研究目的
利用多普勒雷达测量的微多普勒特征,通过深度卷积神经网络(DCNN)识别人类手势的可行性研究。
研究成果
该研究探究了利用微多普勒特征和深度卷积神经网络(DCNN)对手势进行分类的可行性方案。实验发现,该方法对十种手势的分类准确率达到85.6%,当手势种类减少至七种时,准确率提升至93.1%。为确保系统稳健实用,测量过程应纳入多样化场景数据。
研究不足
微多普勒特征会随雷达的观测角度和距离而变化。为确保稳健实用的运行效果,测量过程应包含来自不同场景的数据。此外,还需对多名受试者进行测量以构建与用户无关的分类器。
1:实验设计与方法选择:
采用多普勒雷达获取单个受试者十种手势的微多普勒特征,使用深度卷积神经网络对频谱图进行分类。
2:样本选择与数据来源:
通过多普勒雷达测量十种手势并分析其频谱图,每种手势测量50次,共获得500组数据。
3:实验设备与材料清单:
使用工作频率为5.8GHz的Samraksh公司Bumblebee多普勒雷达。
4:8GHz的Samraksh公司Bumblebee多普勒雷达。
实验流程与操作步骤:
4. 实验流程与操作步骤:手势动作在雷达天线主波瓣范围内执行,通过短时快速傅里叶变换(FFT)观察手指运动的频谱图。
5:数据分析方法:
采用深度卷积神经网络对频谱图分类,其中90%数据用于训练,剩余10%用于验证。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容