毫米波雷达的微动手势识别的距离-多普勒图谱的CNN分类器轻量化设计.docxVIP

PAGE2

毫米波雷达的微动手势识别的距离-多普勒图谱的CNN分类器轻量化设计

摘要

随着人机交互技术的飞速发展，基于手势识别的非接触式控制已成为智能家居、车载电子及虚拟现实领域的热点研究方向。毫米波雷达凭借其抗干扰能力强、隐私保护性好及不受光照影响等优势，逐渐取代摄像头和红外传感器成为手势识别的主流方案。然而，现有的毫米波雷达手势识别算法多采用复杂的深度学习模型，虽然精度较高，但计算量大、参数冗余，难以部署在资源受限的嵌入式终端设备上。

针对上述问题，本课题设计了一种基于距离-多普勒（RD）图谱特征的轻量化卷积神经网络（CNN）分类器。首先，利用毫米波雷达采集原始回波数据，通过二维快速傅里叶变换生成包含距离和速度信息的RD图谱，实现手势特征的直观表达。其次，设计并改进了SqueezeNet网络结构，通过引入Fire模块和深度可分离卷积，在保证特征提取能力的同时大幅降低模型参数量。最后，构建了包含多种微动手势的数据集，对模型进行训练与测试，验证其在准确率与模型大小方面的综合性能。

本文主要工作内容包括：分析了微动手势的雷达信号特性，完成了RD图谱的生成与预处理；设计了轻量化CNN分类器的网络架构，优化了卷积核参数；搭建了实验测试平台，进行了对比实验与性能评估。实验结果表明，设计的轻量化模型在保证识别准确率达到92.5%的前提下，模型大小仅为1.2MB，较传统VGG16模型减少