基于多通道调频连续波毫米波雷达的微动手势识别

该文提出一种基于多通道调频连续波(FMCW)毫米波雷达的微动手势识别方法,并给出一种微动手势特征提取的最优雷达参数设计准则。通过对手部反射的雷达回波进行时频分析处理,估计目标的距离多普勒谱、距离谱、多普勒谱和水平方向角度谱。设计固定帧时间长度拼接的距离-多普勒-时间图特征,与距离-时间特征、多普勒-时间特征、水平方向角度-时间图特征和三者联合特征等,分别对7类微动手势进行表征。根据手势运动过程振幅和速度差异,进行手势特征捕获和对齐。利用仅有5层的轻量化卷积神经网络对微动手势特征进行分类。实验结果表明,相较其他特征,设计的距离-多普勒-时间图特征能够更为准确地表征微动手势,且对未经训练的测试对象具有更好的泛化能力。

     

一种基于监控视频的出租车识别方法

研究了一种基于视频监控的出租车识别算法.对已经完成跟踪的车辆,通过提取车辆的方向梯度直方图(HOG)特征,作为支持向量机(SVM)分类检测的输入,进行车辆是否为出租车的分类识别.通过多窗口投票机制,增强了分类识别算法的准确性与鲁棒性.实验证明,该方法能准确进行出租车的分类识别,基于实际的标清监控视频,出租车的分类准确率达到90％左右.     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法.首先,由短时傅里叶变换(STFT)得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别.仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上.     

基于双通道ＣＮＮ的ＦＭＣＷ雷达手势识别方法

为了提高对手势动作的分类能力,该文提出一种基于双通道卷积神经网络(CNN)的调频连续波（FMCW）雷达手势识别方法。首先利用具有一个发射天线两个接收天线的FMCW雷达对不同手势动作进行探测并收集到回波数据,之后对每个接收通道的回波数据进行预处理分别得到距离时间图、距离多普勒图与微多普勒时频谱图,然后将每个动作对应的三种彩色RGB图像进行堆叠。最后将堆叠后的彩色RGB图像输入到双通道CNN中进行手势特征提取和特征融合。实测数据处理结果表明所提基于双通道CNN手势识别方法对设计的八种手势动作的分类平均正确率为97.52%,与传统的单通道CNN相比有效地提高了对手势动作的分类能力。     

一种基于方向直方图的嵌入式手势识别系统

将手势识别算法在DSP嵌入式系统上实现,并将算法进行改进使其能适合嵌入式系统的特点,采用改进的边缘像素直方图的方法实现手势识别,最终用Bhattacharyya距离匹配模版,识别手势含义。该方法在嵌入式系统上实现,有实际应用的价值,并对前景的平移和尺寸变化不敏感。算法简单快速,稳健性好,有应用前景。     

利用调频连续波雷达测距讲解频谱分析

分析模拟信号的频谱是离散傅里叶变换(DFT)的一个重要应用,也是本科数字信号处理课程的重要知识点。以调频连续波雷达测距为例,结合具体参数讲解数字信号处理课程中频率估计、频率分辨率和栅栏效应等知识点,探索如何结合工程案例提升专业课程的教学效果,不仅促进了学生对相关知识的理解,还让学生深刻体会到理论结合实际的重要性。     

基于多特征融合与支持向量机的手势识别

针对手势识别中人的手部特征描述易受到环境因素影响,手势识别率低等问题,并考虑到单个特征的局限性,提出了一种基于Hu矩和HOG特征融合的支持向量机手势识别新方法。该方法首先对处理后的手势图像提取局部的HOG特征,然后针对手势的轮廓提取全局Hu矩特征,再将两种特征融合成混合特征,并通过主成分分析法对混合特征进行降维形成最终分类特征,并将新特征输入到支持向量机中进行识别。实验表明,该方法具有较好的鲁棒性和较高的识别率。     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和...     

基于串联式一维神经网络的毫米波雷达动态手势识别方法

现有的基于雷达传感器的手势识别方法,大多先利用雷达回波对手势的距离、多普勒和角度等信息进行参数估计,得到各种数据谱图,然后再利用卷积神经网络对这些谱图进行分类,实现过程较为复杂.该文提出一种基于串联式1维神经网络(1D-ScNN)的毫米波雷达动态手势识别方法.首先基于毫米波雷达获取动态手势的原始回波,然后利用1维卷积和池化操作对手势特征进行提取,并将这些特征信息输入1维Inception v3结构.最后在网络的末端接入长短期记忆(LSTM)网络来聚合1维特征,充分利用动态手势的帧间相关性,提高识别准确率和训练收敛速度.实验结果表明,该方法实现过程简单,收敛速度快,识别准确率可以达到96.0％以上,高于现有基于数据谱图的手势分类方法.     

用于人机交互的静态手势识别系统

提出并实现一个用于人机交互的静态手势识别系统。基于皮肤颜色模型进行手势分割，并用傅里叶描述子描述轮廓。采用针对小样本特别有效且范化误差有界的支持向量机方法：最小二乘支持向量机（LS－SVM）作为分类器。提出了LS－SVM的增量训练方式，避免了费时的矩阵求逆操作。为实现多类手势识别，利用DAG（Directed Acyclic Graph)将多个两类LS－SVM结合起来。对26个字母手势进行识别，与多层感知器、径向基函数网络等方法比较，LS－SVM的识别率最高，为93．62％。     

基于结构分析的手势识别算法研究

从肤色模型和手掌结构两个方面出发,提出了一种新型手势分割及识别算法。即首先通过YCbCr模型将复杂背景中的肤色区域分割出来,同时通过多区域手势提取算法,提取出待识别的手势,而后再按照手势分割及识别算法对手势进行识别。通过测试,该识别算法适用于不同环境下、不同大小的手势识别,具有较好的鲁棒性。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

基于双谱特征的超宽带雷达人体目标识别

为了在人体微多普勒特征不明显条件下识别静态人体目标及人体姿态,提出了一种结合双谱对角线起伏特性与目标强散射点分布特征进行人体目标识别的方法。首先,通过分析静态人体目标双谱,提取双谱对角线起伏特性作为分类特征,降低了双谱数据的维数,减少了双谱特征冗余。然后,结合目标强散射点分布特征从不同角度描述目标,并构造用于目标识别的特征向量。最后,用支持向量机实现目标识别。仿真和实测结果均表明,双谱对角线起伏特性与目标强散射点分布特征融合的方法可以有效识别出静态人体目标并且实现人体姿态识别。     

基于极化电磁波的飞行器姿态角估计新方法

提出使用单矢量传感器进行飞行器姿态角估计的新方法,安装在飞行器平台的单电磁 矢量传感器接收来自基站的极化电磁波信号,用MUSIC算法进行信号DOA和极化参数估计,得 到机体坐标系到地理坐标系的转换矩阵即飞行器姿态矩阵,最终估计飞行器姿态角。Matlab 仿真验证了该方法的有效性,姿态角估计误差在15°内,满足飞行器控制的要求。     

基于红外传感器和隐马尔可夫模型的动态手势识别

非接触式手势控制交互识别作为一种人机交互的新型技术,摆脱了传统的人机设备限制,更符合人际交流习惯。从其实现原理来看,非接触式手势控制交互识别有多种实现,有基于摄像头的识别,也有基于体感遥控的手势识别。本文采用了基于红外传感器的动态手势识别,其基本实现原理是利用四个定向二极管来感知反射的红外线能量,然后将该数据转换为四个方向的距离信息。对于如何从距离信息识别手势,一般多采用动态时间规整、人工神经网络以及隐马尔可夫模型(HMM, Hidden Markov Model)等模式匹配算法。HMM是一种随时间变化的信号模型,具有自动分割和分类能力,适合进行动态手势识别。本文通过HMM对传感器输出的四个方向距离信息进行训练识别,经过多次试验及调整,使得对于5种手势的识别率平均都达到了75%以上,并且随着手势训练数据的增加,识别率会随之提高。     

基于ROI分割和相干映射的裸手字母手势识别

提出了实时条件下裸手单目的手部定位和跟踪算法。结合改进的差分法提出了实用的手部约束条件，从每帧图像中提取手部图像，确定感兴趣区域（ROI，region of interesting），得到较为满意的手部分割结果，再对手部图像特征进行深入分析和提取，利用改进的相干映射算法（VCM，vector coherence mapping）进行跟踪，针对手的运动增加了约束，保证了顽健性。在这个基础上，提出了时间相关的运动预测模型，满足了实时性的要求，保证前后分析结果的一致性。实验结果证明，在不同光照和复杂背景下系统有最高达99％的识别率，与已有的系统相比，性能显著提高。     

一种基于改进DTW算法的动态手势识别方法

结合Kinect传感器提出了一种基于改进的DTW算法的动态手势识别方法。首先,通过SDK对Kinect传感器获得的深度信息进行分析,获得人体骨骼点3D位置,选取其中4个点作为手部运动特征;然后,用加权距离和全局路径限制的方法对传统的DTW算法进行改进;最后,用改进的DTW算法进行模板训练和实现动态手势的识别。实验表明：该方法能很好地实现动态手势的识别,实时性好,在背景干扰和光照方面有较强的鲁棒性,较传统的DTW算法在识别速度和识别正确率方面有所提高。     

基于数据增强算法和CNN-LSTM的高精确度手势识别

近年来,基于雷达的手势识别技术在工业和生活中得到了广泛应用,但愈加复杂的应用场景对手势识别算法的准确率和鲁棒性提出了更高要求。对此,设计了一种基于毫米波雷达的高精确度手势识别算法。通过对已有分类算法的研究对比,构建了一种用于手势识别的卷积神经网络-长短期记忆网络(CNN-LSTM)深度学习算法模型;同时,运用布莱克曼窗抑制手势信号处理中的频谱泄露问题,并联合运用小波阈值和动态补零算法实现高效杂波抑制和数据增强。实测结果表明,设计的手势识别算法正确分类率达到97.29%,在不同的距离和角度情况下也可以保持较好的识别准确率,具有良好的鲁棒性。