOMAJIAN: "Hand Gesture Recognition Using Micro-Doppler Signatures With Convolutional Neural Network", 《DIGITAL OBJECT IDENTIFIER 》 *
夏春艳: "1.3.4 训练集和测试集", 《数据挖掘技术与应用》 *
朱学峰 等: "《第十三届中国过程控制年会论文集 过程控制科学技术与应用》", 31 July 2002 *
费元春: "5.2 超宽带目标检测理论以及时延估计算法的研究", 《超宽带雷达理论与技术》 *

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108331114A (zh) * 2018-01-25 2018-07-27 宁波隔空智能科技有限公司 一种基于微波雷达手势识别技术的马桶及其控制方法
CN108344996A (zh) * 2018-01-25 2018-07-31 隔空（上海）智能科技有限公司 一种基于微波雷达手势识别技术的面板开关及其控制方法
CN108344995A (zh) * 2018-01-25 2018-07-31 宁波隔空智能科技有限公司 一种基于微波雷达技术的手势识别装置及手势识别方法
CN108361780A (zh) * 2018-01-25 2018-08-03 宁波隔空智能科技有限公司 基于微波雷达手势识别技术的抽油烟机控制器及控制方法
CN108200706A (zh) * 2018-01-25 2018-06-22 宁波隔空智能科技有限公司 一种基于微波雷达手势识别技术的照明灯具及其控制方法
CN110111651A (zh) * 2018-02-01 2019-08-09 周玮 基于体态感知的智能语言交互***
CN110309689B (zh) * 2018-03-27 2023-04-07 南京理工大学 基于超宽带雷达的Gabor域手势识别检测方法
CN110309689A (zh) * 2018-03-27 2019-10-08 南京理工大学 基于超宽带雷达的Gabor域手势识别检测方法
CN108844186A (zh) * 2018-03-30 2018-11-20 广东美的制冷设备有限公司 空调器的控制方法、空调器和计算机可读存储介质
CN108828548A (zh) * 2018-06-26 2018-11-16 重庆邮电大学 一种基于fmcw雷达的三参数融合数据集构建方法
CN109271838A (zh) * 2018-07-19 2019-01-25 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法
CN109271838B (zh) * 2018-07-19 2020-11-03 重庆邮电大学 一种基于fmcw雷达的三参数特征融合手势识别方法
CN109164915A (zh) * 2018-08-17 2019-01-08 湖南时变通讯科技有限公司 一种手势识别方法、装置、***和设备
CN109164915B (zh) * 2018-08-17 2020-03-17 湖南时变通讯科技有限公司 一种手势识别方法、装置、***和设备
CN110799927B (zh) * 2018-08-30 2022-02-15 Oppo广东移动通信有限公司 一种手势识别方法及终端、存储介质
EP3640674A4 (en) * 2018-08-30 2020-08-26 Guangdong Oppo Mobile Telecommunications Corp., Ltd. PROCEDURE FOR GESTURE RECOGNITION, TERMINAL DEVICE AND STORAGE MEDIUM
US11061115B2 (en) 2018-08-30 2021-07-13 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for gesture recognition, terminal, and storage medium
CN110799927A (zh) * 2018-08-30 2020-02-14 Oppo广东移动通信有限公司 一种手势识别方法及终端、存储介质
CN109188414A (zh) * 2018-09-12 2019-01-11 北京工业大学 一种基于毫米波雷达的手势运动探测方法
CN110941331A (zh) * 2018-09-21 2020-03-31 国际商业机器公司 使用3d毫米波雷达的手势识别
CN111476058A (zh) * 2019-01-23 2020-07-31 北京邮电大学 一种基于毫米波雷达的手势识别方法
CN111476058B (zh) * 2019-01-23 2024-05-14 北京邮电大学 一种基于毫米波雷达的手势识别方法
CN109583436B (zh) * 2019-01-29 2023-09-12 杭州朗阳科技有限公司 一种基于毫米波雷达的手势识别***
CN109583436A (zh) * 2019-01-29 2019-04-05 杭州朗阳科技有限公司 一种基于毫米波雷达的手势识别***
CN109829509B (zh) * 2019-02-26 2022-11-22 重庆邮电大学 基于融合神经网络的雷达手势识别方法
CN109829509A (zh) * 2019-02-26 2019-05-31 重庆邮电大学 基于融合神经网络的雷达手势识别方法
CN110031827B (zh) * 2019-04-15 2023-02-07 吉林大学 一种基于超声波测距原理的手势识别方法
CN110031827A (zh) * 2019-04-15 2019-07-19 吉林大学 一种基于超声波测距原理的手势识别方法
WO2020228141A1 (zh) * 2019-05-13 2020-11-19 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN110210330B (zh) * 2019-05-13 2021-05-28 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN110210330A (zh) * 2019-05-13 2019-09-06 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN110741385B (zh) * 2019-06-26 2023-11-07 Oppo广东移动通信有限公司 手势识别的方法和设备、定位追踪的方法和设备
CN110741385A (zh) * 2019-06-26 2020-01-31 Oppo广东移动通信有限公司 手势识别的方法和设备、定位追踪的方法和设备
CN110647803A (zh) * 2019-08-09 2020-01-03 深圳大学 一种手势识别方法、***以及存储介质
CN110826426B (zh) * 2019-10-21 2022-07-29 中国汽车技术研究中心有限公司 一种车载手势识别测试***及测试方法
CN110826426A (zh) * 2019-10-21 2020-02-21 中国汽车技术研究中心有限公司 一种车载手势识别测试***及测试方法
WO2021203364A1 (zh) * 2020-04-09 2021-10-14 浙江大学 一种用于身份识别的雷达信号处理方法
US20210318427A1 (en) * 2020-04-09 2021-10-14 Zhejiang University Method for recognizing identity and gesture based on radar signals
US11947002B2 (en) * 2020-04-09 2024-04-02 Zhejiang University Method for recognizing identity and gesture based on radar signals
WO2021068470A1 (zh) * 2020-04-09 2021-04-15 浙江大学 一种基于雷达信号的身份及手势识别方法
US11639985B2 (en) 2020-07-02 2023-05-02 International Business Machines Corporation Three-dimensional feature extraction from frequency modulated continuous wave radar signals
CN111813223A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于高分辨雷达信号的手势自动分割识别方法
CN111813222A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于太赫兹雷达的精细动态手势识别方法
CN111813222B (zh) * 2020-07-09 2022-03-29 电子科技大学 一种基于太赫兹雷达的精细动态手势识别方法
CN111813223B (zh) * 2020-07-09 2022-04-22 电子科技大学 一种基于高分辨雷达信号的手势自动分割识别方法
CN112415510A (zh) * 2020-11-05 2021-02-26 深圳大学 双站雷达手势识别方法、装置、***和存储介质
CN112965060A (zh) * 2021-02-19 2021-06-15 加特兰微电子科技(上海)有限公司 生命特征参数的检测方法、装置和检测体征点的方法
US11474232B2 (en) 2021-03-19 2022-10-18 KaiKuTek Inc. Range doppler angle detection method and range doppler angle detection device
TWI756122B (zh) * 2021-04-30 2022-02-21 開酷科技股份有限公司 距離都卜勒雷達角度感測方法及裝置
CN116027325A (zh) * 2023-03-31 2023-04-28 泛擎科技(深圳)有限公司 基于智能可穿戴设备的人体动作识别方法、装置
CN117519474A (zh) * 2023-11-06 2024-02-06 中国人民解放军陆军工程大学 一种考虑运动先验的雷达手势特征获取方法
CN117519474B (zh) * 2023-11-06 2024-05-14 中国人民解放军陆军工程大学 一种考虑运动先验的雷达手势特征获取方法

Similar Documents

Publication Publication Date Title
CN107024685A (zh) 一种基于距离‑速度特征的手势识别方法
CN109917347A (zh) 一种基于时频域稀疏重构的雷达行人检测方法
CN110348288B (zh) 一种基于77GHz毫米波雷达信号的手势识别方法
CN102198003B (zh) 肢体运动检测评估网络***及其方法
CN110458095A (zh) 一种有效手势的识别方法、控制方法、装置和电子设备
Zhao et al. Cubelearn: End-to-end learning for human motion recognition from raw mmwave radar signals
CN102243687A (zh) 一种基于动作识别技术的体育教学辅助***及其实现方法
CN113837131B (zh) 一种基于fmcw毫米波雷达的多尺度特征融合手势识别方法
Zheng et al. Human posture reconstruction for through-the-wall radar imaging using convolutional neural networks
CN106772299B (zh) 一种基于距离匹配的pd雷达微弱目标动态规划检测方法
CN112364689A (zh) 基于cnn与雷达图像的人体动作与身份多任务识别方法
CN103714554A (zh) 一种基于传播融合的视频跟踪方法
Al-Wesabi et al. Artificial Intelligence Enabled Apple Leaf Disease Classification for Precision Agriculture.
CN110031827A (zh) 一种基于超声波测距原理的手势识别方法
Ishak et al. Human motion training data generation for radar based deep learning applications
CN115877376A (zh) 基于多头自注意力机制的毫米波雷达手势识别方法及识别***
CN111401180A (zh) 神经网络识别模型训练方法、装置、服务器及存储介质
Kim et al. A study on 3D human pose estimation using through-wall IR-UWB radar and transformer
CN111353391A (zh) 雷达干扰效果评估方法、装置、电子设备及其存储介质
Sonny et al. Carry Objects Detection utilizing mmWave Radar Sensor and Ensemble Based Extra Tree Classifier on the Edge Computing Systems
CN116794602A (zh) 一种应用于干扰环境下的毫米波雷达动态手势识别方法
Song et al. High-accuracy gesture recognition using mm-wave radar based on convolutional block attention module
CN115754956A (zh) 基于包络数据时间序列的毫米波雷达手势识别方法
Cho et al. Classification of human body motions using an ultra-wideband pulse radar
CN103826202A (zh) 基于手机传感器信息改进WiFi定位结果跳动的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170808