張宇成, 陳金立

(南京信息工程大學(xué)， 江蘇 南京 210044)

0 引 言

自古以來(lái)，手勢(shì)就一直是人們生活中一種重要的溝通途徑，通過(guò)手勢(shì)這種利用手部關(guān)節(jié)在特定位置做出特定動(dòng)作的方式，人們就可以相互交流理解，傳達(dá)想法[1]。近年來(lái)，隨著人機(jī)交互技術(shù)的發(fā)展，動(dòng)態(tài)手勢(shì)識(shí)別技術(shù)也正逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)之一[2-3]。動(dòng)態(tài)手勢(shì)識(shí)別技術(shù)將人與人之間特有的手勢(shì)溝通方式轉(zhuǎn)嫁到人與機(jī)器之間，讓人和機(jī)器間的交互化繁為簡(jiǎn)，僅用手部動(dòng)作就可以控制設(shè)備，大大提高了人機(jī)信息交互的有效性和安全性。

傳統(tǒng)的動(dòng)態(tài)手勢(shì)識(shí)別技術(shù)可分為兩大類(lèi)：接觸式和非接觸式。接觸式的手勢(shì)識(shí)別技術(shù)利用可穿戴設(shè)備檢測(cè)手部動(dòng)作并收集手勢(shì)信息[4]，該種設(shè)備通常配備有大量傳感器，使用時(shí)極其不方便。而傳統(tǒng)非接觸式手勢(shì)識(shí)別技術(shù)通常是利用攝像頭采集并處理圖像，從而對(duì)動(dòng)態(tài)手勢(shì)進(jìn)行判別。該手勢(shì)識(shí)別方法無(wú)需過(guò)多復(fù)雜的穿戴操作，但受光照強(qiáng)度的影響較大，在強(qiáng)光干擾或亮度較低的環(huán)境中可能會(huì)無(wú)法正常工作，而且還存在用戶(hù)隱私泄漏的隱患。基于這些缺陷，可采用調(diào)頻連續(xù)波(Frequency Modulated Continuous Wave，F(xiàn)MCW)毫米波雷達(dá)來(lái)進(jìn)行動(dòng)態(tài)手勢(shì)識(shí)別的研究工作。文獻(xiàn)[5]通過(guò) 60 GHz FMCW 雷達(dá)收集了10種手勢(shì)的信號(hào)數(shù)據(jù)，利用長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)模型實(shí)現(xiàn)手勢(shì)識(shí)別。文獻(xiàn)[6]利用77 GHz毫米波雷達(dá)構(gòu)建了一種新型駕駛員動(dòng)態(tài)手勢(shì)輔助識(shí)別系統(tǒng)，將雷達(dá)手勢(shì)微多普勒信號(hào)送入卷積神經(jīng)網(wǎng)絡(luò)后分類(lèi)，運(yùn)用動(dòng)態(tài)手勢(shì)對(duì)車(chē)內(nèi)儀表盤(pán)進(jìn)行遠(yuǎn)程控制。在美國(guó)谷歌公司與德國(guó)英飛凌公司合作的Soil項(xiàng)目中[7]，研究人員提取毫米波雷達(dá)手勢(shì)回波信號(hào)中的距離、多普勒信息構(gòu)建距離-多普勒?qǐng)D數(shù)據(jù)集，送入聯(lián)合神經(jīng)網(wǎng)絡(luò)對(duì)手勢(shì)進(jìn)行特征提取和分類(lèi)。文獻(xiàn)[8]對(duì)從LFMCW雷達(dá)獲取的手勢(shì)信號(hào)進(jìn)行快速傅里葉變換和相干累積后得到RD譜圖并構(gòu)建數(shù)據(jù)集，輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行手勢(shì)分類(lèi)。文獻(xiàn)[9]利用FMCW雷達(dá)獲取原始手勢(shì)回波信號(hào)，分別從二維距離圖和距離-多普勒?qǐng)D中提取距離-時(shí)間譜和多普勒-時(shí)間譜，并建立數(shù)據(jù)集，最后構(gòu)建雙通道卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練手勢(shì)數(shù)據(jù)集。提取手勢(shì)的維度信息越全面，對(duì)手勢(shì)特征的描述就更充分。而文獻(xiàn)[6]僅提取了手勢(shì)信號(hào)的多普勒信息，文獻(xiàn)[7-9]僅提取了手勢(shì)的距離和速度信息，都缺少對(duì)手勢(shì)角度信息的描述，且對(duì)手勢(shì)分類(lèi)準(zhǔn)確率都需要進(jìn)一步提高。

針對(duì)現(xiàn)有毫米波雷達(dá)手勢(shì)識(shí)別研究中手勢(shì)信息提取不充分的問(wèn)題，本文提出一種基于RDATM三維數(shù)據(jù)集的手勢(shì)識(shí)別方法。該方法首先對(duì)手勢(shì)回波信號(hào)進(jìn)行預(yù)處理，提取動(dòng)態(tài)手勢(shì)目標(biāo)；然后，通過(guò)對(duì)回波信號(hào)的時(shí)頻分析構(gòu)建距離-時(shí)間圖(Range-Time-Map，RTM)，多普勒-時(shí)間圖(Doppler-Time-Map，DTM)和角度-時(shí)間圖(Angle-Time-Map，ATM)；接著，將RTM、DTM和ATM作為圖像R、G、B三顏色通道構(gòu)造RDATM圖并建立手勢(shì)RDATM數(shù)據(jù)集，該數(shù)據(jù)集從手勢(shì)距離、速度和角度三個(gè)維度充分描述了手勢(shì)特征；最后，對(duì)VGG16網(wǎng)絡(luò)的超參數(shù)改進(jìn)后得到單分支卷積神經(jīng)網(wǎng)絡(luò)，并對(duì)手勢(shì)數(shù)據(jù)集進(jìn)行特征提取和分類(lèi)。實(shí)驗(yàn)結(jié)果表明，利用RDATM數(shù)據(jù)集對(duì)手勢(shì)的分類(lèi)準(zhǔn)確率高于RTM、DTM和ATM數(shù)據(jù)集，多維度數(shù)據(jù)集相較于單維度數(shù)據(jù)集對(duì)手勢(shì)特征的描述更充分。

1 毫米波雷達(dá)原理

1.1 毫米波雷達(dá)信號(hào)模型

毫米波雷達(dá)的組成通常包括發(fā)射天線(xiàn)(RX)、接收天線(xiàn)(TX)、射頻信號(hào)模塊、混頻器和模數(shù)轉(zhuǎn)換器(ADC)等。射頻模塊產(chǎn)生連續(xù)調(diào)頻信號(hào)，倍頻后通過(guò)發(fā)射天線(xiàn)射出,發(fā)射信號(hào)遇到遮擋物體后反射被接收天線(xiàn)捕捉,將接收信號(hào)與發(fā)射信號(hào)進(jìn)行混頻后得到中頻信號(hào),最終對(duì)獲取的中頻信號(hào)進(jìn)行模數(shù)轉(zhuǎn)換和后續(xù)信號(hào)處理。毫米波雷達(dá)發(fā)射信號(hào)可表示為

(1)

式中：AT為發(fā)射信號(hào)幅值；fc為調(diào)頻信號(hào)起始頻率；B為調(diào)頻信號(hào)帶寬；Tc為調(diào)頻信號(hào)周期。雷達(dá)接收信號(hào)為

(2)

式中：AR為接收回波信號(hào)幅值；td為調(diào)頻信號(hào)從發(fā)射到接收的時(shí)延；Δfd為多普勒頻移值。接收信號(hào)和發(fā)射信號(hào)混頻后的中頻信號(hào)為

(3)

對(duì)毫米波雷達(dá)中頻信號(hào)進(jìn)行時(shí)頻分析可估計(jì)手勢(shì)距離、速度和角度值。毫米波雷達(dá)的系統(tǒng)架構(gòu)以及信號(hào)模型如圖1所示。

圖1 毫米波雷達(dá)架構(gòu)與信號(hào)模型圖

1.2 FMCW測(cè)距、測(cè)速、測(cè)角原理

FMCW雷達(dá)利用信號(hào)飛行速度以及信號(hào)傳播時(shí)延間的關(guān)系測(cè)算目標(biāo)距離，為

(4)

其中，

(5)

式中：R為雷達(dá)與目標(biāo)間的距離；c為光速；fB為中頻信號(hào)頻率。

將式(5)帶入式(4)中得到毫米波雷達(dá)距離測(cè)算公式為

(6)

式中：fB可通過(guò)對(duì)中頻信號(hào)進(jìn)行1DFFT和頻譜分析獲得。

FMCW雷達(dá)對(duì)速度的估計(jì)則需要借助回波信號(hào)中多個(gè)掃頻脈沖(chirp)的信息，單個(gè)chirp進(jìn)行1DFFT后可估計(jì)距離值，而在同一距離的不同chirp間具有不同的相位，根據(jù)這些相位信息可進(jìn)行速度估計(jì)：

(7)

其中，

Δω=2πΔfdTc

式中：Δω為chirp間的相位差；λ是信號(hào)波長(zhǎng)。

毫米波雷達(dá)角度參數(shù)可由多個(gè)接收天線(xiàn)的回波信號(hào)相位差和信號(hào)入射角之間的關(guān)系所得到。

(8)

式中：θ是需要獲取的角度信息；ΔΦ是不同接收天線(xiàn)的回波信號(hào)相位差；L是同一水平面接收天線(xiàn)間的距離。

2 系統(tǒng)設(shè)計(jì)

毫米波雷達(dá)手勢(shì)識(shí)別系統(tǒng)，主要包括動(dòng)態(tài)手勢(shì)檢測(cè)、數(shù)據(jù)集建立和手勢(shì)分類(lèi)這三個(gè)部分。動(dòng)態(tài)手勢(shì)檢測(cè)部分用于探測(cè)雷達(dá)感知環(huán)境中的移動(dòng)手勢(shì)目標(biāo)；數(shù)據(jù)集建立部分根據(jù)檢測(cè)的手勢(shì)目標(biāo)建立包含距離、速度、角度信息的三維數(shù)據(jù)集；手勢(shì)分類(lèi)部分利用基于VGG16網(wǎng)絡(luò)改進(jìn)的單分支卷積神經(jīng)網(wǎng)絡(luò)對(duì)手勢(shì)數(shù)據(jù)集進(jìn)行特征提取和分類(lèi)。

2.1 雷達(dá)信號(hào)動(dòng)態(tài)手勢(shì)檢測(cè)

為達(dá)到動(dòng)態(tài)手勢(shì)檢測(cè)的目的，需要從三個(gè)方面對(duì)實(shí)驗(yàn)手勢(shì)動(dòng)作進(jìn)行約束：1)雷達(dá)探測(cè)環(huán)境中僅出現(xiàn)一種動(dòng)態(tài)手勢(shì)動(dòng)作，即移動(dòng)目標(biāo)僅有一個(gè)，但靜止目標(biāo)可以有多個(gè)；2)檢測(cè)到的移動(dòng)目標(biāo)即是手勢(shì)目標(biāo)；3)手勢(shì)活動(dòng)范圍在雷達(dá)前方0 m～1 m內(nèi)。

雷達(dá)信號(hào)動(dòng)態(tài)手勢(shì)檢測(cè)分為數(shù)據(jù)預(yù)處理、目標(biāo)檢測(cè)和手勢(shì)目標(biāo)檢測(cè)三個(gè)部分，流程示意圖如圖2所示。

圖2 雷達(dá)信號(hào)動(dòng)態(tài)手勢(shì)檢測(cè)流程圖

2.1.1數(shù)據(jù)預(yù)處理

將手勢(shì)樣本的原始一維回波數(shù)據(jù)先按通道數(shù)(本實(shí)驗(yàn)通道數(shù)為4)、幀數(shù)Nf、掃頻脈沖數(shù)Nc、ADC采樣點(diǎn)數(shù)Ns排列[10]，如圖3所示。然后將4個(gè)通道的手勢(shì)回波數(shù)據(jù)取平均，最后通過(guò)均值歸一化和背景幀差法分別抑制回波信號(hào)中的直流量和背景噪聲。

圖3 一維手勢(shì)回波數(shù)據(jù)預(yù)處理

2.1.2目標(biāo)檢測(cè)

經(jīng)過(guò)回波數(shù)據(jù)預(yù)處理后會(huì)得到Nf個(gè)(幀)Ns×Nc大小的矩陣，對(duì)每個(gè)矩陣在快時(shí)間維做FFT(1DFFT)后得到距離維矩陣。設(shè)第t(1≤t≤Nf)幀距離維矩陣中第j(1≤j≤Nc)列距離譜的第i(1≤i≤Ns)個(gè)頻點(diǎn)數(shù)據(jù)為p(t,j,i)，則距離譜可用向量為

pt,j=[p(t,j,1),p(t,j,2),…,p(t,j,Ns)]T

(9)

分別取出每幀距離維矩陣最后一列距離譜，拼接獲得大小為Ns×Nf的幀-距離譜矩陣，矩陣每列包含一幀手勢(shì)數(shù)據(jù)的距離信息。幀-距離譜矩陣可表示為

(10)

利用CA-CFAR算法檢測(cè)幀-距離譜矩陣中每列距離譜中是否有目標(biāo)。若有目標(biāo)的列數(shù)大于設(shè)定閾值，則認(rèn)為雷達(dá)前方出現(xiàn)目標(biāo)。該目標(biāo)可能僅是靜止的物體，也可能是移動(dòng)手勢(shì)。若雷達(dá)探測(cè)范圍內(nèi)沒(méi)有任何目標(biāo)，則無(wú)需建立該樣本數(shù)據(jù)的特征圖譜。

2.1.3手勢(shì)目標(biāo)檢測(cè)

手勢(shì)目標(biāo)檢測(cè)的目的是判斷前一步檢測(cè)中目標(biāo)的類(lèi)別是靜止物體還是移動(dòng)手勢(shì)，該檢測(cè)包含距離維動(dòng)態(tài)手勢(shì)檢測(cè)和速度維動(dòng)態(tài)手勢(shì)檢測(cè)兩部分。

距離維動(dòng)態(tài)手勢(shì)檢測(cè)通過(guò)手勢(shì)距離信息檢測(cè)手勢(shì)目標(biāo)。在目標(biāo)檢測(cè)中，利用CA-CFAR算法還可得到幀-距離譜矩陣中每列距離譜的目標(biāo)數(shù)，通過(guò)比較獲取目標(biāo)數(shù)最小值Ntmin，將幀-距離譜矩陣中目標(biāo)數(shù)不為Ntmin的列(幀)去除，這些列的距離譜受噪聲干擾較大，實(shí)際沒(méi)有目標(biāo)的頻點(diǎn)被誤認(rèn)為目標(biāo)頻點(diǎn)，影響手勢(shì)目標(biāo)的判斷。然后根據(jù)矩陣保留列(幀)中距離譜的目標(biāo)距離信息判斷目標(biāo)類(lèi)別，若在同一個(gè)距離處始終存在目標(biāo)，則該目標(biāo)為靜止目標(biāo)，否則為手勢(shì)目標(biāo)。

實(shí)驗(yàn)中手勢(shì)距離分辨率為3.75 cm，距離維手勢(shì)目標(biāo)檢測(cè)僅能甄別移動(dòng)距離范圍超過(guò)3.75 cm的手勢(shì)動(dòng)作，而移動(dòng)幅度小于3.75 cm的手勢(shì)需要進(jìn)一步進(jìn)行速度維動(dòng)態(tài)手勢(shì)檢測(cè)。對(duì)每幀距離維矩陣在慢時(shí)間方向做FFT(2DFFT)得到距離-多普勒(Range-Doppler-Map，RDM)矩陣。提取距離-多普勒矩陣中對(duì)應(yīng)目標(biāo)距離處的多普勒譜，對(duì)多普勒譜進(jìn)行譜峰搜索后獲取本幀手勢(shì)速度信息。若每幀手勢(shì)速度值始終不為0，則檢測(cè)到手勢(shì)目標(biāo)。

2.2 數(shù)據(jù)集建立

2.2.1RTM數(shù)據(jù)集

本文通過(guò)幀-脈沖選取的方式構(gòu)建RTM。該方法通過(guò)選取每幀距離維矩陣中估計(jì)信噪比最小的距離譜，并依次拼接得到RTM。以一幀數(shù)據(jù)為例，首先利用多掃頻相干累計(jì)法[11]對(duì)距離維矩陣進(jìn)行噪聲抑制，并合并矩陣每列距離譜中相鄰距離處的手勢(shì)目標(biāo)頻點(diǎn)。第t幀距離維矩陣中第j列距離譜的估計(jì)信噪比為

(11)

式中：p(t,j,g)為手勢(shì)目標(biāo)頻點(diǎn)。在每幀距離譜矩陣中，搜尋使SNRt,j最大的一列距離譜來(lái)構(gòu)建RTM矩陣。對(duì)RTM矩陣每列數(shù)據(jù)進(jìn)行歸一化后得到原始RTM灰度圖。然后將原始RTM灰度圖中的非手勢(shì)目標(biāo)像素灰度值置0，從而去除非手勢(shì)目標(biāo)，突出手勢(shì)目標(biāo)的距離變化。最后為令手勢(shì)距離變化曲線(xiàn)更加平滑，對(duì)圖像中的曲線(xiàn)進(jìn)行曲線(xiàn)擬合得到RTM圖。上述過(guò)程如圖4所示。

圖4 RTM構(gòu)建過(guò)程

2.2.2DTM數(shù)據(jù)集

首先，對(duì)每幀距離-多普勒矩陣同樣利用多掃頻相干累計(jì)法進(jìn)行噪聲抑制，并根據(jù)RTM圖中的手勢(shì)距離變化信息，提取每幀距離-多普勒矩陣中手勢(shì)距離單元處的多普勒譜向量；然后，對(duì)其轉(zhuǎn)置并按幀拼接后得到DTM矩陣；最后，重復(fù)RTM圖構(gòu)建中歸一化、非手勢(shì)目標(biāo)去除等處理步驟得到DTM灰度圖，DTM圖反映了觀測(cè)時(shí)長(zhǎng)內(nèi)手勢(shì)速度的變化。

2.2.3ATM數(shù)據(jù)集

將同一幀雷達(dá)數(shù)據(jù)下4個(gè)通道的距離-多普勒矩陣在深度方向拼接，并為其補(bǔ)上大小一致但數(shù)值全為0的矩陣[11]。根據(jù)本幀手勢(shì)的距離值和速度值在對(duì)應(yīng)深度處取出一向量，對(duì)該向量做FFT處理后轉(zhuǎn)置得到角度譜，將多幀角度譜向量依次拼接獲取ATM矩陣，如圖5所示。重復(fù)RTM、DTM矩陣的后續(xù)處理得到ATM圖。

圖5 ATM構(gòu)建示意圖

2.2.4RDATM

將RTM，DTM和ATM作為圖像R、G、B三顏色通道拼接構(gòu)造手勢(shì)RDATM圖。本文選取的手勢(shì)動(dòng)作有前推、后拉、后拉前推、下壓、上提、上提下壓6種。各手勢(shì)RTM，DTM，ATM圖尺寸為64×64×1，RDATM為64×64×3。經(jīng)前文所述處理，最終得到所有手勢(shì)特征圖，如圖6所示。

圖6 手勢(shì)特征圖

2.3 單分支卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

為對(duì)手勢(shì)動(dòng)作進(jìn)行分類(lèi)，本文利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)手勢(shì)特征圖進(jìn)行特征提取。實(shí)驗(yàn)挑選了6位志愿者，對(duì)每位志愿者分別采集100份手勢(shì)樣本數(shù)據(jù)，共計(jì)600份。并按前文方法為每類(lèi)手勢(shì)構(gòu)建RTM、DTM、ATM和RDATM數(shù)據(jù)集，4類(lèi)數(shù)據(jù)集特征圖總數(shù)達(dá)2 400個(gè)。

綜合考慮數(shù)據(jù)集特征和訓(xùn)練速度等因素，本文對(duì)VGG16網(wǎng)絡(luò)[12]進(jìn)行改進(jìn)得到單分支卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)該網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。VGG16網(wǎng)絡(luò)有13層卷積層和3層全連接層，在本文中，保留原網(wǎng)絡(luò)的第1、3、5、6和8～10層的卷積層，僅保留1層全連接層并對(duì)所有選取層的神經(jīng)元數(shù)量做出調(diào)整。卷積核的行列尺寸和原網(wǎng)絡(luò)保持一致。

本文設(shè)計(jì)的基于VGG16網(wǎng)絡(luò)構(gòu)建的單分支卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，表中當(dāng)Input層輸入為RTM，DTM，ATM時(shí)，深度數(shù)為1，當(dāng)輸入為RDATM時(shí)，深度數(shù)為3。

表1 單分支卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)FMCW雷達(dá)選用TI公司的IWR 1443-BOOST開(kāi)發(fā)板和DCA1000數(shù)據(jù)采集卡。該毫米波雷達(dá)調(diào)頻范圍為77 GHz～81 GHz，最大理論調(diào)頻帶寬可達(dá)4 GHz，實(shí)測(cè)最大帶寬為3 999.78 MHz，具有2個(gè)發(fā)射天線(xiàn)和4個(gè)接收天線(xiàn)。雷達(dá)調(diào)頻信號(hào)的起始頻率設(shè)定為77 GHz，其余雷達(dá)參數(shù)設(shè)定如表2所示。采用MATLAB 2021b對(duì)算法進(jìn)行仿真。通過(guò)配置為AMD R7 5800H CPU和NVIDIA RTX 3060 顯卡的PC機(jī)進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試驗(yàn)證。

表2 FMCW雷達(dá)參數(shù)

3.2 單分支卷積神經(jīng)網(wǎng)絡(luò)驗(yàn)證

在單分支卷積神經(jīng)網(wǎng)絡(luò)驗(yàn)證中，將各類(lèi)數(shù)據(jù)集的60%作為訓(xùn)練集，40%作為測(cè)試集。網(wǎng)絡(luò)訓(xùn)練過(guò)程中利用帶動(dòng)量的隨機(jī)梯度下降算法(Stochastic Gradient Descent Momentum，SGDM)進(jìn)行優(yōu)化。訓(xùn)練輪數(shù)為50，每次迭代的樣本Batch size為128。初始網(wǎng)絡(luò)學(xué)習(xí)率設(shè)定為0.001，學(xué)習(xí)率更新方法采用固定步長(zhǎng)衰減，每經(jīng)過(guò)5輪訓(xùn)練學(xué)習(xí)率衰減0.1。圖7給出了在該網(wǎng)絡(luò)中個(gè)類(lèi)測(cè)試集的準(zhǔn)確率隨迭代步數(shù)變化的曲線(xiàn)。

圖7 各類(lèi)數(shù)據(jù)集準(zhǔn)確率變化曲線(xiàn)

由圖7可知，4類(lèi)數(shù)據(jù)集中RDATM數(shù)據(jù)集的最終準(zhǔn)確率最高，RTM和ATM次之，且這三者的測(cè)試集準(zhǔn)確率均在95%以上，而DTM數(shù)據(jù)集準(zhǔn)確率最低，在85%～90%之間。導(dǎo)致這種差異的原因是：實(shí)驗(yàn)中在采集各手勢(shì)樣本時(shí)，志愿者手部的移動(dòng)速度通常固定，導(dǎo)致手勢(shì)樣本間描述手勢(shì)速度信息的DTM圖特征區(qū)分不明顯，分類(lèi)準(zhǔn)確率低。而各手勢(shì)動(dòng)作的距離、角度變化幅度較大，因此在RTM和DTM數(shù)據(jù)集中能較好的區(qū)分不同類(lèi)型的手勢(shì)，獲得更高的分類(lèi)準(zhǔn)確率。RDATM數(shù)據(jù)集融合了手勢(shì)距離、速度和角度信息，從三個(gè)維度充分描述了手勢(shì)動(dòng)作特征，擁有最高的分類(lèi)準(zhǔn)確率。

3.3 算法對(duì)比與分析

為更好地驗(yàn)證本文改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)中也將各類(lèi)數(shù)據(jù)集在原VGG16網(wǎng)絡(luò)中進(jìn)行了訓(xùn)練和測(cè)試。VGG16模型中的優(yōu)化算法、訓(xùn)練輪數(shù)、學(xué)習(xí)率等網(wǎng)絡(luò)參數(shù)設(shè)定均與前文單分支卷積神經(jīng)網(wǎng)絡(luò)驗(yàn)證部分一致。兩種網(wǎng)絡(luò)的準(zhǔn)確率對(duì)比曲線(xiàn)圖如圖8所示。

圖8 不同網(wǎng)絡(luò)下準(zhǔn)確率對(duì)比圖

由圖8可知，本文設(shè)計(jì)的網(wǎng)絡(luò)在RDATM數(shù)據(jù)集和DTM數(shù)據(jù)集上的準(zhǔn)確率均高于原VGG16網(wǎng)絡(luò)。表3中給出了更具體的網(wǎng)絡(luò)模型對(duì)比結(jié)果。由表3可知，相較于VGG16網(wǎng)絡(luò)，本文網(wǎng)絡(luò)對(duì)各數(shù)據(jù)集的分類(lèi)準(zhǔn)確率均有提升，提升幅度在0.18%～1.67%內(nèi)不等，而且在訓(xùn)練參數(shù)量、時(shí)間復(fù)雜度和訓(xùn)練時(shí)長(zhǎng)等方面均優(yōu)于原VGG16網(wǎng)絡(luò)。

表3 網(wǎng)絡(luò)模型對(duì)比表

4 結(jié) 語(yǔ)

本文提出了一種基于RDATM數(shù)據(jù)集的毫米波雷達(dá)手勢(shì)識(shí)別方法。該方法首先利用雷達(dá)回波信號(hào)進(jìn)行動(dòng)態(tài)手勢(shì)檢測(cè)；然后，通過(guò)頻譜信號(hào)分析構(gòu)建手勢(shì)RTM，DTM，ATM灰度圖；最后，聯(lián)合3類(lèi)特征圖構(gòu)建RDATM數(shù)據(jù)集，送入基于VGG16改進(jìn)的單分支卷積神經(jīng)網(wǎng)絡(luò)對(duì)手勢(shì)進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明，利用RDATM數(shù)據(jù)集對(duì)6種手勢(shì)的平均分類(lèi)準(zhǔn)確率可高達(dá)99.17%，且本文改進(jìn)網(wǎng)絡(luò)在訓(xùn)練參數(shù)量、時(shí)間復(fù)雜度等方面優(yōu)于原VGG16網(wǎng)絡(luò)。