CN110309690A - 基于时频谱和距离多普勒谱的手势识别检测方法 - Google Patents

基于时频谱和距离多普勒谱的手势识别检测方法 Download PDF

Info

Publication number
CN110309690A
CN110309690A CN201810255917.4A CN201810255917A CN110309690A CN 110309690 A CN110309690 A CN 110309690A CN 201810255917 A CN201810255917 A CN 201810255917A CN 110309690 A CN110309690 A CN 110309690A
Authority
CN
China
Prior art keywords
gesture
time
signal
frequency
echo
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
Application number
CN201810255917.4A
Other languages
English (en)
Other versions
CN110309690B (zh
Inventor
李彧晟
顾旭
顾陈
洪弘
孙理
余晨晖
奚梦婷
陈耿
朱晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201810255917.4A priority Critical patent/CN110309690B/zh
Publication of CN110309690A publication Critical patent/CN110309690A/zh
Application granted granted Critical
Publication of CN110309690B publication Critical patent/CN110309690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于时频谱和距离多普勒谱的手势识别检测方法。首先将超宽带雷达录取的手势数据经过预处理，去除了原始手势回波信号中的杂波及噪声，得到了带有手势动作特征的手势回波信号；然后对手势回波信号分别在时频谱和距离多普勒谱进行分析，根据具体物理特征提取两张图中相应的包络特征参数，接着利用机器学习算法判决手势的种类。本发明方法有效可行，性能可靠，可以准确地实现不同手势的识别检测。

Description

基于时频谱和距离多普勒谱的手势识别检测方法
技术领域
本发明属于雷达技术领域，具体涉及一种基于超宽带雷达的人体手势识别方法。
背景技术
随着计算机技术的发展,人与机器交互的重要性逐渐凸显,最初的人机交互通过键盘输入命令行进行,之后出现鼠标、触摸屏等方式,而以手势作为人机交互的输入,显得更加自然与便捷,更能体现出以人为中心的思想。手势识别作为一种自然、直观的交互方式，是人机交互领域的一大研究热点,涉及人工智能、模式识别、机器学习、计算机图形学等众多学科，其应用也深入到各个领域，如虚拟现实、机器人控制、智能家居等等。
现有手势识别技术大多是基于接触式或者摄像头等设备，基于数据手套的方式不利于自然的人机交互，设备昂贵。基于视觉的手势识别识别率较低，实时性较差，手势种类较少，而且类似摄像头等设备一直以来就有着侵犯隐私等道德上的问题，没有被群众广泛认可,而运用雷达来进行手势识别，人体无需接触任何电极和传感器。
传统的雷达实现手势识别检测，多是利用稀疏算法，三维空间定位，快速傅里叶变换等传统雷达信号处理方法，计算量大，可靠性低，且效果较差。
发明内容
本发明的目的在于提供一种基于时频谱和距离多普勒谱的手势识别检测方法。
实现本发明目的的技术解决方案为：一种基于时频谱和距离多普勒谱的手势识别检测方法，包括以下步骤：
步骤1、采用超宽带雷达得到人体常见手势的数据，将数据进行预处理，消除背景和噪声干扰，具体为：
步骤1-1、雷达回波信号为：R[j,n]＝r(t＝jTs,τ＝nTf)，其中j＝[1,2,...,J]代表慢时采样的时间序号，n＝[1,2,,...,N]代表距离门的个数；Tf和Ts分别表示快时和慢时的采样时刻；
步骤1-2、采集到的手势回波信号经过快慢时采样后重新排列得到X×Y的回波矩阵，其中X表示快时采样点数，Y表示慢时采样点数，在得到了手势回波信号数据之后，运用动目标检测方法，去除室内各种背景杂波干扰的情况，保留手势动作的信息；
步骤1-3、对手势回波信号的灰度图进行二值化处理，之后再利用中值滤波，去除动目标检测产生的尾影杂波，进一步增强手势回波信号；
步骤2、截取手势回波信号，利用短时傅里叶变换对其进行时频分析，提取时频图包络曲线图中手势包络的特征参数，具体为：
步骤2-1、在同一距离门内按相同时间长度截取手势回波信号，利用短时傅里叶变换算法对其进行时频变换，得到时频包络曲线；
步骤2-2、提取包络曲线的最大频率fmax，通过滑窗提取出不同时刻包络曲线频率的平均值fmean以及不同时刻包络曲线频率的方差fvar，将fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的时频特征矩阵。
步骤3、截取手势回波信号，利用距离多普勒算法对其进行分析，提取距离多普勒图像中手势包络的特征参数，具体为：
步骤3-1、在同一距离门内按相同时间长度截取手势回波信号；
步骤3-2、利用距离多普勒算法对其进行距离多普勒域变换，得到了手势回波信号的距离多普勒信号Fi(s,k)，其中i代表所截取的距离门序号，i＝[n,n+1,...,N]，s表示时间序号，s＝[1,2,…,S]，k表示频率序号，k＝[1,2,…,K]；
步骤3-3、加权计算不同距离门内的多普勒信号：
其中，加权后距离多普勒信号F(s,k)的每个手势动作时间点s对应的能量可以计算为：
取加权后距离多普勒信号F(s,k)中每个时间点上大于能量门限α的频率最大值点，将这些频率最大值点E按照时间点连接，得到不同手势的包络曲线，α取值一般在12到34之间；
步骤3-4、提取不同手势的包络曲线的最大频率fmax，代表手势动作持续的时间内动作的最大速度，通过滑窗提取出不同时刻手势的包络曲线频率的平均值fmean以及不同时刻手势的包络曲线频率的方差fvar，将三个特征参数fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的距离多普勒特征矩阵。
步骤4、将步骤2和步骤3中提取的特征输入到机器学习中，最终完成不同手势的分类。所述机器学习为现有的通用技术，详见专利《基于加权联合距离时频变换的室内人体姿态识别方法》，专利号为201710409174.7。
本发明与现有技术相比，其显著优点为：1)超宽带雷达具有抗干扰能力强，距离分辨率高等优点；2)时频谱与距离多普勒谱的联合分析能满足实时性要求，保留了原有数据的串行结构，提高了分类结果的准确性；3)本发明能够有效的实现手势识别，简单有效，性能可靠，便于实施。
下面结合说明书附图对本发明做进一步描述。
附图说明
图1为本发明实现手势识别的流程图。
图2为伸掌手势回波信号时频图。
图3为伸掌手势回波信号时频图包络。
图4为伸掌手势回波信号距离多普勒图。
图5为机器学习分类结果。
具体实施方式
时频分析可以提供时域和频域的联合分布信息，进而能够精确地给出信号频率成分与时间对应的关系，清楚描述信号频率随时间的变化；距离多普勒算法是雷达的成像处理中最直观，最基本的经典方法，具有很好的抗干扰能力，更加有效地运用于非平稳信号分析和处理。
结合图1，本发明的一种基于时频谱和距离多普勒谱的手势识别检测方法，包括以下步骤：
步骤1、采用超宽带雷达得到人体常见手势的数据，将数据进行预处理，消除背景和噪声干扰；所述雷达为脉冲体制的超宽带雷达，采集人体常见手势的数据，具体为：
步骤1-1、雷达回波信号为：R[j,n]＝r(t＝jTs,τ＝nTf)，其中j＝[1,2,...,J]代表慢时采样的时间序号，n＝[1,2,,...,N]代表距离门的个数；Tf和Ts分别表示快时和慢时的采样时刻；
步骤1-2、采集到的手势回波信号经过快慢时采样后重新排列得到X×Y的回波矩阵，其中X表示快时采样点数，Y表示慢时采样点数，在得到了手势回波信号数据之后，运用动目标检测方法，去除室内各种背景杂波干扰的情况，保留手势动作的信息；
步骤1-3、对手势回波信号的灰度图进行二值化处理，之后再利用中值滤波，去除动目标检测产生的尾影杂波，得到手势回波信号。
所述常见手势为非周期瞬时手势，包括：翻掌，挥手，扇手，OK，招手以及伸掌这些动作。
步骤2、截取手势回波信号，利用短时傅里叶变换对其进行时频分析，提取时频图包络曲线图中手势包络的特征参数；
提取时频图包络曲线图中手势包络的特征参数，具体为：
步骤2-1、在同一距离门内按相同时间长度截取手势回波信号，利用短时傅里叶变换算法对其进行时频变换，得到时频包络曲线；
步骤2-2、提取包络曲线的最大频率fmax，通过滑窗提取出不同时刻包络曲线频率的平均值fmean以及不同时刻包络曲线频率的方差fvar，将fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的时频特征矩阵。
步骤3、截取手势回波信号，利用距离多普勒算法对其进行分析，提取距离多普勒图像中手势包络的特征参数；
所述提取距离多普勒图像中手势包络的特征参数，具体为：
步骤3-1、在同一距离门内按相同时间长度截取手势回波信号；
步骤3-2、利用距离多普勒算法对其进行距离多普勒域变换，得到了手势回波信号的距离多普勒信号Fi(s,k)，其中i代表所截取的距离门序号，i＝[n,n+1,...,N]，s表示时间序号，s＝[1,2,…,S]，k表示频率序号，k＝[1,2,…,K]；
步骤3-3、加权计算不同距离门内的多普勒信号：
其中，加权后距离多普勒信号F(s,k)的每个手势动作时间点s对应的能量计算为：
取加权后距离多普勒信号F(s,k)中每个时间点上大于能量门限α的频率最大值点，将这些频率最大值点E按照时间点连接，得到不同手势的包络曲线；所述能量门限α取值在12到34之间。
步骤3-4、提取不同手势的包络曲线的最大频率fmax，代表手势动作持续的时间内动作的最大速度，通过滑窗提取出不同时刻手势的包络曲线频率的平均值fmean以及不同时刻手势的包络曲线频率的方差fvar，将三个特征参数fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的距离多普勒特征矩阵。
步骤4、将步骤2和步骤3中提取的特征输入到机器学习中，最终完成不同手势的识别。
本发明的方法能够有效的实现手势识别，简单有效，性能可靠，便于实施。
实施例
用超宽带雷达对日常生活中的六种手势动作进行数据采集，分别是：(a)翻掌，(b)挥手，(c)扇手，(d)ok，(e)招手，(f)伸掌，对每个手势动作的具体描述如下表：
表5.1手势动作描述
手势动作 详细描述
翻掌 手心正对雷达翻转手掌，使手心手背轮流对着雷达
挥手 手心正对雷达，五指并拢，左右挥动
扇手 伸直手掌，垂直于雷达，手腕左右运动，手掌做扇风动作
ok 握拳正对雷达，之后拇指食指环绕，另外三根手指竖起，呈ok状
招手 手心向上,手指正对雷达，弯曲四根手指往上
伸掌 手臂弯曲，手心正对雷达，伸展手臂，使手掌靠近雷达
对雷达回波信号进行预处理，消除背景和噪声干扰，然后截取信号。先对信号进行短时傅里叶变换对其时频分析，提取时频图包络曲线图中手势包络的特征参数，如图2和图3所示；然后对信号运用距离多普勒算法，提取距离多普勒图像中手势包络的特征参数，如图4所示。
将手势回波信号的时频特征和距离多普勒特征带入机器学习进行分类，再将两种特征进行结合，作为手势回波信号的物理特征矩阵，然后将组合后的特征利用分类器进行识别，如表2所示，时频与距离多普勒特征组合而成的物理特征，经过SVM分类器后的实测分类结果如图5所示。
表2不同特征的分类准确率
特征种类 分类结果
时频特征 82.2％
距离多普勒特征 83.3％
时频+距离多普勒特征 90.6％
通过表2可以看出，经过时频特征和距离多普勒特征的组合后，分类识别的准确率达到了90.6％，较单一特征有了明显的提升，说明本方法能够有效的实现手势识别且有效提高识别准确率，简单有效，性能可靠。

Claims (6)

1.一种基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，包括以下步骤：
步骤1、采用超宽带雷达得到人体常见手势的数据，将数据进行预处理，消除背景和噪声干扰；
步骤2、截取手势回波信号，利用短时傅里叶变换对其进行时频分析，提取时频图包络曲线图中手势包络的特征参数；
步骤3、截取手势回波信号，利用距离多普勒算法对其进行分析，提取距离多普勒图像中手势包络的特征参数；
步骤4、将步骤2和步骤3中提取的特征输入到机器学习中，最终完成不同手势的识别。
2.根据权利要求1所述的基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，步骤1中所述雷达为脉冲体制的超宽带雷达，采集人体常见手势的数据，具体为：
步骤1-1、雷达回波信号为：R[j,n]＝r(t＝jTs,τ＝nTf)，其中j＝[1,2,...,J]代表慢时采样的时间序号，n＝[1,2,,...,N]代表距离门的个数；Tf和Ts分别表示快时和慢时的采样时刻；
步骤1-2、采集到的手势回波信号经过快慢时采样后重新排列得到X×Y的回波矩阵，其中X表示快时采样点数，Y表示慢时采样点数，在得到了手势回波信号数据之后，运用动目标检测方法，去除室内各种背景杂波干扰的情况，保留手势动作的信息；
步骤1-3、对手势回波信号的灰度图进行二值化处理，之后再利用中值滤波，去除动目标检测产生的尾影杂波，得到手势回波信号。
3.根据权利要求1所述的基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，步骤2中提取时频图包络曲线图中手势包络的特征参数，具体为：
步骤2-1、在同一距离门内按相同时间长度截取手势回波信号，利用短时傅里叶变换算法对其进行时频变换，得到时频包络曲线；
步骤2-2、提取包络曲线的最大频率fmax，通过滑窗提取出不同时刻包络曲线频率的平均值fmean以及不同时刻包络曲线频率的方差fvar，将fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的时频特征矩阵。
4.根据权利要求1所述的基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，步骤3中提取距离多普勒图像中手势包络的特征参数，具体为：
步骤3-1、在同一距离门内按相同时间长度截取手势回波信号；
步骤3-2、利用距离多普勒算法对其进行距离多普勒域变换，得到了手势回波信号的距离多普勒信号Fi(s,k)，其中i代表所截取的距离门序号，i＝[n,n+1,...,N]，s表示时间序号，s＝[1,2,…,S]，k表示频率序号，k＝[1,2,…,K]；
步骤3-3、加权计算不同距离门内的多普勒信号：
其中，加权后距离多普勒信号F(s,k)的每个手势动作时间点s对应的能量计算为：
取加权后距离多普勒信号F(s,k)中每个时间点上大于能量门限α的频率最大值点，将这些频率最大值点E按照时间点连接，得到不同手势的包络曲线；
步骤3-4、提取不同手势的包络曲线的最大频率fmax，代表手势动作持续的时间内动作的最大速度，通过滑窗提取出不同时刻手势的包络曲线频率的平均值fmean以及不同时刻手势的包络曲线频率的方差fvar，将三个特征参数fmax、fmean、fvar合并为一个一维的特征矩阵，该矩阵即为手势回波信号的距离多普勒特征矩阵。
5.根据权利要求1所述的基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，步骤1中常见手势为非周期瞬时手势，包括：翻掌，挥手，扇手，OK，招手以及伸掌这些动作。
6.根据权利要求4所述的基于时频谱和距离多普勒谱的手势识别检测方法，其特征在于，步骤3-3中能量门限α取值在12到34之间。
CN201810255917.4A 2018-03-27 2018-03-27 基于时频谱和距离多普勒谱的手势识别检测方法 Active CN110309690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810255917.4A CN110309690B (zh) 2018-03-27 2018-03-27 基于时频谱和距离多普勒谱的手势识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810255917.4A CN110309690B (zh) 2018-03-27 2018-03-27 基于时频谱和距离多普勒谱的手势识别检测方法

Publications (2)

Publication Number Publication Date
CN110309690A true CN110309690A (zh) 2019-10-08
CN110309690B CN110309690B (zh) 2022-09-27

Family

ID=68073901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810255917.4A Active CN110309690B (zh) 2018-03-27 2018-03-27 基于时频谱和距离多普勒谱的手势识别检测方法

Country Status (1)

Country Link
CN (1) CN110309690B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579746A (zh) * 2019-10-11 2019-12-17 湖南时变通讯科技有限公司 一种回波信号的处理方法、装置、设备及存储介质
CN111505632A (zh) * 2020-06-08 2020-08-07 北京富奥星电子技术有限公司 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法
CN111693990A (zh) * 2020-06-09 2020-09-22 南京工业职业技术学院 一种基于24GHz雷达的简易手势识别方法
CN112612365A (zh) * 2020-12-25 2021-04-06 深圳大学 手势识别方法、装置、电子设备和存储介质
CN112731817A (zh) * 2020-12-22 2021-04-30 北京清雷科技有限公司 家电设备的控制设备及方法、移动通信设备
CN113030936A (zh) * 2021-03-24 2021-06-25 中国人民解放军93114部队 一种基于微多普勒特征的手势识别方法及系统
CN113192352A (zh) * 2021-06-03 2021-07-30 山东交通学院 一种接收交管人员指令的自动驾驶方法及系统
CN113238222A (zh) * 2021-05-13 2021-08-10 天津大学 一种基于包络密度特征的人体动作识别方法
CN114036981A (zh) * 2021-11-01 2022-02-11 中国海洋大学 基于声波成像的手势识别方法
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
CN114444545A (zh) * 2022-01-27 2022-05-06 中国人民解放军空军军医大学 一种基于多视角特征量化的隐蔽空间人体行为的识别方法、装置及介质
CN115131875A (zh) * 2022-07-05 2022-09-30 深圳市华杰智通科技有限公司 基于1t2r毫米波雷达凌空数字手势识别方法及其系统
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
CN116059600A (zh) * 2022-11-25 2023-05-05 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295684A (zh) * 2016-08-02 2017-01-04 清华大学 一种基于微多普勒特征的动态连续/非连续手势识别方法
CN106855941A (zh) * 2016-12-09 2017-06-16 清华大学 基于雷达微多普勒信号稀疏优化的手势识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295684A (zh) * 2016-08-02 2017-01-04 清华大学 一种基于微多普勒特征的动态连续/非连续手势识别方法
CN106855941A (zh) * 2016-12-09 2017-06-16 清华大学 基于雷达微多普勒信号稀疏优化的手势识别方法及系统

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579746A (zh) * 2019-10-11 2019-12-17 湖南时变通讯科技有限公司 一种回波信号的处理方法、装置、设备及存储介质
CN111505632A (zh) * 2020-06-08 2020-08-07 北京富奥星电子技术有限公司 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法
CN111505632B (zh) * 2020-06-08 2023-03-03 北京富奥星电子技术有限公司 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法
CN111693990A (zh) * 2020-06-09 2020-09-22 南京工业职业技术学院 一种基于24GHz雷达的简易手势识别方法
CN112731817B (zh) * 2020-12-22 2023-07-21 北京清雷科技有限公司 家电设备的控制设备及方法、移动通信设备
CN112731817A (zh) * 2020-12-22 2021-04-30 北京清雷科技有限公司 家电设备的控制设备及方法、移动通信设备
CN112612365A (zh) * 2020-12-25 2021-04-06 深圳大学 手势识别方法、装置、电子设备和存储介质
CN112612365B (zh) * 2020-12-25 2023-02-17 深圳大学 手势识别方法、装置、电子设备和存储介质
CN113030936A (zh) * 2021-03-24 2021-06-25 中国人民解放军93114部队 一种基于微多普勒特征的手势识别方法及系统
CN113030936B (zh) * 2021-03-24 2023-05-23 中国人民解放军93114部队 一种基于微多普勒特征的手势识别方法及系统
CN113238222A (zh) * 2021-05-13 2021-08-10 天津大学 一种基于包络密度特征的人体动作识别方法
CN113192352A (zh) * 2021-06-03 2021-07-30 山东交通学院 一种接收交管人员指令的自动驾驶方法及系统
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
CN114036981B (zh) * 2021-11-01 2024-04-26 中国海洋大学 基于声波成像的手势识别方法
CN114036981A (zh) * 2021-11-01 2022-02-11 中国海洋大学 基于声波成像的手势识别方法
CN114444545A (zh) * 2022-01-27 2022-05-06 中国人民解放军空军军医大学 一种基于多视角特征量化的隐蔽空间人体行为的识别方法、装置及介质
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
CN115131875A (zh) * 2022-07-05 2022-09-30 深圳市华杰智通科技有限公司 基于1t2r毫米波雷达凌空数字手势识别方法及其系统
CN116059600A (zh) * 2022-11-25 2023-05-05 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统
CN116059600B (zh) * 2022-11-25 2023-10-20 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统

Also Published As

Publication number Publication date
CN110309690B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110309690A (zh) 基于时频谱和距离多普勒谱的手势识别检测方法
CN106295684B (zh) 一种基于微多普勒特征的动态连续/非连续手势识别方法
WO2021218753A1 (zh) 一种手势识别方法以及相关装置
CN110286368A (zh) 一种基于超宽带雷达的老人跌倒检测方法
CN113466852B (zh) 应用于随机干扰场景下的毫米波雷达动态手势识别方法
Liu et al. Spectrum-based hand gesture recognition using millimeter-wave radar parameter measurements
CN115877376A (zh) 基于多头自注意力机制的毫米波雷达手势识别方法及识别系统
CN112686094A (zh) 一种基于毫米波雷达的非接触式身份识别方法及系统
Jiang et al. Recognition of dynamic hand gesture based on mm-wave FMCW radar micro-Doppler signatures
Zhao et al. Continuous human motion recognition using micro-Doppler signatures in the scenario with micro motion interference
Fairchild et al. Micro-doppler radar classification of human motions under various training scenarios
Zhang et al. Temporal-range-doppler features interpretation and recognition of hand gestures using MmW FMCW radar sensors
Shao et al. Deep learning methods for personnel recognition based on micro-Doppler features
Gan et al. Gesture recognition system using 24 GHz FMCW radar sensor realized on real-time edge computing platform
CN110309689B (zh) 基于超宽带雷达的Gabor域手势识别检测方法
Qian et al. Parallel LSTM-CNN network with radar multispectrogram for human activity recognition
Wang et al. A survey of hand gesture recognition based on FMCW radar
Song et al. High-accuracy gesture recognition using mm-wave radar based on convolutional block attention module
Zheng et al. Hand gesture recognition based-on three-branch CNN with fine-tuning using MIMO radar
CN109541567A (zh) 基于深度学习的高速机动目标检测方法
Wang et al. Feature-based hand gesture recognition using two-antenna doppler radar system
Zhou et al. Efficiently user-independent ultrasonic-based gesture recognition algorithm
CN117092592A (zh) 基于小波分析和改进cbam注意力机制的手势识别方法
Wang et al. Micro gesture recognition with terahertz radar based on diagonal profile of range-doppler map
Gao et al. Radar Working Mode Recognition Algorithm Based on Siamese Network and Deep Auto Encoder-Affinity Propagation

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