CN111476058A - 一种基于毫米波雷达的手势识别方法 - Google Patents
一种基于毫米波雷达的手势识别方法 Download PDFInfo
- Publication number
- CN111476058A CN111476058A CN201910063997.8A CN201910063997A CN111476058A CN 111476058 A CN111476058 A CN 111476058A CN 201910063997 A CN201910063997 A CN 201910063997A CN 111476058 A CN111476058 A CN 111476058A
- Authority
- CN
- China
- Prior art keywords
- gesture
- layer
- millimeter wave
- wave radar
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000011176 pooling Methods 0.000 claims description 28
- 230000005284 excitation Effects 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 8
- 239000011159 matrix material Substances 0.000 description 20
- 239000013598 vector Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于毫米波雷达的手势识别方法,该方法包括:构建卷积神经网络模型;获取多种手势的轨迹图作为训练集F,基于所述训练集F对所述卷积神经网络模型训练,得到优化识别模型;所述手势轨迹图为最大峰值对应的动目标在距离‑多普勒坐标系下的移动轨迹;将识别手势的轨迹图输入所述优化识别模型,以识别出所述识别手势的手势类型。本发明实施方式提供的手势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练,得到优化识别模型,将识别手势的轨迹图输入优化识别模型,能够快速并准确的得到手势类型。手势识别方法较为简单,数据处理量少,计算简单。
Description
技术领域
本发明涉及手势识别技术领域,尤其是涉及一种基于毫米波雷达的手势识别方法。
背景技术
手势动作的识别一般是基于摄像头采集的信息进行处理,以实现不同手势的分类识别。手势识别的应用很广泛,比如远程开启开关、操纵微型电子设备、手语自动翻译等等,可以极大提高人民生活的便利性。但是,用摄像头识别手势动作存在以下的缺点:
(1)摄像头容易受到光线的影响,导致对手势的识别效果不好,一般当光照强度减小一半时,手势识别的准确率会减少三分之一。
(2)摄像头受探测距离的影响,当距离较远时,识别效果不好。而且,当人离传感器越远远时,往往就需要越高的摄像头分辨率,会造成数据量过大和成本过高的问题。
(3)基于摄像头的手势识别算法较为复杂,数据处理量大,导致功耗较大,对计算资源要求高,不便于集成到小型设备中。
(4)当一个摄像头联网后,很容易受到不法分子的攻击,导致隐私泄露。
发明内容
本发明的目的是提供一种基于毫米波雷达的手势识别方法,手势势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练,得到优化识别模型,将识别手势的轨迹图输入优化识别模型,能够快速并准确的得到手势类型。手势识别方法较为简单,数据处理量少,计算简单。
为解决上述问题,本发明的第一方面提供了一种基于毫米波雷达的手势识别方法,该方法包括:构建卷积神经网络模型;获取多种手势的轨迹图作为训练集F,基于所述训练集F对所述卷积神经网络模型训练,得到优化识别模型;将识别手势的轨迹图输入所述优化识别模型,以识别出所述识别手势的手势类型。
进一步地,手势的轨迹图获取方法包括:获取毫米波雷达对一个手势扫描产生的回波数据;基于回波数据得到多张RD图像;分别对每张所述RD图像的谱峰搜索并求出该图像最大峰值,进而得到多个最大峰值点;在RD坐标系下,将多个最大峰值点依次连线,得到该手势的轨迹图。
进一步地,卷积神经网络模型的结构依次包括:输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、第二激励层、第二池化层、第一全连接层、第二全连接层和输出层。
进一步地,识别出识别手势的手势类型步骤包括:基于优化识别模型,分别得到识别手势的轨迹图与训练集F中所有类型手势的概率,所有类型的手势概率之和为1;确定概率高于95%的手势为识别手势的类型。
进一步地,所述不同手势包括前后移动、左右移动、按钮和翻转中的一种或多种。
本发明的第二方面,还提供了一种基于毫米波雷达的手势识别***,该***包括:建模模块,构建卷积神经网络模型;训练模块,获取多种手势轨迹图作为训练集F,基于所述训练集F对所述卷积神经网络模型训练,得到优化识别模型;手势识别模块,将识别手势的轨迹图输入所述优化识别模型,以识别出所述识别手势的手势类型。
进一步地,训练模块获取手势的轨迹图的方法包括:获取毫米波雷达对一个手势扫描产生的回波数据;基于所述回波数据得到多张RD图像;分别对每张所述RD图像的谱峰搜索并求出该图像最大峰值,进而得到多个最大峰值点;在RD坐标系下,将多个最大峰值点依次连线,得到该手势的轨迹图。
进一步地,卷积神经网络模型的结构依次包括:输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、第二激励层、第二池化层、第一全连接层、第二全连接层和输出层。
进一步地,手势识别模块识别出识别手势的手势类型的步骤包括:基于优化识别模型,分别得到识别手势为训练集F中所有类型手势的概率,其中,所有类型的手势概率之和为1;确定概率高于95%的手势为所述识别手势的类型。
进一步地,手势包括前后移动、左右移动、按钮和翻转中的一种或多种。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明实施例方式提供的一种手势的轨迹图获取方法,对毫米波雷达对手势扫描产生的回波数据处理,得到手势的轨迹图,图上的每个点指的是最大峰值对应的动目标在一段时间内的运动信息,该运动信息包括动目标与雷达的距离和在这段时间内,动目标相对于毫米波雷达的径向速度。将该手势的轨迹图作为手势识别的一种特征,相对于现有技术,数据的处理量大幅度减少,计算较为简单。
(2)本发明实施方式提供的一种基于毫米波雷达的手势识别方法及***,手势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练,得到优化识别模型,将识别手势的轨迹图输入优化识别模型,能够快速并准确的得到手势类型。手势识别方法较为简单,数据处理量少,计算简单。
附图说明
图1是根据本发明第一实施方式的一种手势轨迹图获取方法的流程示意图;
图2是根据本发明第一实施方式的一种上下移动的手势的RD图;
图3是根据本发明第二实施方式的一种基于毫米波雷达的手势识别方法的流程示意图;
图4a为手指按钮手势动作的示意图;
图4b为手指做按钮的轨迹图;
图5a为手掌翻转运动的示意图;
图5b为手掌翻转运动的轨迹图;
图6a为左右移动手势的示意图;
图6b为左右移动手势的轨迹图;
图7a为上下移动手势的示意图;
图7b为上下移动手势的轨迹图;
图8是根据本发明第三实施方式的一种手势识别***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
图1是根据本发明第一实施方式的一种手势的轨迹图获取方法的流程示意图。
如图1所示,该方法包括步骤S102-步骤S108。
在一个可选的实施例中,该方法包括步骤S102-步骤S108:
步骤S102,获取毫米波雷达对一个手势扫描产生的回波数据。其中,回波数据为回波基带数据。
具体地,在手部动作存在的时间内,毫米波雷达每隔几毫秒对目标发射chirp信号,采集发射信号的回波基带数据。例如,手部动作持续时间为5秒,这5秒毫米波雷达采集100帧的数据,而每一帧的数据是毫米波雷达分多次采集的。比如说,毫米波雷达每隔5毫秒采集一次数据,采集一帧数据需毫米波雷达采集10次。
可选的,毫米波雷达选用线性调频连续波(linear frequency modulatedcontinuous wave,LFMCW)雷达,进一步可选的,采用77GHz LFMCW毫米波雷达。77GHz LFMCW毫米波雷达包含两个发射天线和四个接收天线,发射信号为线性调频连续波(LFMCW),发射信号最大带宽为4GHz,理论最大距离分辨率为3.75cm,可以探测到较为精细的手指运动。
需要说明的是,LFMCW是频率随时间周期性变化的波形,每个周期其频率一般随时间线性增长,称这个线性增长为chirp,chirp的参数(如时间,斜率)影响***性能,本发明设计了chirp信号的相关参数:带宽B为3.4404GHz、chirp周期为778us、每帧chirp数为32、每秒帧数为50以及每个chirp采样176点。发送方式采用双天线时分复用的方式发送,每秒共发射20帧chirp信号,每帧共发送64个chirp,由天线A,B交替发送。
步骤S104,基于所述回波数据得到多张RD图像。
具体地,将每次采集的回波数据进行快速傅里叶变换(FFT变换),每次都得到一个距离维的一维矩阵。
第一次采集回波数据得到的一维矩阵作为一个二维矩阵N的第一行,将第二次采集回波数据得到的一维矩阵作为该二维矩阵N的第二行,以此类推,得到该二维矩阵N,该二维矩阵N与雷达采集一帧的手势数据对应。
对该二维矩阵N的列向量做傅里叶变换,得到一个新的二维矩阵M。该二维矩阵M表示为雷达采集一帧的数据对应的一张RD图像(Range-Doppler,二维距离-多普勒)。
同理,利用上述步骤,采集同一手势的多张RD图像。比如,一个手势共有100帧数据,那么此处就会得到100张的RD图像。
步骤S106,分别对每张所述RD图像的谱峰搜索,得到多个最大峰值点。
具体地,对每张RD图像的谱峰搜索,得到手部动作对应的行坐标i和列坐标j以及值Mij,该Mij即为每张RD图的一个峰值点。
将每张RD图中的多个峰值点Mij,中的i,j,Mij作为行向量,多组行向量形成一个新矩阵O。对上述矩阵O求第三列的最大值,并把最大值所在行向量记为Vmax,该Vmax为该张RD图中的最大峰值点。以此类推,得到多张RD图中的每张图的最大峰值点。
步骤S108,在RD坐标系下,将多个最大峰值点依次连线,得到手部动作的轨迹图。手势的轨迹图为最大峰值对应的动目标在距离-多普勒坐标系下的移动轨迹。
具体地,依次将每个最大值行向量Vmax的第一列作为横坐标,第二列作为纵坐标用星号标在一个二维坐标系中并同时连接相邻两个行向量的星号,最终得到一个图像,该图像则为手势的轨迹图。
该手势的轨迹图是二维的距离-多普勒轨迹图,图上的每个点指的是最大峰值对应的动目标在一段时间内的运动信息,该运动信息包括动目标与雷达的距离和在这段时间内,动目标相对于毫米波雷达的径向速度。将该手势的轨迹图作为手势识别的一种特征,相对于现有技术,数据的处理量大幅度减少,计算较为简单。
图2为根据本发明第一实施方式提供的上下移动的手势的RD图(距离-多普勒图),在该图中,中间的黑白相间的格子表示为动目标,本申请中动目标是指手或者手的一部分,颜色的深浅表示为整个动目标对应的回波强度。颜色越深表示为动目标的该位置对应的回波强度越强。在该RD图中,最中间的黑色格子代表了在该RD图中的最大峰值。在此图中只有一个峰值。这个峰值对应动目标的回波最强的位置,横坐标表示该径向速度,纵坐标表示距雷达的距离。
图3是根据本发明第二实施方式的一种手势识别方法的流程示意图。
如图3所示,该方法包括步骤S201~S203:
步骤S201,构建卷积神经网络模型。
具体地,卷积神经网络模型的结构依次包括:输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、第二激励层、第二池化层、第一全连接层、第二全连接层和输出层。
进一步具体地,在搭建神经网络之前,需要进行卷积神经网络学习速率的配置以及卷积神经网络各层的权值初始化,以调节卷积神经网络训练速度和识别效果。例如,初始的卷积神经网络的各个参数为:学习速率等参数设置:learning_rate(学习率)为0.001,beta1(一阶矩估计的指数衰减率)为0.9,beta2(二阶矩估计的指数衰减率)为0.999,epsilon(该参数是非常小的数,其为了防止在实现中除以零)为10E-8。权重和偏置初始化为随机初始化。
步骤S202,获取多种手势的轨迹图作为训练集F,基于训练集F对卷积神经网络模型训练,得到优化识别模型。其中,训练集F中的手势的轨迹图都设置好对应的手势的标签,也就是说,训练集F中的手势都是已知的。
可选的,对卷积神经网络模型训练包括以下步骤:
步骤1,由于输入层只采用灰度信息,因此将训练数据集L中的每个手势数据设置为90x90x1的矩阵。
步骤2,将输入层数据依次经过第一卷积层、第一激励层和第一池化层进行过滤。其中,第一卷积层采用32个滤波器,通道数为1,卷积核为3x3,卷积步长为1,padding方式采用Same方式,即输入输出大小一致,第一激励层采用ReLU函数,经过第一卷积和激励层后输出为90x90x32的矩阵。第一池化层采用maxpooling方式,滤波器大小为2x2,步长为2,经过第一池化层后的输出为45x45x32。
步骤3,将第一池化层输出数据依次经过第二卷积层和第二池化层进行过滤。其中,第二卷积层与第一卷积层类似,只是通道数为32,激励函数也是采用ReLU函数,经过第二卷积层后的输出为45x45x32的矩阵,然后经过第二池化层,参数跟第一池化层参数类似,输出为23x23x32。
步骤4,将第二池化层的输出拉成一维向量,然后依次经过第一全连接层和第二全连接层,得到输出为4x1的矩阵。
步骤5,计算根据步骤1-4中各层得到输出值与目标值的误差,当误差大于预设的期望值时,将误差传回网络中,即根据求得的输出值与目标值的误差对权值进行更新。
将所有训练集F内的多种类型的多张手势的轨迹图输入卷积神经网络模型中并训练,最终得到一个精确参数的优化识别模型。
步骤S203,将识别手势的轨迹图输入优化识别模型,以识别出该识别手势的手势类型。
具体地,基于优化识别模型,分别得到所述识别手势为所述训练集F中所有手势类型的概率,其中,所有类型的手势概率之和为1;确定概率高于95%的手势为识别手势的类型。例如,训练集F中有4种手势,优化识别模型计算识别手势为A手势的概率为a%,为B手势的概率为b%,为C手势的概率为c%,为D手势的概率为d%。其中,a%、b%、c%和d%之和为1。最后,优化识别模型最将概率高于95%的手势类型输出。
可选的,上述训练集F内多种类型的手势的轨迹图包括四种手势动作:上下移动、左右移动、手掌翻转运动和手指做按钮动作。
下面作为示意性的给出了四种手势的动作示意图和按照第一实施方式得到的轨迹图。图4a为手指做按钮手势动作的示意图,图4b为按钮的轨迹图。图5a为手掌翻转运动的示意图,图5b为手掌翻转运动的轨迹图。图6a为左右移动手势的示意图,图6b为左右移动手势的轨迹图。图7a为上下移动手势的示意图,图7b为上下移动手势的轨迹图。
在本发明的第二实施方式中,一共采用了上述四种手势,采用132组手势轨迹图(每种手势33张)进行训练,并采用28组手势轨迹图(每种手势7张)进行测试,测试的手势的RD图象对应的手势类型全部识别正确。可见采用本发明第二实施方式提供的方法,具有较高的识别率。
本发明实施方式提供的一种基于毫米波雷达的手势识别方法及***,手势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练,得到优化识别模型,将识别手势的轨迹图输入优化识别模型,能够快速并准确的得到手势类型。手势识别方法较为简单,数据处理量少,计算简单。
图8是根据本发明第三实施方式的一种手势识别***的结构示意图。
如图8所示,该***包括:建模模块、训练模块和手势识别模块。
建模模块用于构建卷积神经网络模型。其中,卷积神经网络模型的结构依次包括:输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、激励层、第二池化层、第一全连接层、第二全连接层和输出层。
训练模块,获取多种手势轨迹图作为训练集F,基于训练集F对卷积神经网络模型训练,得到优化识别模型。可选的,卷积神经网络模型的训练过程可根据Adam算法,用分类结果已知的训练集估计出各层的权重和偏置,根据不断输入的训练集,权重和偏置会越来越精确。
可选的,对卷积神经网络模型训练包括以下步骤:
步骤1,由于输入层只采用灰度信息,因此将训练数据集L中的每个手势数据设置为90x90x1的矩阵。
步骤2,将输入层数据依次经过第一卷积层、第一激励层和第一池化层进行过滤。其中,第一卷积层采用32个滤波器,通道数为1,卷积核为3x3,卷积步长为1,padding方式采用Same方式,即输入输出大小一致,第一激励层采用ReLU函数,经过第一卷积和激励层后输出为90x90x32的矩阵。第一池化层采用maxpooling方式,滤波器大小为2x2,步长为2,经过第一池化层后的输出为45x45x32。
步骤3,将第一池化层输出数据依次经过第二卷积层和第二池化层进行过滤。其中,第二卷积层与第一卷积层类似,只是通道数为32,激励函数也是采用ReLU函数,经过第二卷积层后的输出为45x45x32的矩阵,然后经过第二池化层,参数跟第一池化层参数类似,输出为23x23x32。
步骤4,将第二池化层的输出拉成一维向量,然后依次经过第一全连接层和第二全连接层,得到输出为4x1的矩阵。
步骤5,计算根据步骤1-4中各层得到输出值与目标值的误差,当误差大于预设的期望值时,将误差传回网络中,即根据求得的输出值与目标值的误差对权值进行更新。
将所有训练集F内的多种类型的多张手势的轨迹图输入卷积神经网络模型中并训练,最终得到一个精确参数的优化识别模型。
手势识别模块,将识别手势的轨迹图输入优化识别模型,以识别出识别手势的手势类型。
具体地,识别出所述识别手势的手势类型的步骤包括:基于所述优化识别模型,分别得到所述识别手势为所述训练集F中所有类型手势的概率,其中,所有类型的手势概率之和为1;确定概率高于95%的手势为所述识别手势的类型。
可选的,当卷积神经网络模型计算得到所有类型的手势概率中,没有任何手势的概率高于95%,则模型输出“无法该识别手势”。
可选的,上述训练集F内多种类型的手势的轨迹图包括四种手势动作:上下移动、左右移动、手掌翻转运动和手指做按钮动作。
本发明实施方式提供的一种基于毫米波雷达的手势识别方法及***,手势识别方法中利用卷积神经网络模型对多种手势的轨迹图训练,得到优化识别模型,将识别手势的轨迹图输入优化识别模型,能够快速并准确的得到手势类型。手势识别方法较为简单,数据处理量少,计算简单。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (5)
1.一种基于毫米波雷达的手势识别方法,其特征在于,包括:
构建卷积神经网络模型;
获取多种手势的轨迹图作为训练集F,基于所述训练集F对所述卷积神经网络模型训练,得到优化识别模型;所述手势轨迹图为最大峰值对应的动目标在距离-多普勒坐标系下的移动轨迹;
将识别手势的轨迹图输入所述优化识别模型,以识别出所述识别手势的手势类型。
2.根据权利要求1所述的基于毫米波雷达的手势识别方法,其特征在于,手势的轨迹图获取方法包括:
获取毫米波雷达对一个手势扫描产生的回波数据;
基于所述回波数据得到多张RD图像;
分别对每张所述RD图像的谱峰搜索并求出该图像最大峰值,进而得到多个最大峰值点;
在RD坐标系下,将多个最大峰值点依次连线,得到该手势的轨迹图。
3.根据权利要求1所述的基于毫米波雷达的手势识别方法,其特征在于,所述卷积神经网络模型的结构依次包括:输入层、第一卷积层、第一激励层、第一池化层、第二卷积层、第二激励层、第二池化层、第一全连接层、第二全连接层和输出层。
4.根据权利要求1所述的基于毫米波雷达的手势识别方法,其特征在于,所述识别出所述识别手势的手势类型步骤包括:
基于所述优化识别模型,分别得到所述识别手势为所述训练集F中所有手势类型的概率,其中,所有类型的手势概率之和为1;
确定概率高于95%的手势为所述识别手势的类型。
5.根据权利要求1-4任一项所述的基于毫米波雷达的手势识别方法,其特征在于,所述手势包括前后移动、左右移动、按钮和翻转中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063997.8A CN111476058B (zh) | 2019-01-23 | 2019-01-23 | 一种基于毫米波雷达的手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063997.8A CN111476058B (zh) | 2019-01-23 | 2019-01-23 | 一种基于毫米波雷达的手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476058A true CN111476058A (zh) | 2020-07-31 |
CN111476058B CN111476058B (zh) | 2024-05-14 |
Family
ID=71743314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063997.8A Active CN111476058B (zh) | 2019-01-23 | 2019-01-23 | 一种基于毫米波雷达的手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476058B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363156A (zh) * | 2020-11-12 | 2021-02-12 | 苏州矽典微智能科技有限公司 | 隔空手势识别方法和装置以及智能设备 |
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 |
CN113267773A (zh) * | 2021-04-14 | 2021-08-17 | 北京航空航天大学 | 一种基于毫米波雷达的室内人员准确检测和精确定位方法 |
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 |
US20220082684A1 (en) * | 2021-09-07 | 2022-03-17 | Hangzhou Innovation Research Institute of Beijing University of Aeronautics and Astronautics | Millimeter wave radar gesture recognition method and device based on trajectory judgment |
CN114236492A (zh) * | 2022-02-23 | 2022-03-25 | 南京一淳科技有限公司 | 一种毫米波雷达微动手势识别方法 |
US11474232B2 (en) | 2021-03-19 | 2022-10-18 | KaiKuTek Inc. | Range doppler angle detection method and range doppler angle detection device |
WO2023029390A1 (zh) * | 2021-09-01 | 2023-03-09 | 东南大学 | 一种毫米波雷达手势检测识别方法 |
Citations (4)
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 |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
CN108334814A (zh) * | 2018-01-11 | 2018-07-27 | 浙江工业大学 | 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法 |
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 |
-
2019
- 2019-01-23 CN CN201910063997.8A patent/CN111476058B/zh active Active
Patent Citations (4)
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 |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
CN108334814A (zh) * | 2018-01-11 | 2018-07-27 | 浙江工业大学 | 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112363156A (zh) * | 2020-11-12 | 2021-02-12 | 苏州矽典微智能科技有限公司 | 隔空手势识别方法和装置以及智能设备 |
US11474232B2 (en) | 2021-03-19 | 2022-10-18 | KaiKuTek Inc. | Range doppler angle detection method and range doppler angle detection device |
CN113267773A (zh) * | 2021-04-14 | 2021-08-17 | 北京航空航天大学 | 一种基于毫米波雷达的室内人员准确检测和精确定位方法 |
CN113267773B (zh) * | 2021-04-14 | 2023-02-21 | 北京航空航天大学 | 一种基于毫米波雷达的室内人员准确检测和精确定位方法 |
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 |
WO2023029390A1 (zh) * | 2021-09-01 | 2023-03-09 | 东南大学 | 一种毫米波雷达手势检测识别方法 |
US20220082684A1 (en) * | 2021-09-07 | 2022-03-17 | Hangzhou Innovation Research Institute of Beijing University of Aeronautics and Astronautics | Millimeter wave radar gesture recognition method and device based on trajectory judgment |
CN114236492A (zh) * | 2022-02-23 | 2022-03-25 | 南京一淳科技有限公司 | 一种毫米波雷达微动手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111476058B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476058A (zh) | 一种基于毫米波雷达的手势识别方法 | |
CN110765974B (zh) | 基于毫米波雷达和卷积神经网络的微动手势识别方法 | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN108519812B (zh) | 一种基于卷积神经网络的三维微多普勒手势识别方法 | |
CN109188414A (zh) | 一种基于毫米波雷达的手势运动探测方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
Wu et al. | Dynamic hand gesture recognition using FMCW radar sensor for driving assistance | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN110689519A (zh) | 基于yolo网络的雾滴沉积图像检测***和方法 | |
WO2023029390A1 (zh) | 一种毫米波雷达手势检测识别方法 | |
CN104103033A (zh) | 图像实时处理方法 | |
KR102254331B1 (ko) | 공중 제스쳐 인식 장치 및 방법 | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
CN114972416A (zh) | 使用神经网络的基于雷达的对象跟踪 | |
CN114708663A (zh) | 一种基于少样本学习的毫米波雷达感知手势识别方法 | |
CN115902878A (zh) | 一种毫米波雷达人体行为识别方法 | |
Mauro et al. | Few-shot user-definable radar-based hand gesture recognition at the edge | |
CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
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 | |
CN116561700A (zh) | 基于毫米波雷达的室内人体姿态识别方法 | |
CN116524537A (zh) | 一种基于cnn和lstm联合的人体姿态识别方法 | |
CN114511873B (zh) | 基于毫米波雷达成像的静态手势识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |