[發明專利]基于調頻連續波的元學習手勢識別方法

在審

• 申請號: 202210256419.8
• 申請日: 2022-03-16
• 公開（公告）號: CN114692679A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 鄭海峰;沈翔宇;馮心欣;胡錦松
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于調頻連續波的元學習手勢識別方法。該方法利用元學習網絡能夠使用少量帶標簽樣本即實現對手勢的高精度識別。此外本方法考慮了手勢的角度特征以及多個特征間的內部關系，利用基于3D卷積神經網絡的雙通道融合特征提取網絡提取關鍵特征用于手勢識別，有效地提高了手勢識別的精度。同時，本方法在多維特征融合階段，利用基于哈達瑪積的特征融合方法，考慮了多維度特征之間的空間相關性，有助于進一步提高手勢識別精度。

技術領域

本發明涉及物聯網技術領域，具體涉及一種基于調頻連續波的元學習手勢識別方法。

背景技術

隨著物聯網理念的廣泛傳播和人機交互技術的快速發展，非接觸式的交互方式變得越來越重要。作為人類最古老的交互方式之一的手勢交互因其諸多優點，近年來得到了廣泛關注。手勢識別技術也被廣泛地用于諸多領域。例如在手勢識別技術在虛擬現實和增強現實領域的廣泛運用能夠增強人們的交互體驗。最近上市的一些汽車中也配備了基于手勢識別技術的非接觸式車輛控制功能，為客戶提供了一種嘈雜環境中的車輛控制替代方案。因為在這種環境下，原本配備的語音識別會受到噪聲的嚴重影響。此外，手勢識別技術也被應用于許多垂直行業，例如工業物聯網，機器人控制和智能家居等。手勢識別技術顯著提高了人機交互的效率和用戶體驗。

目前，根據用于手勢識別的數據種類，手勢識別可被劃分為三種類型，即基于視覺的方法，基于傳感器的方法以及基于雷達的方法。在以上三種類型的手勢識別方法中，基于視覺的方法容易受到環境中光照條件的影響，在較差的光照下，該類方法的識別精度會嚴重下降?；趥鞲衅鞯氖謩葑R別方法要求人們佩戴專門的傳感器來采集數據，這對于手勢識別技術的大規模應用來說是不方便而且是不合適的。近年來，基于雷達的手勢識別技術因其探測距離較長和不受光照條件影響等優點逐漸受到了廣泛關注。此外，較低的部署成本，使其產品的商業化成為了可能。對于基于雷達的手勢識別方法而言，其相較于以往主流的基于視覺的方法最顯著的優勢在于其全天候的工作條件。即使是在光照條件不良的雨天或夜晚環境下，基于雷達的手勢識別方法依然能提供高精度的識別結果?；诶走_的手勢識別方法已經吸引了來自學術界和工業界的諸多關注，包括谷歌和德州儀器在內的諸多公司在其新上市的產品中，配備了手勢識別技術。

隨著機器學習技術的快速發展，基于機器學習的方法已經顯示出其在手勢識別領域的巨大潛力。然而，基于機器學習的方法往往需要大量的帶標簽的樣本來實現令人滿意的識別精度。不足的數據會導致機器學習模型出現過擬合的問題，這將嚴重影響識別的精度。然而基于雷達方法中存在著雷達數據采集困難的問題，采集雷達數據是一項耗時費力地工作。此外前期采集的手勢也很難覆蓋實際場景中所有可能的類別。近年來有一些方法開始聚焦于解決手勢識別領域的少樣本學習問題。但是這些方法通常沒有考慮到手勢識別任務中特點，例如時間相關性和手勢間的高度相似性，而將少樣本學習的方法直接應用于手勢識別任務中，因此只能取得有限的性能提升。此外以往的方法往往忽略了角度特征的利用，這其中包含豐富的慣有手勢的特征信息，對于提高手勢識別精度來說是有幫助的。另外，手勢的多個特征間的相互關系信息在以往的方法中往往也被忽略了。

發明內容

本發明的目的在于提供一種基于調頻連續波的元學習手勢識別方法，該方法利用元學習網絡能夠使用少量帶標簽樣本即實現對手勢的高精度識別。此外方法考慮了手勢的角度特征以及多個特征間的內部關系，利用基于3D卷積神經網絡的雙通道融合特征提取網絡提取關鍵特征用于手勢識別，有效地提高了手勢識別的精度。

為實現上述目的，本發明的技術方案是：一種基于調頻連續波的元學習手勢識別方法，包括如下步驟：

步驟S1、利用調頻連續波FMCW雷達采集關于手勢的原始雷達數據，后經過信號處理，得到手勢的距離、多普勒頻率和角度特征；

步驟S2、將步驟S1中得到的關于手勢的三個特征與時間維一起構建成一個四階的特征張量；之后根據特征間之間物理關系，通過復用多普勒頻率特征將四階的特征張量重新構造成兩個三階的特征立方體；