CN111680539B 动态手势雷达识别方法和装置 （北京清雷科技有限公司）

本发明公开了一种动态手势雷达识别方法类型的动态手势归一化的时频图和该动态手势化的时频图；根据样本归一化的时频图进行建2采集预设数量的时域回波信号作为样本数据，其中，所述样本数述动态手势识别模型为卷积神经网络模型，所述卷积神经网络模型具有N路输入和一路输于表征动态手势在各个手势种类的概率分布中概根据所述动态手势识别模型对待识别的动态手势进行识别，得到所述其中，所述处理模块、所述融合模块、所述加权融合节点的连n=1,2,…,N，输入n依次经过处理模块；对于任意l=1,2,….,L，将所述归一化多分辨率时频图输入到所述卷积神经网络模型进行根据所述动态手势识别模型对待识别的动态手势进行识别，得到所述将概率最大值对应的类型确定为所述待识别的动态3所述分类网络输出个手势种类的概率分布确定概率分布与每个类型的动态手势之间的交括每个类型的动态手势归一化的时频图和该动态手建模单元，用于根据所述样本归一化的时频图进行建模，得到动态手所述一路输出用于表征动态手势在各个手势种类的概率分布中概识别单元，用于根据所述动态手势识别模型对待识别的动其中，为加权融合节点的第一输入，X,2为加权融合节点v的第二输入，为加权其中，所述处理模块、所述融合模块、所述加权融合节点的连第一识别模块，用于将所述归一化多分辨率时频图输入到第二识别模块，用于根据所述动态手势识别模型对待识别的动态手所述待识别的动态手势归属的类型和对应于该4时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的动态手势雷达识别方5多通道雷达的雷达体制优势是一个具有前景的classificationbasedonmultistaticradarmicro-Dopplersignaturesusingconvolutionalneuralnetwork,”IEEERadarConf.,Boston,MA,2019.公开了一种基于6多分辨率时频图；将所述归一化多分辨率时频图输入到所述卷积神经网络模型进行识别，待识别的动态手势的类型包括：根据所述动态手势识别模型对待识别的动态手势进行识下降方法对所述交叉熵损失函数进行最小化计算，得到所述动态手势识别模型的模型参时域回波信号的归一化多分辨率时频图，所述卷积神经网络模型的N路输入经过特征融合7的手势识别方法识别效果差的问题，进而达到了提高动态手势雷达识别方法准确率的效8员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范个类型的动态手势归一化的时频图和该动态手9≥1)位置各不相同的发射天线和MR个(MR＞1)位置各不相同的接收天线，获得N＝同的短时傅里叶变换窗函数的下标，第i组归一化多分辨率时频图与样本标签yi[0054]图2是本实施例的卷积神经网络的示意图，本实施例的多位点融合卷积神经网络具有N路输入和一路输出。多位点融合卷积神经网络的N路输入分别对应N路回波信号的归ll+xl[0056]上述各处理模块、融合模块、加权融合节点的连接关系如下：对于任意n＝1，[0058]将步骤(3)生成的训练集中的归一化多分辨率时频图输入步骤(4)构建点融合卷积神经网络的第n支路的输入为⃞(t,f)n=1,2…,N,任意支路的输入的第一输出各手势种类的概率分布，引入一个概率分布与已知手势种类yi之间的交叉熵损失函[0059]上述对步骤(4)构建的多位点融合卷积神经网络的训练可以选择以下两个模式之归一化多分辨率时频图，构成测试集.分别将测试集中的每个手势的归一化[0067]2、本实施例采用卷积神经网络进行数据处理，无需领域内专业人员选择经验特于表征动态手势在各个手势种类的概率分布中概波信号的归一化多分辨率时频图，卷积神经网络模型的N路输入经过特征融合网络融合为中包括每个类型的动态手势归一化的时频图和该动态手势的类型；对样本数据进行预处现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0089]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框