基于空间几何映射的雷达手势目标位置影响消除方法验证

)在之前的计算中，我们已经得到了、和，而和可以由第二章的估计方法得到。于是我们通过式子。可以得出。然后使用和，我们就可以得到预定义位置的RDM。第5章实验验证与结果分析5.1实验数据采集本文使用毫米波雷达在7个距离和方位角不同的人体位置采集手势数据，REF_Ref197701213\h图51展示了人体目标在实验中的位置：位置1（2m0°）、位置2（3m0°）、位置3（3m25°）、位置4（3m-25°）、位置5（5m0°）、位置6（5m25°）和位置7（5m-25°）。此外，本文设计并采集了8种手势，即前推（PF）、推拉（PP）、向左滑动（SL）、向右滑动（SR）、径向划圈（CR）、向上滑动（SU）、左右滑动（LR）和纵向划圈（CL），如REF_Ref197701341\h图52所示。参与实验的6名测量人员中，UserA（男，182cm）、UserB（男，177cm）、UserC（女，155cm）、UserD（男，173cm）、UserE（女，165cm）、UserF（男，175cm）。测试数据由UserA-UserE完成。测量人员在位置2处，每种手势采集12个样本；其余位置，每种手势采集6个样本。另采集UserE在位置2处8种手势的10个数据样本作为参考模型。经计算，手势数据样本总数为2000个。实验时，测试人员在各位置均面向雷达做手势动作。图5SEQ图\*ARABIC\s11采集数据位置图5SEQ图\*ARABIC\s128种手势动作5.2实验结果分析5.2.1干扰抑制性能分析在本小节中，对RDM图使用背景噪声抑制算法、基于2D-CA-CFAR的目标检测和基于DBSCAN的干扰抑制，对结果执行2D-FFT算法生成RAM和REM图，进行干扰抑制的前后对比。REF_Ref197701721\h图53(a)和REF_Ref197701721\h图53(b)分别为添加汉宁窗前后，经2D-FFT得到的RDM。对比可见，添加窗函数后，REF_Ref197701721\h图53(b)中RDM的拖尾现象显著改善，目标信噪比有所提高。REF_Ref197701721\h图53(c)是对REF_Ref197701721\h图53(b)进行背景噪声抑制后的结果。相较于REF_Ref197701721\h图53(b)，REF_Ref197701721\h图53(c)里所有目标的信噪比大幅提升，不过干扰目标的信噪比也随之增加。REF_Ref197701721\h图53(d)为对REF_Ref197701721\h图53(c)进行CFAR目标检测后的呈现。可以发现，REF_Ref197701721\h图53(c)中目标边缘部分以及速度维度的拖尾被有效消除，非目标点被全部滤除。此时，RDM中仅留存手势目标与功率较大的其他干扰目标。图5SEQ图\*ARABIC\s13初步干扰处理结果经过上面的步骤处理之后，目标的清晰度有了很明显的提升，周围的背景噪声也得到了有效的抑制，但CFAR处理后的RDM中仍然存在很多功率较高的干扰信号，需要进一步处理。本文运用DBSCAN算法对每一帧RDM开展聚类操作，随后将聚类结果按帧累加，接着分别计算各类簇累加后的方差，相关聚类与累加结果如REF_Ref197701926\h图54所示。REF_Ref197701926\h图54(a)呈现的是单帧RDM的聚类情况。从中可见，不同目标被划分成了4个簇，其中红色表示手势目标，绿色表示人体目标，蓝色和紫色分别代表测量环境里的动态和静态干扰。那些未归入相应簇的点被视作噪声，在图中以“×”标识。REF_Ref197701926\h图54(b)展示的是将每一帧聚类所得的簇累加后的结果，并计算了累加后每个簇的方差。与REF_Ref197701926\h图54(a)不同，累加后的簇体现的是每个目标在一段连续时间内的运动状态。依据前期研究，在连续时间里，手势目标在RDM上呈现连续变化且变化程度最为显著。而人体目标、静态干扰和动态干扰，因处于静止状态或持续时间短，在连续的RDM中变化幅度较小。所以，手势目标在连续时间内统计特性中的方差值明显高于其他目标。如REF_Ref197701926\h图54(b)所示，手势目标对应的红色Cluster1方差高达95.62，与其他干扰有显著差异。于是，把累加结果中方差最大的簇认定为手势目标，借此实现对手势目标的提取。图5SEQ图\*ARABIC\s14DBSCAN处理结果此外，通过REF_Ref197701926\h图54(b)能对所有簇进行分类，并提取出各簇包含的点。依据之前的研究，可通过计算功率来提取人体目标的参数信息，选取平均功率最大的簇作为人体目标，在提取出手势目标的簇后，依据簇中点对应的索引值，能够在REF_Ref197701721\h图53(d)中定位真正的手势目标，并剔除其余干扰目标，从而得到仅含手势的RDM。最后，为方便后续处理，选取RDM中功率最大的值作为手势目标的最终位置，处理结果如REF_Ref197702680\h图55所示。至此，完成RDM的干扰抑制，将手势目标从复杂背景环境中提取出来。由REF_Ref197702680\h图55(b)可知，经干扰抑制后，可得到手势目标在RDM图中的唯一索引。根据前文所述，在该索引位置执行角度2D-FFT算法，就能获得仅含手势目标的RAM和REM，无需重复上述干扰抑制过程。在获取干扰抑制后的RAM和REM后，和RDM类似，通过选取最大值来确定手势目标在参数图中的唯一位置。RAM和REM的干扰抑制结果如REF_Ref197702763\h图56所示。图5SEQ图\*ARABIC\s15RDM中手势目标提取结果从REF_Ref197702763\h图56(a)和REF_Ref197702763\h图56(d)可看出，若不对RDM图做任何处理，直接通过2D-FFT生成RAM和REM，参数图中会存在背景噪声和人体目标干扰，无法定位手势目标。而从REF_Ref197702763\h图56(b)和REF_Ref197702763\h图56(e)可知，借助RDM干扰抑制获取索引后，在2D-FFT基础上于索引位置执行角度2D-FFT生成RAM和REM时，可得到仅含手势目标的参数图，且背景噪声得到有效抑制。这是因为直接进行4D-FFT时，需通过平均RDM中所有位置的值来获取结果，而RDM中只有少部分位置代表手势，平均操作会使干扰信号位置的计算结果累加，造成最终参数图干扰积累。所以，通过获取RDM手势索引，后续只需对手势索引位置处角度2D-FFT的结果进行一次谱峰搜索，就能得到类似图REF_Ref197702680\h图55(b)的去噪结果，如REF_Ref197702763\h图56(c)和REF_Ref197702763\h图56(f)所示。同样，上述干扰抑制步骤也适用于人体目标，可依此获取人体目标的参数图，提取距离、方位角和俯仰角信息，为后续处理做准备。图5SEQ图\*ARABIC\s16RAM和REM干扰抑制结果5.2.2空间几何映射算法性能分析在该小节里，依据手势与人体的空间物理特性，利用参数映射算法，对干扰抑制后的每一帧参数图实施位置映射操作，再将各帧映射结果累加起来，从而生成连续时间维度的手势轨迹，具体情况如REF_Ref197703285\h图57所示。我们选择手势“SL”（左划），图中展示了该动作对应的RDM、RAM、REM的处理结果。将人体站在3米处角度为0的位置设为预定义位置。REF_Ref197703285\h图57(a)至REF_Ref197703285\h图57(c)表示人体在径向距离5m，方位角0°处执行动作的原始参数图，REF_Ref197703285\h图57(d)至REF_Ref197703285\h图57(f)表示人体在径向距离3m，方位角25°处执行动作的原始参数图，REF_Ref197703285\h图57(g)至REF_Ref197703285\h图57(l)表示执行映射算法后的结果（5m0°映射至3m0°，3m25°映射至3m0°），REF_Ref197703285\h图57(m)至REF_Ref197703285\h图57(o)表示人体径向距离3m，方位角0°位置执行动作的结果。从图中可以观察到，在不同的位置，所有的RDM、RAM、REM的手势轨迹都是不同的。从结果上看，位置5的RAM轨迹的方位角范围比位置2的方位角范围要小。原因是当人体处于不同位置执行相同手势时，尽管手臂的长度不变，但是径向距离是不同的，所以会导致方位角角度不同。将REF_Ref197703285\h图57(g)至REF_Ref197703285\h图57(l)与REF_Ref197703285\h图57(m)至REF_Ref197703285\h图57(o)进行比较可以看出，虽然人体位置不同，但映射处理后的RDM、RAM和REM的手势轨迹与在3m0°获得的所有轨迹相似。因此，通过映射算法，可以消除不同位置对手势参数的影响。图5SEQ图\*ARABIC\s17映射算法处理结果第6章结论与展望6.1研究工作总结本研究聚焦于雷达手势识别中用户位置变化对手势映射结果产生干扰这一关键问题，提出了基于空间几何映射的雷达目标位置影响消除方法，取得了多方面的研究成果。在研究背景与意义层面，明确了手势作为自然交互方式在物联网模式下的重要性，以及雷达手势识别技术在真实应用场景中面临的挑战。传统手势识别系统因忽略用户位置变化，致使映射效果不稳定，影响交互体验。而本研究成果对提升交互系统鲁棒性、实现多用户多位置协同交互、促进空间感知技术在智能终端落地以及推动雷达信号处理融合发展具有重要价值，为雷达人机交互系统的实用化、泛化与智能化发展奠定了基础。在研究过程中，深入剖析了国内外雷达手势识别技术的研究现状。国外研究中，MoritzScherer团队采用动态空间几何映射方法，降低了手势识别准确率波动；Kim等人结合连续波雷达与深度学习，但对目标位置变化敏感。国内众多高校和企业积极投入研究，在毫米波雷达感知与智能识别方面取得进展，但在手势识别系统的鲁棒性、位置适应性等方面仍需提升。此外，对FMCW雷达基础知识进行了系统梳理。详细阐述了FMCW雷达的基本系统结构，包括调频发射机、天线、混频器等器件的工作原理。搭建了以德州仪器公司设备为主的实验平台，介绍了手势数据采集流程、中频信号产生原理以及基于1D-FFT的距离估计等方法。通过对中频信号的处理和分析，实现对目标距离、速度、角度等多维参数的估计，为后续研究提供了技术支撑。6.2研究不足与展望尽管本研究在雷达手势目标位置影响消除方面取得一定成果，但仍存在一些不足之处。在算法效率方面，当前的空间几何映射算法在处理复杂场景下多用户、多手势数据时，计算复杂度较高，导致实时性不够理想。在实际应用场景中，如多人同时进行复杂手势交互的会议室场景，可能无法及时准确地识别和处理手势信号，影响交互体验。在算法鲁棒性方面，虽然研究提出的方法在一定程度上消除了目标位置变化的影响，但当遇到极端环境因素，如强电磁干扰、多径效应严重的场景时，算法的性能会受到较大影响。例如在金属结构复杂的工业厂房内，雷达信号的反射和散射情况复杂，现有的算法难以稳定地提取手势目标特征。

在研究范围拓展方面，目前主要集中在手势目标位置影响消除上，对于其他可能影响雷