CN117519474A - 一种考虑运动先验的雷达手势特征获取方法 - Google Patents
一种考虑运动先验的雷达手势特征获取方法 Download PDFInfo
- Publication number
- CN117519474A CN117519474A CN202311462392.9A CN202311462392A CN117519474A CN 117519474 A CN117519474 A CN 117519474A CN 202311462392 A CN202311462392 A CN 202311462392A CN 117519474 A CN117519474 A CN 117519474A
- Authority
- CN
- China
- Prior art keywords
- gesture
- radar
- distance
- max
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003993 interaction Effects 0.000 claims abstract description 113
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 55
- 238000005070 sampling Methods 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种考虑运动先验的雷达手势特征获取方法,是雷达手势识别应用中一种简单有效的动态环境干扰抑制方法,在硬件层面实现了复杂室内场景动态干扰的抑制。通过考虑人机交互时动态手势的运动先验约束,优化雷达波形参数配置以实现适当的探测距离和速度以及距离和速度分辨率,从而捕捉到动态手势引起的动态信号,并滤除非手势目标的干扰。本发明基于所提出的方法,能捕捉到动态手势更细微的运动信息,使雷达手势特征信息可以更加集中,减少了后期信号处理的复杂性,本发明方法鲁棒性好,精简有效,应用前景广阔。
Description
技术领域
本发明涉及一种考虑运动先验的雷达手势特征获取方法,属于雷达手势识别技术领域。
背景技术
人的一生约有80%的时间是在室内度过的,因此对室内环境的舒适度和智能化程度要求会越来越高。手势因具有自然、直观和高效的优点,被认为是最自然、友好的人机交互方式之一,在医疗保健、隔空输入、手语翻译、VR/AR以及智能家居等领域受到了广泛关注。手势识别技术可以分为接触式和非接触式。过去几十年,研究人员探索了各种手段检测手势,如基于可穿戴设备、视觉相机、Wi-Fi等。基于可穿戴设备的方法,依靠特定的手套或加速度计感知手势,存在设备成本高和操作繁琐等问题。视觉相机容易侵犯隐私,在黑暗和非视距条件下表现不佳。基于Wi-Fi的方法因其以通信为目而设计,很难保证信号传输质量和感知效率。
毫米波雷达具有以下优势:①探测精度高;②相较其他技术鲁棒性强,不受周围光线和天气变化的影响;③设备尺寸小,可以直接部署在嵌入式设备中,提高装置的抗干扰性和灵活性;④能有效保护用户隐私。因此,基于毫米波雷达的手势识别已成为人机交互技术领域的一个重要分支。
当前,基于毫米波雷达的人机交互手势识别大部分是利用人机交互手势的速度时序变化特征和距离时序变化特征进行识别,然而,大多数人机交互手势的雷达回波数据采集是在理想环境下进行,未考虑复杂室内场景中存在的动态干扰(如:运行的电器设备和过往人员等)对雷达手势特征的影响。在实际应用场景中,周围环境的动态干扰相较于微弱的手势特征信号影响很大,会导致雷达手势特征的湮灭,并进一步增加非手势干扰信号抑制处理的难度,导致计算复杂性大大增加。
因此,如何简单高效缓解复杂室内场景中动态环境干扰,降低雷达手势信号特征后续处理难度,保留微弱雷达手势信号的显著特征,进而降低系统复杂性,成为本领域技术人员急需要解决的技术问题。
发明内容
目的:为了克服现有技术存在的使用场景较为理想化、雷达手势特征易受干扰的不足,本发明提供一种考虑运动先验的雷达手势特征获取方法,通过预先设计的人机交互手势,确定动态手势的运动信息,并以此为指导,结合雷达自身硬件限制确定雷达主要性能指标约束,逆向指导雷达发射波形的参数配置。采集该波形参数配置下的动态手势雷达信号,经过中频信号预处理,获取少动态目标干扰的雷达手势距离-时间特征图和速度-时间特征图。基于上述步骤,实现使雷达聚焦动态手势运动信息,忽略非手势运动目标干扰的目的。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种考虑运动先验的雷达手势特征获取方法,包括如下步骤:
步骤1:获取动态手势运动先验约束。
步骤2:根据动态手势运动先验约束和雷达自身硬件限制获取雷达性能指标约束。
步骤3:根据雷达性能指标约束逆向指导雷达发射波形的参数配置。
步骤4:根据雷达发射波形的参数配置采集雷达手势信号数据。
步骤5:根据雷达手势信号数据得到少目标干扰的雷达手势距离时间特征图和速度时间特征图。
作为优选方案,所述步骤1,具体包括:
步骤1.1:设计人机交互手势。
步骤1.2:规定手势交互动作。
步骤1.3:确定人机交互手势距离先验阈值dgesture,速度先验阈值vgesture。
作为优选方案,所述步骤2,具体包括:
步骤2.1:根据人机交互时手势的距离先验阈值dgesture确定为雷达手势识别中的最大测量距离dmax,即:
dmax=dgesture。
根据人机交互时手势的速度先验vgesture确定为雷达手势识别中的最大测量速度vmax,即:
vmax=vgesture。
步骤2.2:考虑雷达自身硬件限制,将雷达硬件支持的参数上限作为波形参数配置的先决条件,包括:最大频率fmax、最小频率fmin、最大调频带宽Bmax、ADC采样率Fs-max、最小ADC采样率Fs-min、最大调频斜率Kmax、最小调频斜率Kmin。
作为优选方案,所述步骤3,具体包括:
步骤3.1:获取雷达手势识别应用场景中的最大测量距离dmax、最大测量速度vmax、距离分辨率dres与速度分辨率vres。
步骤3.2:根据雷达硬件设备型号,获取频率f、调频带宽B、调频斜率K和ADC采样率Fs的约束,具体公式如下:
fmin≤f≤fmax
B≤B
max
Kmin≤K≤Kmax
Fs-min≤Fs≤Fs-max。
步骤3.3:获取雷达调频带宽B,计算公式如下:
其中,c表示光速,dres表示雷达硬件设备型号对应的最小雷达探测的距离分辨率。
步骤3.4:获取调频初始频率f0和调频中心频率对应波长λ,计算公式如下:
f0=fmin
步骤3.5:根据距离分辨率dres和最大测量距离dmax,获取ADC采样点个数NADC,计算公式如下:
步骤3.6:获取调频周期Tc,计算公式如下:
步骤3.7:获取ADC采样率Fs,计算公式如下:
步骤3.8:获取调频斜率K,计算公式如下:
步骤3.9:获取每帧调频周期数Nchirp,计算公式如下:
步骤3.10:获取帧周期Tf和帧率frate:,计算公式如下:
作为优选方案,所述步骤4,具体包括:
步骤4.1:获取人机交互手势的雷达中频信号模型,计算公式如下:
其中,α表示正比系数,d表示人机交互手势距雷达的相对瞬时距离,A(t)为信号的幅度,c表示光速,f0表示初始频率,B表示调频带宽,Tc表示调频周期,π表示圆周率,t表示时间。
步骤4.2:从中频信号模型中解算人机交互手势距雷达的相对瞬时距离d,计算公式如下:
其中,fb表示中频频率。
步骤4.4:从中频信号模型中解算出Δφ,根据Δφ计算出人机交互手势的瞬时速度v,计算公式如下:
其中,λ表示调频中心频率对应波长,Δφ表示相等时间间隔内(调频周期Tc)对应的相位差;
式中,
其中,
其中,Nchirp、Nchirp-1分别表示本帧中发射的第Nchirp个和第Nchirp-1个啁啾。
作为优选方案,所述步骤5,具体包括:
步骤5.1:多个调频周期的中频信号离散后的矩阵,每一列代表快时间方向上NADC个采样点,每一行代表慢时间不同的Nchirp个脉冲信号的回波在相同快时间处的值。以帧为单位处理信号,可得到M个NADC×Nchirp的矩阵。
步骤5.2:对每一个矩阵快时间维做快速傅里叶变换,即可得到M个二维距离谱图,然后对二维距离谱图进行自相关,抑制背景噪声。
步骤5.3:假设每帧内的人机交互手势的距离相同,对得到的每一个二维距离谱图抽取第1列后,按帧拼接,得到距离时间图。对二维距离谱图,在慢时间方向做快速傅里叶变换即可得到距离多普勒图,将多个距离多普勒图按行累加后转置得到多个列向量,将多个列向量按帧拼接即得到速度时间图。
有益效果:本发明提供的一种考虑运动先验的雷达手势特征获取方法,是雷达手势识别应用中一种简单有效的动态环境干扰抑制方法,在硬件层面实现了复杂室内场景动态干扰的抑制。通过考虑人机交互时动态手势的运动先验约束,优化雷达波形参数配置以实现适当的探测距离和速度以及距离和速度分辨率,从而捕捉到动态手势引起的动态信号,并滤除非手势目标的干扰。
本发明基于所提出的方法,能捕捉到动态手势更细微的运动信息,使雷达手势特征信息可以更加集中,减少了后期信号处理的复杂性,本发明方法鲁棒性好,精简有效,应用前景广阔。
附图说明
图1是本发明的实施过程流程图。
图2是本发明的实施例定义的七种手势示意图。其中,(a)手掌左划,(b)手掌右划,(c)手掌上划,(d)手掌下划,(e)手掌前后推拉一次,(f)手掌前后推拉两次,(g)手掌顺时针画两圈。
图3是本发明的考虑运动场景先验的毫米波雷达参数配置流程图。
图4是本发明的实施例定义的七种手势相对毫米波雷达的运动情况,以及各种手势对应的速度时间图和距离时间图。第一行表示七种手势相对毫米波雷达的运动情况,其中,(a)手掌左划,(b)手掌右划,(c)手掌上划,(d)手掌下划,(e)手掌前后推拉一次,(f)手掌前后推拉两次,(g)手掌顺时针画两圈,第二行每一列表示每种手势对应的速度时间图,第三行每一列表示每种手势对应的距离时间图。
图5是本发明的实施例定义的9种复杂室内环境场景及干扰情况,主要包括3种场景:(a)实验室、(b)走廊和(c)工作室。复杂室内环境的干扰主要包括3种:(e)远距离高速运动干扰(以开启的风扇代替)、(f)远距离复杂运动干扰(以开启的风扇和运动的人员代替)和(g)近距离高速运动干扰(以开启的风扇代替)。
图6中是本发明的实施例在复杂室内场景远距离高速运动干扰下采用不同雷达参数配置得到的手势运动特征图。其中,(a)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势速度时间特征图;(b)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离时间特征图,(e)表示在工作室场景中存在远距离高速运动干扰下采集动态手势运动信息。
图7中是本发明的实施例在复杂室内场景远距离复杂运动干扰下采用不同雷达参数配置得到的手势运动特征图。其中,(a)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势速度时间特征图;(b)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离-时间特征图,(e)表示在工作室场景中存在远距离复杂运动干扰下采集动态手势运动信息。
图8中是本发明的实施例在复杂室内场景近距离高速运动干扰下采用不同雷达参数配置得到的手势运动特征图。其中,(a)表示根据经验配置(雷达最大测量速度vmax配置过大,而最大测量距离dmax基本合适)雷达参数后的手势速度-时间特征图;(b)表示根据经验配置(雷达最大测量速度vmax配置过大,而最大测量距离dmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离时间特征图,(e)表示在工作室场景中存在近距离高速运动干扰下采集动态手势运动信息。
具体实施方式
下面结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面结合具体实施例对本发明作更进一步的说明。
实施例1:
本发明提出的一种考虑运动先验的雷达人机交互手势特征获取方法,具体步骤为:
步骤1:确定人机交互手势运动先验约束。具体包括:
步骤1.1:设计包含控制指令的人机交互手势:以生活中人机交互常用的控制动作为例设计手势,如控制电视,手掌左划和右划分别表示上一个节目和下一个节目,上划和下划分别表示音量增加和减少,推拉表示确认,两次推拉表示进入菜单,顺时针旋转两圈表示关机。
步骤1.2:规定人机交互手势的交互动作参数,包括:手势进行人机交互时除手臂外其他身体部位保持静止,使用单手进行人机交互手势,手势交互的距离和速度在阈值范围内。
步骤1.3:确定人机交互手势的运动先验约束:为满足人机交互的体验感,限定人机交互手势与所交互的设备之间的距离为3m以内,将3m定义为人机交互手势的距离先验(阈值)dgesture;其次,手势运动的速度一般不超过出拳的速度(5-8m/s),将5-8m/s定义为人机交互手势的速度先验(阈值)vgesture。
步骤2:确定雷达主要性能指标约束。在用雷达进行人机交互手势识别的应用场景中,雷达的主要性能指标包括:最大测量距离dmax、最大测量速度vmax、距离分辨率dres、速度分辨率vres和帧率frate。这些参数由两部分共同决定:一部分是通过人机交互手势的运动先验约束确定最大测量距离dmax和最大测量速度vmax,在此基础上,另一部分是由所选具体型号的雷达支持的调频带宽B、ADC采样率F和调频斜率K限定的阈值范围来设计雷达发射波形,进而实现在最大测量距离dmax和最大测量速度vmax限定条件下更精确的距离分辨率dres和速度分辨率vres。由于考虑了人机交互手势的运动距离约束,在数据解析时即限定了雷达最大测量距离dmax,实现了最大测量距离dmax范围外的动态干扰自动滤除;在限定了雷达最大测量距离dmax的基础上,又考虑了人机交互手势的运动速度约束,在数据解析时即限定了雷达最大测量速度vmax,实现了雷达探测距离范围内的高速(所有大于最大测量速度vmax)动态干扰的自动滤除。其次,当用于人机交互手势的雷达具体型号选定后,雷达硬件支持的波形参数阈值随之确定,在此范围内结合雷达波形参数相关关系,以实现更精确的距离分辨率dres和速度分辨率vres为目标,进行雷达波形参数设计,从而实现雷达人机交互手势运动时序表征显著的特征图,降低了后续数据处理了复杂度,可以有效提升人机交互手势识别的准确率。
步骤2.1:考虑人机交互手势的距离先验阈值限定雷达最大测量距离:将人机交互手势的距离先验阈值dgesture确定为雷达主要性能指标中的最大测量距离dmax,即:
dmax=dgesture (1)
通过上式在数据解析时即限定了雷达的最大探测范围,在提取人机交互手势的距离时序特征时,可以实现自动滤除雷达检测范围dgesture外的各种动态干扰。
步骤2.2:考虑人机交互手势的速度先验阈值限定雷达最大测量速度:在步骤2.1基础上,将人机交互手势的速度先验阈值vgesture确定为雷达主要性能指标中的最大测量速度vmax,即:
vmax=vgesture (2)
通过上式在数据解析时即限定了雷达的最大探测速度,在提取人机交互手势的速度时序特征时,可以实现自动滤除雷达检测范围内的超过人机交互手势速度约束vgesture的各种高速干扰。
步骤2.3:以所选具体型号雷达硬件支持的参数阈值限定波形设计参数的取值范围:用于人机交互手势识别的雷达具体型号一旦选定后,其支持的最大频率fmax、最小频率fmin、最大调频带宽Bmax、最大ADC采样率Fs-max、最小ADC采样率Fs-min、最大调频斜率Kmax、最小调频斜率Kmin也随之确定。将所选具体型号雷达硬件支持的参数(频率f、调频带宽B、ADC采样率F和调频斜率K)阈值作为波形参数设计的先决条件,则雷达波形设计时,对于调频带宽B、调频斜率K和ADC采样率Fs存在下列约束条件:
fmin≤f≤fmax (3)
B≤Bmax (4)
Kmin≤K≤Kmax (5)
Fs-min≤Fs≤Fs-max (6)
在进行雷达波形参数设计时,考虑上述雷达自身硬件约束,再结合雷达波形参数相关关系,以实现更精确的距离分辨率dres和速度分辨率vres为目标,进行雷达波形参数设计,从而实现雷达人机交互手势运动时序表征显著的特征图。
通过综合考虑人机交互手势先验约束和雷达硬件参数限制两个方面因素,结合雷达信号模型与波形参数相关关系,可以确定雷达的4个主要性能指标,再逆向推导波形设计参数,进而获得克服周围环境动态干扰、动态时序信息显著的人机交互手势运动特征。
步骤3:逆向指导雷达发射波形设计,确定波形设计参数。在满足人机交互手势的运行先验约束和所选具体型号雷达自身硬件约束前提下,以获得更高的距离分辨率dres和速度分辨率vres为目标,根据雷达波形设计参数相关关系,确定雷达波形设计各参数具体的值和距离分辨率dres、速度分辨率vres。
步骤3.1:明确雷达波形设计参数相关关系。以FMCW雷达(调频连续波雷达)为例,其采用线性啁啾序列调频来发射信号,其中,线性啁啾波形设计的参数主要包括:初始频率f0、调频斜率K、调频周期Tc、调频带宽B、ADC采样点个数NADC、ADC采样率Fs以及每帧发射的啁啾数Nchirp、帧周期Tf和帧率frate。这些参数的具体值可根据约束条件(1)至(6)和雷达波形设计参数相关关系进行确定。具体如下:
对于每个线性啁啾,瞬时发射频率ft随时间t线性变化,可以表示为:
式中,f0为啁啾的初始频率,其值确定见步骤3.2。其中,调频周期Tc、调频带宽B与调频斜率K满足下列关系:
其中,调频周期Tc与ADC采样点个数NADC和ADC采样率Fs存在下列关系:
此外,帧周期Tf、帧率frate与调频周期Tc和每帧发射的啁啾数Nchirp存在下列关系:
步骤3.2:确定调频带宽B、距离分辨率dres和初始频率f0。由于手势在进行人机交互时,雷达采集的回波信号包含整个手臂的时序运动特征。因此,人机交互手势的雷达频谱中存在整个手臂各部位且距离不一情况,就会存在频谱峰值重叠的现象,故而不能将整个手臂看成一个运动目标。为了获取整个手臂运动的距离时序信息,需要雷达的距离分辨率dres尽可能地高,可以通过增加中频信号的长度来实现。具体而言,由于调频周期Tc时间内可以分辨时间间隔超过1/Tc Hz的频率分量,所以可以进行如下推导:
式中,c表示光速,Δf表示相邻采样点之间中频信号的频率差,Δd表示相邻采样点之间人机交互手势运动的距离差。由上式可知,距离分辨率dres仅取决于啁啾的调频带宽B。根据公式(4),当用于人机交互的雷达具体型号确定后,其支持的最大调频带宽Bmax随之确定,再根据公式(11),距离分辨率dres的值也就确定。为使调频带宽B能取到雷达支持的最大调频带宽Bmax,初始频率f0一般取雷达支持的最小频率fmin,即:f0=fmin,则调频中心频率对应波长λ为:
由于中频信号通过低通滤波器和ADC模数转化器,然后在DSP中进行数字信号处理,因此此处涉及到采样率的问题,ADC采样率Fs满足下列关系:
通过上式和公式(5)、(6),可以缩小调频斜率K和ADC采样率Fs的取值范围。
步骤3.3:确定波形设计参数的调频周期Tc和调频斜率K。在手势进行人机交互时,雷达会发射多个调频周期为Tc的啁啾,每个反射的啁啾通过距离维FFT得到人机交互手势距雷达的相对距离d。对应于每个啁啾的距离FFT将在同一位置出现峰值,但相位不同,其测得的相位差Δφ对应于速度为v×Tc的人机交互手势的移动。由于回波信号是发送信号的一段时间延时Δτ,测量物体距离变化的中频fb对应的相位差为Δφ,则存在下列关系:
式中,中频fb与雷达中频信号有关,其值确定见步骤4.2。由于调频周期Tc内人机交互手势移动的距离为Δd,满足下列表达式:
Δd=vTc (15)
联立公式(14)和(15),可将公式(14)改写为:
根据上式,可以求得人机交互手势的速度v:
上式通过测量物体距离变化的中频对应的相位差Δφ实现人机交互手势的速度测量。然而,当Δφ大于π时,就会造成测量速度模糊。因此,相位差Δφ需满足下列公式:
因此,雷达在两个啁啾调频周期Tc时间可以测得的最大测量速度vmax为:
由于在步骤1中限定了人机交互手势的速度先验vgesture,根据公式(2)可以确定最大测量速度vmax的值,因此,可以逆向推导确定公式(19)调频周期Tc的具体值。当调频周期Tc确定后,又因为步骤3.2中公式(11)确定了调频带宽B的值,则根据公式(8),即可求得调频斜率K。
步骤3.4:速度分辨率求解逆向推导波形设计参数ADC采样点个数NADC、ADC采样率Fs以及每帧发射的啁啾数Nchirp和帧周期Tf。从雷达中频信号中求解人机交互手势的运动速度采用的是相位差法,由于手势在进行人机交互手势时,整个手臂以肩关节为轴心,手臂各部位呈变速运动,因此不能将手臂的运动看成单个目标的变速运动。故而,要获取整个手臂各部位的运动时序信息,需要雷达的速度分辨率尽可能的高。但是,这将面临同一距离处存在多个手臂部位的速度测量问题,就会存在对人机交互手势的雷达数据进行距离维FFT后,在频谱中同一相位位置产生峰值,导致手臂各部位速度时序信息无法区分,造成相位差法求解速度失效的问题。这种情况可通过发送一组Nchirp个等间隔啁啾信号(这一组即为一帧),实现相同距离手臂各部位有多个不同速度的测量。
对于接收的一组Nchirp个等间隔啁啾信号,沿距离维进行FFT后,在速度维Nchirp行同位置产生峰值,每个峰值相位包含两个物体的相位,对距离维FFT变化后的结果再沿速度维方向做FFT,即多普勒FFT。因为是等间隔Tc,Δφt表示的是距离维FFT后的频率,所以做多普勒FFT后得出的φ1、φ2相等间隔内表示是Δφ,即两个物体对应的线性调频的相位差。在傅里叶变换中,长度为N的序列上的FFT可以分离两个频率φ1和φ2,应满足下列条件:
根据公式(18),即:
因此,联立公式(17)即可求得雷达的速度分辨率vres:
又因为,雷达的帧周期Tf可用下列公式表示:
所以,可知雷达的速度分辨率vres为:
上式表明雷达的速度分辨率vres与帧周期Tf相关,由于帧周期Tf与每帧发射的啁啾数Nchirp和调频周期Tc有关。在步骤3.3中确定了调频周期Tc,因此,只要确定每帧发射的啁啾数Nchirp就能确定速度分辨率vres。由公式(23)和(24)可知,每帧发射的啁啾数Nchirp越大,帧周期Tf就越大,则速度分辨率vres越小,这意味着雷达感知的人机交互手势的动态信息更加精细。然而,帧率frate越高,在时间域感知人机交互手势变化特征越明显,也会增加实时处理数据的要求,因此,每帧发射的啁啾数Nchirp并不是越大越好,针对基于毫米波雷达的人机交互手势识别应用,每帧发射的啁啾数Nchirp一般取2n,n范围在6至8之间(包含6和8)。由此,可以确定每帧发射的啁啾数Nchirp的值,再根据公式(24),可以求得雷达的速度分辨率vres。
步骤4:根据雷达中频信号解算人机交互手势距雷达的相对瞬时距离d和瞬时速度v。以FMCW雷达为例,通过步骤3确定线性啁啾序列的波形参数,而后,雷达发射设计好的锯齿形线性调频连续波进行目标探测。分别从时域和频域解算中频信号的频率和相位差,即可获得人机交互手势的距离时变信息和速度时变信息。
步骤4.1:确定人机交互手势的雷达中频信号模型。对于每个啁啾信号,瞬时发射频率ft随时间t线性变化,见步骤3.1公式(7),则瞬时发射频率ft对应的相位为:
由公式(7)和公式(25),可得雷达的发射信号模型TS(t)为:
式中,A(t)为信号的幅度,该值由所选具体型号雷达的功率、天线增益、目标反射截面积等决定。发射信号经人机交互手势反射后,反射信号模型RS(t)可表示为:
式中,α表示与雷达截面、天线增益和距离衰减成正比的系数,τ表示信号往返时延,当进行人机交互时,人机交互手势距雷达的相对瞬时距离为d时,则信号往返时延τ为:
在雷达系统混频器中TS(t)与RS(t)混合,经过低通滤波器,得到中频信号S(t),其表达式如下:
上式中唯一的时变项是小括号内第一个,称为中频频率fb,另外两项是相位分量。对于短距离的人机交互手势,相位分量的平方项可以忽略不计,近似为零。这意味着式(29)可以表示为:
步骤4.2:从中频信号中解算人机交互手势距雷达的相对瞬时距离d。从公式(30)中可知,对于人机交互手势的雷达中频信号,所得到的基带信号是正弦波形,其中频频率fb取决于人机交互手势距雷达的相对瞬时距离d,即:
因此,可从中频信号中解算出人机交互手势距雷达的相对瞬时距离d为:
步骤4.3:从中频信号中解算人机交互手势的瞬时速度v。从(30)可知,初始相位φ0为:
初始相位φ0则提供多普勒信息。虽然初始相位φ0也取决于人机交互手势距雷达的相对瞬时距离d,但由于相位存在周期性,会导致距离测量存在模糊性,故该信息不能用于确定人机交互手势的相对瞬时距离,而可以用于确定人机交互手势的瞬时速度v,其解算见步骤3.3。
步骤5:中频信号处理。对采集的雷达中频信号离散表示为矩阵形式,再对其进行二维傅里叶变换和恒虚警检测,再将其按帧时间进行拼接,得到克服周围环境动态干扰、动态时序信息显著的雷达手势距离时间特征图和速度时间特征图。具体如下:
步骤5.1:构建人机交互手势的雷达中频信号数据矩阵。将一个调频周期序列即一帧内多个调频周期的中频信号离散表示为矩阵形式,其中每一列数据为单个啁啾沿快时间方向上NADC个序列采样点数据,每一行数据为沿慢时间的Nchirp个序列脉冲信号的回波在相同快时间处的数据。以帧为单位处理信号,可得到M个NADC×Nchirp的矩阵。
步骤5.2:背景噪声抑制。对每一个矩阵快时间维做快速傅里叶变换,即可得到M个二维距离谱图,然后对二维距离谱图进行自相关,抑制背景噪声。
步骤5.3:人机交互手势特征提取。假设每帧内的人机交互手势的距离相同,对得到的每一个二维距离谱图抽取第1列后,按帧拼接,得到距离时间图。对二维距离谱图,在慢时间方向做快速傅里叶变换即可得到距离多普勒图,将多个距离多普勒图按行累加后转置得到多个列向量,将多个列向量按帧拼接即得到速度时间图。
实施例2:
结合图1说明本发明的具体实施过程如下:
(10)确定动态手势运动先验。首先,(11)设计人机交互手势:以生活中人机交互常用的控制动作为例设计手势,如控制电视,手掌左划和右划分别表示上一个和下一个节目,上划和下划分别表示音量增加和减少,推拉表示确认,双推拉表示进入菜单,顺时针旋转两圈表示关机。其次,(12)规定手势交互动作:动态手势在人机交互过程中,只有右手(或左手)单个手臂以正常速度进行动作,其他身体部位保持静止。(13)确定手势运动先验约束:为满足人机交互的体验感,限定手势与所交互的设备之间的距离为3m以内,将3m定义为人机交互时手势的距离先验dgesture;其次,手势运动的速度一般不超过出拳的速度(5-8m/s),将5-8m/s定义为人机交互时的速度先验vgesture。
(20)确定雷达主要性能指标约束。在雷达手势识别应用场景中,雷达的主要性能指标包括:最大测量距离dmax、最大测量速度vmax、距离分辨率dres与速度分辨率vres,根据(10)确定动态手势运动先验和(21)雷达自身硬件限制确定雷达的主要性能指标。
a)考虑人机交互手势运动先验约束,将人机交互时手势的距离先验阈值dgesture确定为雷达手势识别中的最大测量距离dmax,即:
dmax=dgesture
将人机交互时手势的速度先验阈值vgesture确定为雷达手势识别中的最大测量速度vmax,即:
vmax=vgesture
b)考虑雷达自身硬件限制,将雷达硬件支持的参数上限作为波形参数配置的先决条件,主要包括:最大频率fmax、最小频率fmin、最大调频带宽Bmax、ADC采样率Fs-max、最小ADC采样率Fs-min、最大调频斜率Kmax、最小调频斜率Kmin,上述参数根据所选具体型号雷达确定。
如图3所示,(30)逆向指导雷达发射波形的参数配置。综合考虑人机交互手势的运行先验约束和雷达自身硬件限制,根据(31)雷达波形参数相关关系,逆向指导配置雷达手势波形。影响雷达波形配置的参数主要包括:雷达参数通常包括发射天线数NTx、接收天线数NRx、调频斜率K、调频周期Tc、调频带宽B、每帧调频周期数Nchirp、帧周期Tf、每个周期ADC采样点个数NADC和ADC采样率Fs。这些参数根据毫米波雷达手势识别应用场景中的最大测量距离dmax、最大测量速度vmax、距离分辨率dres与速度分辨率vres作为主要指标来确定。其中,频率f、调频带宽B、调频斜率K和ADC采样率Fs需满足雷达硬件支持的参数上限,即:
fmin≤f≤fmax
B≤B
max
Kmin≤K≤Kmax
Fs-min≤Fs≤Fs-max
在满足上述手势运动先验约束和雷达硬件限制的前提下,使得雷达探测的距离分辨率尽可能小,根据下式,求得雷达调频带宽B。
式中,c表示光速。
根据雷达自身硬件限制约束公式,可以确定调频初始频率f0和调频中心频率对应波长λ,即:
f0=fmin
已知雷达探测的距离分辨率dres和最大测量距离dmax,根据下式求得每个周期ADC采样点个数NADC,即
根据雷达自身硬件限制约束公式,联立上式,可以确定ADC采样率Fs和调频斜率K。
而后,根据手势运动速度约束和(31)雷达波形参数相关关系,确定调频周期Tc和雷达探测的速度分辨率vres:
式中,λ表示调频中心频率对应波长。
最后,根据(31)雷达参数相关关系,确定雷达的帧周期Tf和帧率frate:
(40)采集雷达手势信号数据。根据步骤(10)确定动态手势运动先验约束,明确人机交互手势的距离和运动速度约束,结合步骤(21)确定雷达自身硬件限制,确定雷达主要性能指标约束,综合(31)雷达波形参数相关关系,根据步骤(30)推导的波形参数配置雷达参数,进而采集动态手势的雷达回波信号数据。
(50)中频信号预处理。对原始数字中频信号数据进行二维傅里叶变换,得到少目标干扰的雷达手势距离时间特征图和速度时间特征图,具体如下:
a)多个调频周期的中频信号离散后的矩阵的每一列代表快时间方向上NADC个采样点,每一行代表慢时间不同的Nchirp个脉冲信号的回波在相同快时间处的值。以帧为单位处理信号,可得到M个NADC×Nchirp的矩阵。
b)对每一个矩阵快时间维做快速傅里叶变换,即可得到M个二维距离谱图,然后对二维距离谱图进行自相关,抑制背景噪声。
c)假设每帧内的目标距离相同,对得到的每一个二维距离谱图抽取第1列后,按帧拼接,得到距离时间图。对二维距离谱图,在慢时间方向做快速傅里叶变换即可得到距离多普勒图,将多个距离多普勒图按行累加后转置得到多个列向量,将多个列向量按帧拼接即得到速度时间图。
该实施例定义的手势如图2所示,包括(a)手掌左划,(b)手掌右划,(c)手掌上划,(d)手掌下划,(e)手掌前后推拉一次,(f)手掌前后推拉两次,(g)手掌顺时针画两圈等7种手势动作,对应的控制功能为:节目减、节目加、音量加、音量减、确认、菜单和关机。
该实施例中选用德州仪器AWR1642BOOST毫米波雷达开发板,雷达硬件参数指标主要包括:调频范围77~81GHz,最大理论调频带宽Bmax可达4GHz,最大ADC采样率Fs-max为15MHz,最小ADC采样率Fs-min为2MHz,最大调频斜率Kmax为150MHz/μs,具有2个发射天线和4个接收天线。该实施例中手势运动先验约束主要包括:手势最大运动速度vgesture为5m/s,最大手势测量距离dgesture为3m。根据上述雷达硬件限制和手势运动先验约束指导雷达参数配置,最大测量速度vmax为5m/s,最大测量距离dmax为3.06m。雷达参数包括发射天线数NTx为2、接收天线数NRx为4、调频带宽B为3.136GHz,调频斜率K为98MHz/us、调频周期Tc为192us、每帧调频周期数Nchirp为64、每个调频周期采样数NADC为64、帧周期Tf为20ms、ADC采样率Fs为2MHz,载波波长λ为3.8mm,由此确定的距离分辨率dres为4.8cm,速度分辨率vres为0.16m/s。
该实例中雷达参数配置综合考虑了雷达硬件限制和手势运动先验约束,为了验证该参数的有效性,在室内工作室场景中,将其与不同雷达参数配置采集的手势特征图进行对比。主要包含两组参数配置:(一)最大测量距离配置过大,而最大测量速度基本合适;(二)最大测量速度配置过大,而最大测量距离基本合适。
如图4所示,第一行表示七种手势相对毫米波雷达的运动情况,其中,(a)手掌左划,(b)手掌右划,(c)手掌上划,(d)手掌下划,(e)手掌前后推拉一次,(f)手掌前后推拉两次,(g)手掌顺时针画两圈,第二行每一列表示每种手势对应的速度时间图,第三行每一列表示每种手势对应的距离时间图。
如图5所示,(a)实验室、(b)走廊和(c)工作室。复杂室内环境的干扰主要包括3种:(e)远距离高速运动干扰(以开启的风扇代替)、(f)远距离复杂运动干扰(以开启的风扇和运动的人员代替)和(g)近距离高速运动干扰(以开启的风扇代替)。
如图6所示,其中,(a)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势速度时间特征图;(b)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离时间特征图,(e)表示在工作室场景中存在远距离高速运动干扰下采集动态手势运动信息。
如图7所示,其中,(a)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势速度时间特征图;(b)表示根据经验配置(雷达最大测量距离dmax配置过大,而最大测量速度vmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离时间特征图,(e)表示在工作室场景中存在远距离复杂运动干扰下采集动态手势运动信息。
如图8所示,其中,(a)表示根据经验配置(雷达最大测量速度vmax配置过大,而最大测量距离dmax基本合适)雷达参数后的手势速度时间特征图;(b)表示根据经验配置(雷达最大测量速度vmax配置过大,而最大测量距离dmax基本合适)雷达参数后的手势距离时间特征图;(c)表示考虑运动场景先验雷达参数配置后的手势速度时间特征图;(d)表示考虑运动场景先验雷达参数配置后的手势距离时间特征图,(e)表示在工作室场景中存在近距离高速运动干扰下采集动态手势运动信息。
该实例采用不同雷达参数对7种手势中的手掌前后推拉一次动作的手势特征图如图6-8所示,分别代表复杂室内环境下不同干扰对手势特征的影响情况。通过不同雷达参数采集的手势特征图对比结果,可以发现:1)不同的雷达参数配置对手势特征影响很大,最大测量距离和速度二者应根据动态手势特性及场景综合考虑,进而指导雷达参数配置。合适的最大测量距离能够有效滤除远距离的目标干扰,合适的最大测量速度能够有效滤除手势识别场景检测范围内的高速运动干扰,使得雷达手势特征更明显;2)在实验室、走廊和工作室场景中,对比分析不同参数配置采集得到的雷达手势特征图像,都具有类似的特性,进一步说明该配置适用多种复杂室内场景。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种考虑运动先验的雷达手势特征获取方法,其特征在于:包括如下步骤:
步骤1:获取动态手势运动先验约束;
步骤2:根据动态手势运动先验约束和雷达自身硬件限制获取雷达性能指标约束;
步骤3:根据雷达性能指标约束逆向指导雷达发射波形的参数配置;
步骤4:根据雷达发射波形的参数配置采集雷达手势信号数据;
步骤5:根据雷达手势信号数据得到少目标干扰的雷达手势距离时间特征图和速度时间特征图。
2.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述步骤1,具体包括:
步骤1.1:设计人机交互手势;
步骤1.2:规定手势交互动作;
步骤1.3:确定人机交互手势距离先验阈值dgesture,速度先验阈值vgesture。
3.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述步骤2,具体包括:
步骤2.1:根据人机交互时手势的距离先验阈值dgesture确定为雷达手势识别中的最大测量距离dmax,即:
dmax=dgesture;
根据人机交互时手势的速度先验vgesture确定为雷达手势识别中的最大测量速度vmax,即:
vmax=vgesture;
步骤2.2:考虑雷达自身硬件限制,将雷达硬件支持的参数上限作为波形参数配置的先决条件,包括:最大频率fmax、最小频率fmin、最大调频带宽Bmax、ADC采样率Fs-max、最小ADC采样率Fs-min、最大调频斜率Kmax、最小调频斜率Kmin。
4.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述步骤3,具体包括:
步骤3.1:获取雷达手势识别应用场景中的最大测量距离dmax、最大测量速度vmax、距离分辨率dres与速度分辨率vres;
步骤3.2:根据雷达硬件设备型号,获取频率f、调频带宽B、调频斜率K和ADC采样率Fs的约束,具体公式如下:
fmin≤f≤fmax
B≤Bmax
Kmin≤K≤Kmax
Fs-min≤Fs≤Fs-max;
步骤3.3:获取雷达调频带宽B,计算公式如下:
其中,c表示光速,dres表示雷达硬件设备型号对应的最小雷达探测的距离分辨率;
步骤3.4:获取调频初始频率f0和调频中心频率对应波长λ,计算公式如下:
f0=fmin
步骤3.5:根据距离分辨率dres和最大测量距离dmax,获取ADC采样点个数NADC,计算公式如下:
步骤3.6:获取调频周期Tc,计算公式如下:
步骤3.7:获取ADC采样率Fs,计算公式如下:
步骤3.8:获取调频斜率K,计算公式如下:
步骤3.9:获取每帧调频周期数Nchirp,计算公式如下:
步骤3.10:获取帧周期Tf和帧率frate:,计算公式如下:
5.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述步骤4,具体包括:
步骤4.1:获取人机交互手势的雷达中频信号模型,计算公式如下:
其中,α表示正比系数,d表示人机交互手势距雷达的相对瞬时距离,A(t)为信号的幅度,c表示光速,f0表示初始频率,B表示调频带宽,Tc表示调频周期,π表示圆周率,t表示时间;
步骤4.2:从中频信号模型中解算人机交互手势距雷达的相对瞬时距离d,计算公式如下:
其中,fb表示中频频率;
步骤4.4:从中频信号模型中解算出Δφ,根据Δφ计算出人机交互手势的瞬时速度v,计算公式如下:
其中,λ表示调频中心频率对应波长,Δφ表示相等时间间隔内(调频周期Tc)对应的相位差;
式中,
其中,
其中,Nchirp、Nchirp-1分别表示本帧中发射的第Nchirp个和第Nchirp-1个啁啾。
6.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述步骤5,具体包括:
步骤5.1:多个调频周期的中频信号离散后的矩阵,每一列代表快时间方向上NADC个采样点,每一行代表慢时间不同的Nchirp个脉冲信号的回波在相同快时间处的值;以帧为单位处理信号,可得到M个NADC×Nchirp的矩阵;
步骤5.2:对每一个矩阵快时间维做快速傅里叶变换,即可得到M个二维距离谱图,然后对二维距离谱图进行自相关,抑制背景噪声;
步骤5.3:假设每帧内的人机交互手势的距离相同,对得到的每一个二维距离谱图抽取第1列后,按帧拼接,得到距离时间图;对二维距离谱图,在慢时间方向做快速傅里叶变换即可得到距离多普勒图,将多个距离多普勒图按行累加后转置得到多个列向量,将多个列向量按帧拼接即得到速度时间图。
7.根据权利要求2所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述人机交互手势至少包括:手掌左划,手掌右划,手掌上划,手掌下划,手掌前后推拉一次,手掌前后推拉两次和手掌顺时针画两圈。
8.根据权利要求2所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述规定手势交互动作包括:进行人机交互时除手臂外其他身体部位保持静止,使用单手进行人机交互手势,手势交互的距离和速度在阈值范围内。
9.根据权利要求2所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述人机交互手势距离先验阈值dgesture设置为3米,速度先验阈值vgesture设置为5-8m/s的出拳的速度。
10.根据权利要求1所述的一种考虑运动先验的雷达手势特征获取方法,其特征在于:所述雷达设置为FMCW雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311462392.9A CN117519474B (zh) | 2023-11-06 | 2023-11-06 | 一种考虑运动先验的雷达手势特征获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311462392.9A CN117519474B (zh) | 2023-11-06 | 2023-11-06 | 一种考虑运动先验的雷达手势特征获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117519474A true CN117519474A (zh) | 2024-02-06 |
CN117519474B CN117519474B (zh) | 2024-05-14 |
Family
ID=89765496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311462392.9A Active CN117519474B (zh) | 2023-11-06 | 2023-11-06 | 一种考虑运动先验的雷达手势特征获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117519474B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170097413A1 (en) * | 2015-10-06 | 2017-04-06 | Google Inc. | Radar-Enabled Sensor Fusion |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
US20180120420A1 (en) * | 2015-04-20 | 2018-05-03 | Resmed Sensor Technologies Limited | Gesture recognition with sensors |
US20190049558A1 (en) * | 2017-08-08 | 2019-02-14 | KC Sense Limited | Hand Gesture Recognition System and Method |
US20190113600A1 (en) * | 2017-10-13 | 2019-04-18 | Infineon Technologies Ag | Radar sensing with interference suppression |
CN110705501A (zh) * | 2019-10-14 | 2020-01-17 | 重庆邮电大学 | 一种提升fmcw雷达手势识别精度的干扰抑制算法 |
CN110765974A (zh) * | 2019-10-31 | 2020-02-07 | 复旦大学 | 基于毫米波雷达和卷积神经网络的微动手势识别方法 |
US20200057504A1 (en) * | 2018-08-20 | 2020-02-20 | Google Llc | Smartphone-based radar system detecting user gestures using coherent multi-look radar processing |
US20210232228A1 (en) * | 2020-01-29 | 2021-07-29 | Samsung Electronics Co., Ltd. | Adaptive thresholding and noise reduction for radar data |
CN114280565A (zh) * | 2021-11-12 | 2022-04-05 | 苏州豪米波技术有限公司 | 一种基于毫米波雷达的手势识别方法 |
CN114661142A (zh) * | 2020-12-22 | 2022-06-24 | 华为技术有限公司 | 一种手势识别方法以及装置 |
CN115343704A (zh) * | 2022-07-29 | 2022-11-15 | 中国地质大学(武汉) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 |
JP2023001662A (ja) * | 2021-06-21 | 2023-01-06 | 株式会社東芝 | レーダシステム及びレーダ信号処理方法 |
US20230066386A1 (en) * | 2021-09-02 | 2023-03-02 | Smart Radar System, Inc. | Tdm fmcw radar apparatus and signal processing method of apparatus |
CN115825884A (zh) * | 2022-12-02 | 2023-03-21 | 华中科技大学 | 一种fmcw雷达干扰检测和抑制方法及系统 |
CN116687392A (zh) * | 2023-06-08 | 2023-09-05 | 中仪知联(无锡)工业自动化技术有限公司 | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 |
US20230333660A1 (en) * | 2022-04-13 | 2023-10-19 | Samsung Electronics Co., Ltd. | Dynamic gesture recognition using mmwave radar |
-
2023
- 2023-11-06 CN CN202311462392.9A patent/CN117519474B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180120420A1 (en) * | 2015-04-20 | 2018-05-03 | Resmed Sensor Technologies Limited | Gesture recognition with sensors |
US20170097413A1 (en) * | 2015-10-06 | 2017-04-06 | Google Inc. | Radar-Enabled Sensor Fusion |
CN107024685A (zh) * | 2017-04-10 | 2017-08-08 | 北京航空航天大学 | 一种基于距离‑速度特征的手势识别方法 |
US20190049558A1 (en) * | 2017-08-08 | 2019-02-14 | KC Sense Limited | Hand Gesture Recognition System and Method |
US20190113600A1 (en) * | 2017-10-13 | 2019-04-18 | Infineon Technologies Ag | Radar sensing with interference suppression |
US20200057504A1 (en) * | 2018-08-20 | 2020-02-20 | Google Llc | Smartphone-based radar system detecting user gestures using coherent multi-look radar processing |
CN110705501A (zh) * | 2019-10-14 | 2020-01-17 | 重庆邮电大学 | 一种提升fmcw雷达手势识别精度的干扰抑制算法 |
CN110765974A (zh) * | 2019-10-31 | 2020-02-07 | 复旦大学 | 基于毫米波雷达和卷积神经网络的微动手势识别方法 |
US20210232228A1 (en) * | 2020-01-29 | 2021-07-29 | Samsung Electronics Co., Ltd. | Adaptive thresholding and noise reduction for radar data |
CN114661142A (zh) * | 2020-12-22 | 2022-06-24 | 华为技术有限公司 | 一种手势识别方法以及装置 |
JP2023001662A (ja) * | 2021-06-21 | 2023-01-06 | 株式会社東芝 | レーダシステム及びレーダ信号処理方法 |
US20230066386A1 (en) * | 2021-09-02 | 2023-03-02 | Smart Radar System, Inc. | Tdm fmcw radar apparatus and signal processing method of apparatus |
CN114280565A (zh) * | 2021-11-12 | 2022-04-05 | 苏州豪米波技术有限公司 | 一种基于毫米波雷达的手势识别方法 |
US20230333660A1 (en) * | 2022-04-13 | 2023-10-19 | Samsung Electronics Co., Ltd. | Dynamic gesture recognition using mmwave radar |
CN115343704A (zh) * | 2022-07-29 | 2022-11-15 | 中国地质大学(武汉) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 |
CN115825884A (zh) * | 2022-12-02 | 2023-03-21 | 华中科技大学 | 一种fmcw雷达干扰检测和抑制方法及系统 |
CN116687392A (zh) * | 2023-06-08 | 2023-09-05 | 中仪知联(无锡)工业自动化技术有限公司 | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117519474B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765974B (zh) | 基于毫米波雷达和卷积神经网络的微动手势识别方法 | |
US11947002B2 (en) | Method for recognizing identity and gesture based on radar signals | |
CN108415010B (zh) | 一种基于梯形lfmcw调制的雷达多目标检测方法 | |
Ristea et al. | Fully convolutional neural networks for automotive radar interference mitigation | |
Wang et al. | SRMF-CLEAN imaging algorithm for space debris | |
CN111157988B (zh) | 一种基于rdtm与atm融合的手势雷达信号处理方法 | |
CN107656255A (zh) | 基于多径回波的超宽带雷达动目标二维定位方法 | |
KR100824552B1 (ko) | 수동 코히어런트 위치 확인 애플리케이션에서 특징을 검출 및 추출하는 시스템 및 방법 | |
CN110554378B (zh) | 单通道多普勒雷达径向运动方向识别方法及装置 | |
CN113009439A (zh) | 一种基于调频连续波毫米波雷达的多目标探测方法 | |
KR20210004360A (ko) | 공중 제스쳐 인식 장치 및 방법 | |
CN117519474B (zh) | 一种考虑运动先验的雷达手势特征获取方法 | |
CN115792884A (zh) | 一种基于fmcw雷达的人员检测系统及方法 | |
Wang et al. | Research on hand gesture recognition based on millimeter wave radar | |
CN109031212A (zh) | 一种雷达跟踪状态下的工作频率优化方法 | |
Wang et al. | Hand gesture recognition scheme based on millimeter-wave radar with convolutional neural network | |
CN114740463B (zh) | 一种能提高调频连续波雷达距离分辨率的方法 | |
CN110275142A (zh) | 一种宽带雷达直采数据预处理方法 | |
CN110726988A (zh) | Pd雷达探测高超声速目标的距离和速度模糊互解方法 | |
Wilbrink | Measurement-based rotational hand gesture recognition using mmWave MIMO FMCW radar | |
CN118033578A (zh) | 一种基于毫米波雷达的人体姿态识别方法、设备及介质 | |
Claussen et al. | A real-time cognitive-sonar system for diver detection | |
Xu et al. | Gesture Recognition Based on Millimeter-wave Radar with Multi-Parameter Fusion Network | |
CN115840504A (zh) | 一种毫米波雷达多人手势识别方法 | |
CN117805764A (zh) | 基于三维时频信息矩阵的毫米波雷达抗干扰跌倒检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |