CN113064489A - 一种基于L1-Norm的毫米波雷达手势识别方法 - Google Patents

一种基于L1-Norm的毫米波雷达手势识别方法 Download PDF

Info

Publication number
CN113064489A
CN113064489A CN202110360548.7A CN202110360548A CN113064489A CN 113064489 A CN113064489 A CN 113064489A CN 202110360548 A CN202110360548 A CN 202110360548A CN 113064489 A CN113064489 A CN 113064489A
Authority
CN
China
Prior art keywords
norm
target
data
millimeter wave
gesture recognition
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.)
Pending
Application number
CN202110360548.7A
Other languages
English (en)
Inventor
李鹏清
邹毅
王彦杰
王凌云
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.)
Shenzhen Huajie Zhitong Technology Co ltd
Original Assignee
Shenzhen Huajie Zhitong Technology Co ltd
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 Shenzhen Huajie Zhitong Technology Co ltd filed Critical Shenzhen Huajie Zhitong Technology Co ltd
Priority to CN202110360548.7A priority Critical patent/CN113064489A/zh
Publication of CN113064489A publication Critical patent/CN113064489A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Discrete Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于L1‑Norm的毫米波雷达手势识别方法，包括如下步骤：先通过雷达测算，解析得到目标的距离、速度、方位角和俯仰角信息，再通过L1‑Norm对雷达解析出来的信息进行处理，使之数据稀疏化，实现特征的自动选择，去除无用特征，最后将经过L1‑Norm处理后的数据传入神经网络，进行网络学习，用来对手势做分类。本发明通过L1‑Norm来对雷达解析出来的信息进行处理，使雷达测算的目标信息稀疏化，再将经过L1‑Norm处理后的信息，整合为特征向量输入到神经网络中，进行手势分类，便于机器学习网络进行网络训练，提高雷达手势识别的准确率，降低其误判率。

Description

一种基于L1-Norm的毫米波雷达手势识别方法
技术领域
本发明涉及手势识别技术领域，尤其涉及一种基于L1-Norm的毫米波雷达手势识别方法。
背景技术
在计算机科学中，手势识别是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动，用户可以使用简单的手势来控制或与设备交互，让计算机理解人类的行为，其核心技术为手势分割、手势分析以及手势识别。手势可以源自任何身体运动或状态，但通常源自面部或手。现有的手势识别方法主要为单光学镜头、光学镜头结合红外、TOF以及毫米波雷达等技术实现。近年来，毫米波雷达片上技术逐渐成熟，包括雷达射频、信号处理单元、MCU单元的高度集成，片上天线阵列的实现等，使得毫米波雷达在无人驾驶、新型智能终端领域的嵌入应用越来越广泛。毫米波雷达具有保护隐私、不受天气环境影响、小天线口径与窄波束提高检测分辨率、大带宽抗干扰等优势。随着智能家居与智慧城市的持续推进，毫米波雷达在智能终端上的应用存在巨大的潜力。
现有的手势识别技术主要是用雷达测量目标的状态信息，包含目标的距离、速度、角度等信息，然后将目标的状态信息作为输入，直接输入到神经网络中，用来判断当前手势的类别。这样使得输入到网络中的数据复杂且冗余，不利于网络学习，很难得到比较好的模型。这是因为判断某种手势，只需要其中某几类目标的状态信息，并不需要所有的状态信息，如果把所有的信息都输入网络，则会显得复杂且冗余，造成网络训练的难度，存在一定缺陷。
发明内容
针对上述现有技术的不足，本发明的目的在于提供一种基于L1-Norm的毫米波雷达手势识别方法，通过对目标信息数据进行处理，去除目标信息中的无用特征，降低机器学习中网络训练的难度，提高雷达手势识别的精度，降低误识别率。
为了实现上述目的，本发明采用如下技术方案：
一种基于L1-Norm的毫米波雷达手势识别方法，其特征在于，包括如下步骤：
S100、雷达算法：通过雷达测算，解析得到目标的距离、速度、方位角和俯仰角信息；
S200、数据处理：通过L1-Norm对雷达解析出来的信息进行处理，使之数据稀疏化；
S300、机器学习：将经过L1-Norm处理后的数据传入神经网络，用来对手势做分类。
在本发明一个优选实施例中，在步骤S100中，雷达算法包括如下具体步骤：
S101、数据采样：通过ADC采样得到雷达基带数字信号；
S102、距离、速度维变换：在距离维与速度维上做傅里叶变换；
S103、目标检测：通过恒虚警概率下的检测器对目标进行检测；
S104、角度估计：通过角度估计提取目标的方位角和俯仰角信息；
S105、聚类：将一个真实目标产生的多个雷达目标聚类成一个目标。
在本发明一个优选实施例中，步骤S101的数据采样中，ADC数据是该流程的输入数据，该数据是一个矩阵形式，同一行的数据称为同一个距离维，同一列的数据称为同一速度维。
在本发明一个优选实施例中，步骤S103的目标检测中，恒虚警检测器通过待检测目标附近的距离单元所收集的训练数据来对其进行检测，待检测目标位于中心位置处，其外侧依次对称设有保护单元以及参考单元。
在本发明一个优选实施例中，在步骤S104的角度估计中，毫米波雷达上设有角度估计(Angle Estimation)模块，该模块包括两根接收天线，该模块通过两根天线接收信号的相位差来计算目标的方位角和俯仰角信息。
在本发明一个优选实施例中，在步骤S200中，通过稀疏函数使数据稀疏化，所述稀疏函数为：
Figure BDA0003005360190000031
式中W＝[ωij]∈Rn×n，α作为L1-Norm的控制参数，X是输入信号数据，F是范数。。
在本发明一个优选实施例中，所述稀疏函数通过迭代方法解出最优化结果。
在本发明一个优选实施例中，所述迭代方法包括：
对稀疏函数式中的W的每一行Wi求导，然后令其为0，得到：
XTXZi-XTX+αDiWi＝0
其中Di(1≤i≤n)是对角矩阵，且第k个对角元素为
Figure BDA0003005360190000032
因此，
Wi＝(XTX+αDi)-1XTX
其中，
Figure BDA0003005360190000033
将Di代入Wi的公式中，即可对Wi进行计算，通过迭代运算，最终Wi的值收敛至0或1附近，得到特征向量，可得稀疏函数W的最优解。
在本发明一个优选实施例中，所述神经网络为全连接神经网络。
通过上述技术方案，本发明具有如下有益效果：
(1)本发明设计合理，通过L1-Norm将雷达测算的目标信息进行数据稀疏化处理，实现特征的自动选择，去除无用特征，将特征对应的权重置为零，减少数据的冗余性，有利于网络学习，降低网络训练的难度，提高雷达手势识别的精度，降低其误识别率。
(2)本发明设计合理，在L1-Norm对雷达测算解析出的目标信息进行处理时，通过迭代方法求解稀疏函数的最优解，运用新的优化方法，对目标函数进行求解，简化求解过程的复杂度，提高手势识别的准确性。
附图说明
图1为本发明一种基于L1-Norm的毫米波雷达手势识别方法的整体流程图；
图2为本发明一种基于L1-Norm的毫米波雷达手势识别方法的雷达算法流程图；
图3为本发明一种基于L1-Norm的毫米波雷达手势识别方法的ADC数据结构图；
图4为本发明一种基于L1-Norm的毫米波雷达手势识别方法的CFAR检测模块的检测模型图；
图5为本发明一种基于L1-Norm的毫米波雷达手势识别方法的方位角及俯仰角计算辅助图；
图6为本发明一种基于L1-Norm的毫米波雷达手势识别方法的全连接神经网络示意图；
图7为本发明一种基于L1-Norm的毫米波雷达手势识别方法的神经元结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
如图1所示，示出了本发明一种基于L1-Norm的毫米波雷达手势识别方法，其步骤包括：
S100、雷达算法：通过雷达测算，解析得到目标的距离、速度、方位角和俯仰角信息；
S200、数据处理：通过L1-Norm对雷达解析出来的信息进行处理，使之数据稀疏化；
S300、机器学习：将经过L1-Norm处理后的数据传入神经网络，用来对手势做分类。
下面结合附图对本发明的方法进行详细描述。
请参阅图2，对于步骤S100、雷达测算的过程，包括：
S101、数据采样：通过ADC采样得到雷达基带数字信号。
具体的，雷达对目标进行测量，模/数转换器(ADC)将真实世界的模拟信号(例如温度、压力声音或者图像等)转换成数字信号，使其更容易存储、处理和发射。ADC将输入的模拟信号按规定的时间间隔采样，并与一系列标准的数字信号相比较，数字信号逐次收敛，直至两种信号相等为止。
如图3所示，ADC数据是一个矩阵形式，将同一行的数据称为同一个距离维。同一列的数据称为同一速度维，假设该数据的距离维大小为N，速度维大小为M。
S102、距离、速度维变换：在距离维与速度维上做傅里叶变换。
具体的，对数字信号分别在距离维做傅里叶变换和速度维做傅里叶变换，通过Range FFT模块对同一距离维的数据做快速傅里叶变换(FFT)，因为ADC的数据大小为N*M，因此需要做M次距离维FFT，Range FFT后的结果同样是N*M大小的矩阵；通过Doppler FFT模块对同一速度维的数据做快速傅里叶变换，该模块的输入为Range FFT模块的输出，因为Range FFT模块的结果大小为N*M，因此需要做N次速度维FFT，Doppler FFT后的结果同样是N*M大小的矩阵。
S103、目标检测：通过CFAR检测模块对目标进行检测。CFAR为恒虚警率，在雷达信号检测中，当外界干扰强度变化时，雷达能自动调整其灵敏度，使雷达的虚警概率保持不变，这种特性称为恒虚警率特性。在距离维与速度维上做傅里叶变换后的数字信号传入恒虚警概率下的检测器，通过恒虚警概率下的检测器对待检测目标3进行检测，待检测目标3外侧依次对称设有保护单元2以及参考单元1。
具体的，如图4所示，CFAR模块通过待检测目标3附近的距离单元所收集的训练数据来估计被测目标，待检测目标3位于中心位置处，其外侧依次对称设有保护单元2以及参考单元1。CFAR模块首先假定雷达杂波的类型，然后通过对待检测目标3附近的参考单元1的数据采用某种算法，对待检测目标3中杂波的参数进行估计，再对待检测目标3中的杂波进行归一化，形成一个与杂波参数无关的量，将这个量与一个跟虚警概率和参考单元1数有关的门限进行比较，判断有无目标的存在，如输入端信号超过了此门限，则判为有目标，否则判为无目标。
具体检测过程如下，首先分别计算左右两侧的参考单元1的均值，计算结果记为x_average1和x_average2；然后计算x_average1和x_average2的均值，计算结果记为x_noise，最后比较待检测目标3和K*x_noise的大小，其中K称为门限值，若待检测目标3的值大于K*x_noise，则该待检测目标3为目标点，反之则不是目标点；经过CFAR检测模块后，可以得到一系列的过检测点，并且记录下每个过检测点在矩阵中的行和列。
S104、角度估计：通过角度估计提取目标的方位角和俯仰角信息。毫米波雷达上设有Angle Estimation(角度估计)模块，该模块包括两根接收天线，该模块通过接收天线接收信号的相位差来计算每一个过检测点的方位角和俯仰角信息。该模块通过接收天线接收信号的相位差来计算每一个过检测点的方位角和俯仰角信息。
具体的，如图5所示，毫米波雷达上设有两根接收天线RX，对于目标物的角度θ，设两接收天线RX接收信号的相位差为ω，则有
Figure BDA0003005360190000061
由此可以得到
Figure BDA0003005360190000062
其中，dRX为毫米波雷达的两根接收天线的距离，计算每一个过检测点的方位角和俯仰角信息。
步骤S105、聚类：Clustering模块将距离较近的目标点聚类为一个目标点，并得到聚类后目标点的距离、速度、方位角以及俯仰角。聚类为将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
具体的，通过Angle Estimation模块得到了每一个目标点在极坐标系下的距离、方位角和俯仰角，再通过坐标转换，得到目标在直角坐标系下的坐标值；而Clustering模块是把距离较近的目标点聚类为一个目标点，并得到聚类后目标点的距离、速度、方位角、俯仰角，以便于将目标点的信息输入机器学习网络中，并进行手势分类。通过Clustering模块，得到一个表示手的距离、速度、方位角和俯仰角的向量，并通过该模块额外增加三个分别用来表示速度、方位角以及俯仰角的符号。
步骤S200、数据处理：L1-Norm即L1范数，是向量中各个元素绝对值之和，L1范数可以进行特征选择，即让特征的系数变为0。L1-Norm对雷达解析出来的信息进行处理，通过稀疏函数使数据稀疏化，所述稀疏函数为：
Figure BDA0003005360190000071
式中W＝[ωij]∈Rn×n，X为输入信号数据，可以是矩阵形式，W为分解输入信号的基本信号(字典)，ωij为矩阵W的元素，α作为L1-Norm的参数，用于控制矩阵W整体的稀疏性，使得输入信号数据X中的每个样本xi都由与之具有强相关性的样本表示，F是范数。此稀疏函数是一个凸函数，但是L1-Norm是非光滑的，因此无法直接求解，为此，本发明一个实施例中提供一种有效的优化算法来解决这个问题，最后解出目标函数的最优化结果。例如可以是：
对稀疏函数式中的W的每一行Wi求导，然后令其为0，得到：
XTXZi-XTX+αDiWi＝0
其中Di(1≤i≤n)是对角矩阵，且第k个对角元素为
Figure BDA0003005360190000081
因此可以将上式表示为：
Wi＝(XTX+αDi)-1XTX
此时，数据集XT和X已知，α为可调参数。但值得注意的是，Di依赖于W。
Figure BDA0003005360190000082
将Di代入Wi的公式中，即可对Wi进行计算，通过迭代运算，最终Wi的值收敛至0或1附近，得到特征向量，计算出稀疏函数W的最优解。
以上举例为一种梯度方法，在本发明实施例中，还可以采用其他梯度方式进行求解，例如，可以采用自然梯度法求解，例如，还可以是梯度下降法求解。
梯度下降法针对的目标是参数，我们更新的目标也是参数，而优化的真正目标是找到最优的模型。每一轮迭代中，对参数的改进和对模型的改进是不同的。相对而言，梯度下降法通常只考虑在梯度方向上对参数进行更新，并没有考虑模型层面的更新，因此就可能会出现模型更新不均匀的现象。自然梯度法不仅仅简单地使用学习率对参数更新进行量化，而是对模型效果进行量化。
因此，本领域技术人员可以根据实际针对侧重点的不同，灵活选取所需要的求解方法。
本领域技术人员在本发明内容的基础上，还可以另行采取其他方式求解，本发明在此不进行一一举例说明。
S300、机器学习：将经过L1-Norm处理后的数据传入神经网络，用来对手势做分类。具体的，如图6所示，神经网络为全连接神经网络，是由若干神经元连接组成的网络，分为输入层，隐藏层，输出层，层与层之前每两两个神经元之间存在连接，代表着一个权重，其中隐藏层可以是多层，用来计算的。以具体例子表示：
第j个输出神经元的输入：
Figure BDA0003005360190000091
其中，w是输入权重，h、y分别表示第h行、第y列，bh为输入向量中的第h个。
第h个隐层神经元的输入：
Figure BDA0003005360190000092
其中，v是输入权重，i、h分别表示第i行、第h列，zi为输入向量中的第i个。
如图7所示，神经元结构中，神经元是前一层的输出作为当前层的输入，用突触权值与输入值之间的乘积加上偏置值，作为激活函数的输入，因为前一层网络的计算结果很有可能不在0-1之间，而数据的范围需要统一，因此用激活函数把数据范围给限定住，通过激活函数将数据归一化，激活函数的值输出到下一层，完成对输入信号的矩阵计算，直到所有的层都计算完，最后输出手势的分类结果。
对每种手势进行训练时，为每个输出单元指定期望输出，其中一个输出单元为1，其余为0，这样对输出单元而言，每种手势都对应了一种组合。所有样本训练结束后，保存权值。然后将需要识别的手势信息进行处理后，将其输入神经网络进行识别，在输出单元中，根据输出值最接近1的单元号来判断所识别的手势。
本发明设计合理，通过L1-Norm将雷达测算的目标信息进行数据稀疏化处理，实现特征的自动选择，去除无用特征，将特征对应的权重置为零，减少数据的冗余性，有利于网络学习，降低网络训练的难度，提高雷达手势识别的精度，降低其误识别率。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (9)

1.一种基于L1-Norm的毫米波雷达手势识别方法，其特征在于，包括如下步骤：
S100、雷达算法：通过雷达测算，解析得到目标的距离、速度、方位角和俯仰角信息；
S200、数据处理：通过L1-Norm对雷达解析出来的信息进行处理，使之数据稀疏化；
S300、机器学习：将经过L1-Norm处理后的数据传入神经网络，用来对手势做分类。
2.根据权利要求1所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，步骤S100中，雷达算法包括如下具体步骤：
S101、数据采样：通过ADC采样得到雷达基带数字信号；
S102、距离、速度维变换：在距离维与速度维上做傅里叶变换；
S103、目标检测：通过恒虚警概率下的检测器对目标进行检测；
S104、角度估计：通过角度估计提取目标的方位角和俯仰角信息；
S105、聚类：将一个真实目标产生的多个雷达目标聚类成一个目标。
3.根据权利要求2所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，步骤S101的数据采样中，ADC数据是该流程的输入数据，该数据是矩阵形式。
4.根据权利要求2所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，步骤S103的目标检测中，恒虚警检测器通过待检测目标附近的距离单元所收集的训练数据来对其进行检测，待检测目标位于中心位置处，其外侧依次对称设有保护单元以及参考单元。
5.根据权利要求2所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，在步骤S104的角度估计中，毫米波雷达上设有角度估计模块，该模块包括两根接收天线，该模块通过两根天线接收信号的相位差来计算目标的方位角和俯仰角信息。
6.根据权利要求1所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，在步骤S200中，通过稀疏函数使数据稀疏化，所述稀疏函数为：
Figure FDA0003005360180000021
式中W＝[ωij]∈Rn×n，α作为L1-Norm的控制参数，X是输入信号数据，F是范数。
7.根据权利要求6所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，所述稀疏函数通过迭代方法解出最优化结果。
8.根据权利要求7所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，所述迭代方法包括：
对稀疏函数式中的W的每一行Wi求导，然后令其为0，得到：
XTXZi-XTX+αDiWi＝0
其中Di(1≤i≤n)是对角矩阵，且第k个对角元素为
Figure FDA0003005360180000022
因此，
Wi＝(XTX+αDi)-1XTX
其中，
Figure FDA0003005360180000023
将Di代入Wi的公式中，即可对Wi进行计算，通过迭代运算，最终Wi的值收敛至0或1附近，得到特征向量，可得稀疏函数W的最优解。
9.根据权利要求1所述的基于L1-Norm的毫米波雷达手势识别方法，其特征在于，在步骤S300的机器学习中，所述神经网络为全连接神经网络。
CN202110360548.7A 2021-04-02 2021-04-02 一种基于L1-Norm的毫米波雷达手势识别方法 Pending CN113064489A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360548.7A CN113064489A (zh) 2021-04-02 2021-04-02 一种基于L1-Norm的毫米波雷达手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360548.7A CN113064489A (zh) 2021-04-02 2021-04-02 一种基于L1-Norm的毫米波雷达手势识别方法

Publications (1)

Publication Number Publication Date
CN113064489A true CN113064489A (zh) 2021-07-02

Family

ID=76565467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360548.7A Pending CN113064489A (zh) 2021-04-02 2021-04-02 一种基于L1-Norm的毫米波雷达手势识别方法

Country Status (1)

Country Link
CN (1) CN113064489A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970618A (zh) * 2022-05-17 2022-08-30 西北大学 基于毫米波雷达的环境鲁棒的手语识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120268309A1 (en) * 2011-02-10 2012-10-25 The Arizona Board Of Regents On Behalf Of The University Of Arizona Virtual aperture radar (var) imaging
CN103605116A (zh) * 2013-12-04 2014-02-26 西安电子科技大学 基于稀疏分析的成像雷达通道参数在线补偿方法
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
CN111652271A (zh) * 2020-04-24 2020-09-11 华东交通大学 一种基于神经网络的非线性特征选择方法
CN111693975A (zh) * 2020-05-29 2020-09-22 电子科技大学 一种基于深度神经网络的mimo雷达稀疏阵列设计方法
CN111896947A (zh) * 2019-10-14 2020-11-06 镇江盛益系统科技有限公司 一种用于汽车毫米波雷达的快速超分辨跟踪系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120268309A1 (en) * 2011-02-10 2012-10-25 The Arizona Board Of Regents On Behalf Of The University Of Arizona Virtual aperture radar (var) imaging
CN103605116A (zh) * 2013-12-04 2014-02-26 西安电子科技大学 基于稀疏分析的成像雷达通道参数在线补偿方法
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
CN111896947A (zh) * 2019-10-14 2020-11-06 镇江盛益系统科技有限公司 一种用于汽车毫米波雷达的快速超分辨跟踪系统及方法
CN111652271A (zh) * 2020-04-24 2020-09-11 华东交通大学 一种基于神经网络的非线性特征选择方法
CN111693975A (zh) * 2020-05-29 2020-09-22 电子科技大学 一种基于深度神经网络的mimo雷达稀疏阵列设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何威等: "基于稀疏学习的鲁棒自表达属性选择算法", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970618A (zh) * 2022-05-17 2022-08-30 西北大学 基于毫米波雷达的环境鲁棒的手语识别方法及系统
CN114970618B (zh) * 2022-05-17 2024-03-19 西北大学 基于毫米波雷达的环境鲁棒的手语识别方法及系统

Similar Documents

Publication Publication Date Title
CN113050797A (zh) 一种通过毫米波雷达实现手势识别的方法
CN114859339B (zh) 一种基于毫米波雷达的多目标跟踪方法
CN113093170B (zh) 一种基于knn算法的毫米波雷达室内人员检测方法
CN113313040B (zh) 基于fmcw雷达信号的人体姿势识别方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
Xiao et al. Specific emitter identification of radar based on one dimensional convolution neural network
CN111352086A (zh) 一种基于深度卷积神经网络的未知目标识别方法
CN111580058A (zh) 基于多尺度卷积神经网络的雷达hrrp目标识别方法
CN113064483A (zh) 一种手势识别方法以及相关装置
CN113064489A (zh) 一种基于L1-Norm的毫米波雷达手势识别方法
CN112904299B (zh) 基于深层类内分裂的雷达高分辨距离像开集目标识别方法
CN112684424B (zh) 一种毫米波雷达与相机的自动标定方法
Tian et al. Indoor device-free passive localization for intrusion detection using multi-feature PNN
Feng et al. DAMUN: A domain adaptive human activity recognition network based on multimodal feature fusion
CN113033416A (zh) 一种基于稀疏函数的毫米波雷达手势识别方法
Helgesen Sensor fusion for detection and tracking of maritime vessels
CN116338571A (zh) 一种基于自编码器和注意力机制的rssi指纹定位方法
CN115937977A (zh) 一种基于多维特征融合的少样本人体动作识别方法
CN114445456B (zh) 基于部分模型的数据驱动智能机动目标跟踪方法及装置
CN115909086A (zh) 基于多级增强网络的sar目标检测识别方法
CN116304966A (zh) 基于多源数据融合的航迹关联方法
CN113361639A (zh) 一种基于深度学习的辐射源信号多模型综合分类方法
CN113221709A (zh) 用于识别用户运动的方法、装置及热水器
Trentin et al. Unsupervised nonparametric density estimation: A neural network approach
CN111580059A (zh) 基于谱图切分预处理和卷积神经网络的雷达hrrp目标识别方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Pengqing

Inventor after: Zou Yi

Inventor after: Zhang Yijun

Inventor after: Yao Heng

Inventor after: Wang Yanjie

Inventor after: Wang Lingyun

Inventor after: Zhao Ruifeng

Inventor before: Li Pengqing

Inventor before: Zou Yi

Inventor before: Wang Yanjie

Inventor before: Wang Lingyun