CN116299427B 基于注意力机制的轻量级超宽带雷达手势识别方法 （中国人民解放军空军工程大学）

基于注意力机制的轻量级超宽带雷达手势本发明公开了一种基于注意力机制的轻量合通道注意力和空间注意力提高网络对目标区中提出的轻量级手势识别模型具有更好的泛化2S1：对超宽带雷达的手势回波信号进行采集与预S301：构建用于从手势回波信号的距离多普勒图谱中进行特征提取的三种运算单元，S302：基于步骤S301中构建的三种运算单元，建立串其中，步骤S13中对手势回波的数字信号进行杂波抑制以及滑窗多普勒处理的具体操r为回波信号频率；转换后的离散数字信号看做连续信号，则第一个等效采样后的模拟信号经A/D转换后的数3S135：由第一个等效采样后的模拟信号经A/D转换后的数字信号和第二个等效采样后2.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征43.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征4.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征步骤a1：将尺度伸缩单元的输入通过两个卷积支路进包括1x1Conv，3x3DW和1x1Conv，左支路中的1x1Conv中都包含有数据的批标准化BN和5.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征步骤b1：将基本计算单元的输入沿通道维度进行5步骤b4：将步骤b3的特征计算结果通过残差连接与6.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征步骤c1：通过控制全局池化的施行维度调节注意力单元输步骤c2：通过残差连接将获得联合注意力的特征与原7.根据权利要求1所述的基于注意力机制的轻量级超宽带雷达手势识别方法，其特征6实现手势分类。Youngwook等人通过DCNN网络提取雷达手势回波频谱图中的微多普勒信息分类。SruthySkaria等人利用两个可产生正交分量的接收天线，映射回波信号至三维空78[0040]进一步的，步骤S13中对手势回波的数字信号进行杂波抑制以及滑窗多普勒处理r为回波信号频率；[0054]S135：由第一个等效采样后的模拟信号经A/D转换后的数字信号和第二个等效采样后的模拟信号经A/D转换后的数字信号可以类推采样后的离9[0061]S137：通过滑动窗选取连续的N个脉冲，重复上述步骤S131～S136进行多普勒处[0076]步骤c1：通过控制全局池化的施行维度调节注意力单元三个阶段的基本计算单元中可循环结构的重复[0147]手势回波经过等效采样后相当于放大了β倍，回波中包含了手势运动过程中的位理在一个数据矩阵填充时间内最多可得到N倍于前者数量的距离多普勒图谱，其处理时序以保证当前矩阵包含有上一个数据矩阵中的N_m个采样脉冲的信息，保留了手势的连续历[0154]本发明中基于等效采样的滑窗多普勒算法中的多普勒效应具体操作包括以下步S,0)-au(sn(cy"+)(1c)[0173]S135：由第一个等效采样后的模拟信号经A/D转换后的数字信号和第二个等效采样后的模拟信号经A/D转换后的数字信号可以类推采样后的离[0179]S137：通过滑动窗选取连续的N个脉冲，重复上述步骤S131～S136进行多普勒处决通道分割后的组间信息不流通问题；利用全局池化沿通道维和空间维获取全局感受野，11为串行式脉冲超宽带雷达手势识别模型[0237]由表7中实验结果可以得出，噪声、杂波以及数据形式对手势识别结果有较大影[0238]由于轻量级网络ShuffleNetV2也是阶段式结构设计，故本文选择ShuffleNetV2网络进行注意力单元和基本运算单元的消融实验。利用公开数据集cifar10对网络进行性网络，命名为LShuffleV2，以及加入注意力单元的ShuffleNetV2剪枝网络，命名为CBAM_[0243]上述三种网络的训练曲线如附图15所示。图中红色曲线表示ShuffleNetV2原型[0247]上表9中的CBAM_bsi1网络和CBAM_bsi21网络表示加入了注意力单元的ShuffleNetV2并且将部分结构替换为基本运算单元的网络，其中2表示基本运算单元的重3Ubsi121在收敛点到来前准确率一直维持最高，在收敛点到来后向最高准确率上升过程[0255]采用本发明的自建数据集，通过10折交叉验证法测试模[0259]为了进一步验证算法的鲁棒性，将6个参与者(p1～p6)的手势回波数据进行相同[0260]如附图18中所示，蓝色代表VGG_16的识别结果，绿色代表MobileNetV2的识别结者手势识别结果中显示，VGG_16的识别率降到89.85MobileNetV2的识别率降低到均识别准确率为94.12MobileNetV2前六名志愿者的平均识别准确率为95.81CBAM_3Ubsi121网络的识别率达到了96.79与前六名志愿者的手势识别率未形成较大落差，附图19所示。图中蓝色曲线代表VGG_16的识别结果，绿色曲线代表MobileNetV2的识别结程度影响，VGG_16网络的10折交叉验证的平均准确率为92.29MobileNetV2的10折交叉验证平均准确率为93.59而CBAM_3Ubsi121网络仍然具有较高的识别率，维持在