-
公开(公告)号:CN116257772A
公开(公告)日:2023-06-13
申请号:CN202211090645.X
申请日:2022-09-07
Applicant: 哈尔滨工业大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F16/901 , G06F17/14
Abstract: 基于DenseNet结合CBAM注意力机制的手势识别方法,本发明涉及基于毫米波雷达的手势识别方法。本发明的目的是为了解决现有针对毫米波雷达的手势识别的检测方法抗噪能力差、容易漏检、导致获得的手势识别准确率低的问题。过程为:一:雷达采集手势目标信号,对采集的手势目标信号进行处理,得到RTM、DTM、ATM和ETM;对RTM、DTM、ATM和ETM进行拼接,得到拼接后的图谱;二:得到扩充后的图谱数据集;三:建立DenseNet121‑CBAM网络模型;四:得到训练好的网络模型;五:得到拼接后的图谱;将拼接后的图谱输入训练好的网络模型,完成待测手势目标信号的手势识别。本发明用于手势识别领域。
-
公开(公告)号:CN115877376A
公开(公告)日:2023-03-31
申请号:CN202211566615.1
申请日:2022-12-07
Applicant: 哈尔滨工业大学
IPC: G01S13/88 , G01S13/32 , G01S13/58 , G01S13/89 , G06F18/213 , G06F18/10 , G06F18/214 , G06F18/241 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F3/01
Abstract: 基于多头自注意力机制的毫米波雷达手势识别方法及识别系统,本发明涉及基于毫米波雷达的快速、轻量化手势识别方法及识别系统。本发明的目的是为了解决现有的基于雷达的手势识别技术大多利用特征谱图和卷积神经网络进行手势的分类识别,训练时间长,占用的储存空间大,没有考虑注意力机制的问题。过程为:一、采用毫米波雷达进行手势数据采集,形成手势数据训练集;二、获得距离多普勒图;三、对距离‑时间谱、速度‑时间谱、方位谱和俯仰谱进行简化,得到28×4维的混和特征向量;四、得到训练好的手势识别网络;五、将毫米波雷达采集的待测手势数据经过二、三输入训练好的手势识别网络,获得待测手势数据识别结果。本发明用于手势识别领域。
-