雷达手势识别方法、装置及电子设备与流程

1.本发明涉及信息技术领域，具体涉及雷达手势识别方法、装置及电子设备。


背景技术：

2.手势识别，是指通过对于用户自然地利用手指、手腕和手臂动作的识别，来了解用户的交互意图，其具有更广阔的交互空间、更高的灵活度和更好的交互体验等特点。其中，雷达手势识别作为一种非接触式识别方式,它可以实现简单高效的信息交互，在医疗、汽车、娱乐等方面都有广泛应用需求。因此，高准确率的识别效果是雷达手势识别的关键，现有雷达手势识别大多依赖较高的分辨率，通过形成点数较多的点云，提取点云的特征值进行机器学习进行手势识别。
3.相关技术中，较高的分辨率对雷达的带宽有很高的要求，进一步造成芯片成本的增加。与此同时，在采用单片机基于较多点数的点云进行机器学习时，需要较多的算力及内存，进一步增加了产品的成本。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中产品成本较高的缺陷，从而提供雷达手势识别方法、装置及电子设备。
5.结合第一方面，本发明提供一种雷达手势识别方法，所述方法包括：
6.获取雷达采集的目标雷达信号，基于所述目标雷达信号，预处理得到点云数据；
7.从所述点云数据中提取点云特征队列，所述点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组；
8.基于所述点云特征队列，计算得到多个手势特征队列，所述手势特征队列包括：多个手势特征值；
9.对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；
10.基于所述手势特征值矩阵中每个元素对应的权值和偏移值，计算所述目标雷达信号中存在手势的概率，在预设标准下手势特征值矩阵中每个元素对应的权值和偏移值用于表征该元素与手势间的关联性；
11.基于所述概率，确定所述目标雷达信号的手势识别结果。
12.在该方式中，通过对雷达采集的信号生成点云数据并提取点云特征，对雷达采集的信号数据进行初步筛选，可以减少雷达传输的数据量，进而降低对雷达的内存的要求。通过将计算机上训练得到的手势计算所需的参数存入雷达，雷达可以直接采用手势计算所需的参数对目标信号进行手势识别，避免了在雷达上进行手势特征训练，无需较高的分辨率来实现对手势特征的识别，降低了对雷达的算力和内存要求，用较低的成本实现雷达的手势识别功能。
13.结合第一方面，在第一方面的第一实施例中，所述从所述点云数据中提取点云特
征队列，包括：
14.基于所述点云数据，计算得到所述点云数据中各个点云的目标反射能量之和；
15.在所述目标反射能量之和大于零时，计算得到所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值；
16.在所述目标反射能量之和等于零时，将所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值均记为零；
17.基于所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值，组成所述点云特征队列。
18.结合第一方面，在第一方面的第二实施例中，所述基于所述点云特征队列，计算得到多个手势特征队列，包括：
19.基于手势特征值提取函数，分别对所述点云特征队列中的每个点云特征组进行手势特征值提取，得到多个手势特征值；
20.对各手势特征值进行分类得到多个手势特征队列。
21.结合第一方面的第二实施例，在第一方面的第三实施例中，所述对所述点云特征队列进行手势特征值提取，得到所述点云特征队列对应的手势特征值，包括：
22.基于所述速度绝对值最大值，构建临时数组；
23.计算得到所述距离加权值最大值与最小值之差；
24.基于所述临时数组、所述距离加权值最大值与最小值之差和所述目标反射能量最大值，得到所述点云特征队列对应的手势特征值。
25.结合第一方面，在第一方面的第四实施例中，所述对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵，包括：
26.获取所述各手势特征值队列对应的均值和方差，所述各手势特征值队列对应的均值与方差由上位机训练得到；
27.基于各手势特征值队列对应的均值和方差，分别对手势特征值队列进行归一化处理，得到多个归一化的手势特征值队列；
28.对多个所述归一化的手势特征值队列按照预设标准进行扩维，得到所述手势特征值矩阵。
29.结合第一方面，在第一方面的第五实施例中，所述权值和偏移值通过如下方式得到：
30.通过上位机对带有手势标签的样本雷达信号进行训练，得到预设标准的训练矩阵，所述手势标签包括：存在手势和无手势；
31.基于所述训练矩阵及手势标签，计算得到所述训练矩阵中每个元素对应的权值和偏移值；
32.将所述训练矩阵中每个元素对应的权值和偏移值确定为手势特征值矩阵中对应元素的权值和偏移值。
33.结合第一方面，在第一方面的第六实施例中，所述基于所述概率，确定所述目标雷达信号的手势识别结果，包括：
34.判断所述概率是否大于概率阈值；
35.在所述概率大于所述概率阈值时，确定所述目标雷达信号中存在手势；
36.在所述概率不大于所述概率阈值时，确定所述目标雷达信号中无手势。
37.结合第一方面，在第一方面的第七实施例中，所述基于所述概率，确定所述目标雷达信号的手势识别结果，还包括：
38.分别判断连续多个目标雷达信号对应的概率是否大于概率阈值；
39.统计连续多个目标雷达信号中对应概率大于概率阈值的个数；
40.在所述个数大于计数阈值时，确定所述目标雷达信号中存在手势；
41.在所述个数不大于计数阈值时，确定所述目标雷达信号中无手势。
42.在本发明的第二方面，本发明还提供一种雷达手势识别装置，所述装置包括：
43.点云获取单元，用于获取雷达采集的目标雷达信号，基于所述目标雷达信号，预处理得到点云数据；
44.第一提取单元，用于从所述点云数据中提取点云特征队列，所述点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组；
45.第二提取单元，用于基于所述点云特征队列，计算得到多个手势特征队列，所述手势特征队列包括：多个手势特征值；
46.归一处理单元，用于对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；
47.计算单元，用于基于所述手势特征值矩阵中每个元素对应的权值和偏移值，计算所述目标雷达信号中存在手势的概率，在预设标准下手势特征值矩阵中每个元素对应的权值和偏移值用于表征该元素与手势间的关联性；
48.确定单元，用于基于所述概率，确定所述目标雷达信号的手势识别结果。
49.根据第三方面，本发明实施方式还提供一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面及其可选实施方式中任一项的雷达手势识别方法。
附图说明
50.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1是根据一示例性实施例提出的一种雷达手势识别方法的流程图。
52.图2是根据一示例性实施例提出的一种雷达硬件连接的示意图。
53.图3是根据一示例性实施例提出的一种雷达信号预处理过程。
54.图4是根据一示例性实施例提出的一种点云特征提取方法的流程图。
55.图5是根据一示例性实施例提出的一种点云特征队列数据结构。
56.图6是根据一示例性实施例提出的一种手势特征提取方法的流程图。
57.图7是根据一示例性实施例提出的一种雷达上进行手势识别的主程序流程图。
58.图8是根据一示例性实施例提出的一种在雷达单片机上进行采样传输的流程图。
59.图9是根据一示例性实施例提出的一种点云数据格式。
60.图10是根据一示例性实施例提出的一种采样时存储文件的格式。
61.图11是根据一示例性实施例提出的一种在上位机上进行数据训练方法的流程图。
62.图12是根据一示例性实施例提出的一种雷达点云特征提取的流程图。
63.图13是根据一示例性实施例提出的一种手势特征提取的流程图。
64.图14是根据一示例性实施例提出的一种雷达手势识别装置的结构框图。
65.图15是根据一示例性实施例提出的一种电子设备的硬件结构示意图。
具体实施方式
66.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
67.相关技术中，雷达手势识别大多依赖较高的分辨率，形成点数较多的点云，然后提取点云的特征值进行机器学习来判定手势的类型；较高的分辨率对雷达的带宽有很高的要求，进一步造成芯片成本的增加。与此同时，在采用单片机基于较多点数的点云进行机器学习时，需要较多的算力及内存，进一步增加了产品的成本。
68.为解决上述问题，本发明实施例中提供一种雷达手势识别方法，应用于雷达中，下述方法实施例中，均以执行主体是雷达来进行说明。本实施例中的雷达，适用于识别当前是否存在手势的使用场景。通过本发明提供的雷达手势识别方法，通过对雷达采集的信号生成点云数据并提取点云特征，对雷达采集的信号数据进行初步筛选，可以减少雷达传输的数据量，进而降低对雷达的内存的要求。通过将计算机上训练得到的手势计算需要的参数存入雷达，雷达可以直接采用手势特征值对目标信号进行手势识别，避免了在雷达上进行手势特征训练，无需较高的分辨率来实现对手势特征的识别，降低了对雷达的算力和内存要求，用较低的成本实现雷达的手势识别功能。
69.图1是根据一示例性实施例提出的一种雷达手势识别方法的流程图。如图1所示，雷达手势识别方法包括如下步骤s101至步骤s106。
70.在步骤s101中，获取雷达采集的目标雷达信号，基于目标雷达信号，预处理得到点云数据。
71.在本发明实施例中，通过对雷达采集的信号进行初步处理，得到用于进行手势识别的点云数据。
72.在一示例中，雷达进行预处理的过程可以在雷达的射频和信号处理单元进行。图2是根据一示例性实施例提出的一种雷达硬件连接的示意图。如图2所示，雷达1中的射频和信号处理单元11包括射频单元111和信号处理单元112，单片机12通过i2c、spi接口与射频和信号处理单元11连接，雷达1与上位机2通过串口连接。
73.图3是根据一示例性实施例提出的一种雷达信号预处理过程。如图3所示，雷达信号预处理的过程可以包括：接收单片机配置并对射频和信号处理进行配置后，每chirp信号读取模数转换ad值,对每chirp信号的ad值进行加窗后进行一维傅里叶变换1dff，一帧chirps信号1dfft完成后，对多个chirps信号的1dfft的前n点(n是由单片机配置的)按列进行静态杂波消除后进行加窗，再进行二维傅里叶变换2dfft，2dfft后形成一个行数为chirps信号帧数、列数为n的二维矩阵，对这个二维矩阵进行恒虚警率cfar，取反射能量最
大的9个目标上传给单片机，不足9个目标用0补足9个目标。完成报文上传后进入下一个帧的处理，开始下一轮循环。
74.在步骤s102中，从点云数据中提取点云特征队列；基于点云特征队列，计算得到多个手势特征队列。
75.在本发明实施例中，点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组。因而，从点云数据中提取点云特征队列，包括：基于点云数据，计算得到点云数据中各个点云的目标反射能量之和；在目标反射能量之和大于零时，计算得到点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值；在目标反射能量之和等于零时，将点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值均记为零；基于点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值，组成点云特征队列。
76.在一示例中，可以通过单片机程序主程序调用单片机中雷达点云特征提取函数，实现提取点云特征队列。图4是根据一示例性实施例提出的一种点云特征提取方法的流程图。如图4所示，点云提取流程可以包括：雷达点云特征提取函数得到输入的点云缓存，对所有点云的目标反射能量进行求和，在目标反射能量之和＞0时，得到距离加权值＝目标点的距离索引值*目标点反射能量之和/所有点目标反射能量之和，速度绝对值最大值＝max(abs(点云的目标点速度索引-雷达帧chirps/2)),目标反射能量最大值＝max(点云的目标点能量)；在目标反射能量之和为0时，将上述三个特征值全部置0。将目标点的距离加权值、目标反射能量和速度绝对值最大值三个特征值返回给单片机主程序。此时在点云特征队列长度《15时，直接将点云特征值追加到队列中并将队列长度加1；在点云特征队列长度大于或等于15时，将点云特征队列中最前面的元素出队列，将后面的点云特征值追加到队列中。图5是根据一示例性实施例提出的一种点云特征队列数据结构。
77.在步骤s103中，基于点云特征队列，计算得到多个手势特征队列。
78.在本发明实施例中，手势特征队列包括多个手势特征值。基于点云特征队列，计算得到多个手势特征队列，包括：基于手势特征值提取函数，分别对点云特征队列中的每个点云特征组进行手势特征值提取，得到多个手势特征值；对各手势特征值进行分类得到多个手势特征队列。其中，对点云特征队列进行手势特征值提取，得到点云特征队列对应的手势特征值，包括：基于速度绝对值最大值，构建临时数组；计算得到距离加权值最大值与最小值之差；基于临时数组、距离加权值最大值与最小值之差和目标反射能量最大值，得到点云特征队列对应的手势特征值。
79.在一示例中，可以通过单片机程序主程序调用单片机中手势特征提取函数，实现提取手势特征队列。图6是根据一示例性实施例提出的一种手势特征提取方法的流程图。如图6所示，手势特征队列的提取流程可以包括：手势特征提取函数得到输入点云特征队列，首先将队列中的速度绝对值最大值存入临时数组1中，计算距离加权值最大值＝max(输入队列的距离加权值列)，计算距离加权值最小值＝min(输入队列的距离加权值列)。参数1＝距离加权值最大值-距离加权值最小值；参数2＝max(临时数组1)，在临时数组1速度绝对值最大值列的最大值位置置0；参数3＝max(临时数组1)，在临时数组1速度绝对值最大值列的最大值位置置0；参数4＝max(临时数组1)，在临时数组1速度绝对值最大值列的最大值位置置0；参数5＝average(临时数组1)求均值；参数6＝average(输入队列的距离加权值)求均
值；参数7＝var(临时数组1)求方差；参数8＝var(输入队列的距离加权值)求方差；参数9＝max(输入队列目标的反射能量最大值)，最后返回这9个参数给调用程序单片机程序主程序。
80.在步骤s104中，对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵。
81.在本发明实施例中，归一化处理可以包括：获取各手势特征值队列对应的均值和方差，所述各手势特征值队列对应的均值与方差由上位机训练得到；基于各手势特征值队列对应的均值和方差，分别对手势特征值队列进行归一化处理，得到多个归一化的手势特征值队列；对多个归一化的手势特征值队列按照预设标准进行扩维，得到手势特征值矩阵。
82.在一示例中，以手势特征值数量为9，手势特征值队列长度15为例，归一化处理过程可以包括：将这9个手势特征值减去各自的均值后除以各自的方差进行归一化，将归一化后的9个手势特征值扩维生成54个手势特征值。其中，手势特征值对应的均值和方差均通过上位机训练得到。
83.在步骤s105中，基于手势特征值矩阵中每个元素对应的权值和偏移值，计算目标雷达信号中存在手势的概率。
84.在本发明实施例中，权值和偏移值通过如下方式得到：通过上位机对带有手势标签的样本雷达信号进行训练，得到预设标准的训练矩阵，手势标签包括：存在手势和无手势；基于训练矩阵及手势标签，计算得到训练矩阵中每个元素对应的权值和偏移值；将训练矩阵中每个元素对应的权值和偏移值确定为手势特征值矩阵中对应元素的权值和偏移值。在一示例中，可以通过将上述实施例得到的54个手势特征值乘以各自的权值后求和再加上偏移值b生成一个数据x，其中，54个手势特征值对应的权值是通过上位机训练得到并写入单片机程序中，将x代入概率计算函数求出手势的概率。
85.在步骤s106中，基于概率，确定目标雷达信号的手势识别结果。
86.在本发明实施例中，确定目标雷达信号的手势识别结果的过程可以包括：判断概率是否大于概率阈值；在概率大于概率阈值时，确定目标雷达信号中存在手势；在概率不大于概率阈值时，确定目标雷达信号中无手势。
87.在一实施场景中，基于概率，确定目标雷达信号的手势识别结果，还包括：分别判断连续多个目标雷达信号对应的概率是否大于概率阈值；统计连续多个目标雷达信号中对应概率大于概率阈值的个数；在个数大于计数阈值时，确定目标雷达信号中存在手势；在个数不大于计数阈值时，确定目标雷达信号中无手势。
88.在一示例中，基于概率确定目标雷达信号的手势识别结果的过程可以包括：如果概率》0.6,手势计数器加1,否则手势计数器置0；如果手势计数器》5,给上位机发送有手势报文，否则发送无手势报文。在发送完报文后，继续开始接收射频和信号处理单元的点云报文，进入下一轮循环。图7是根据一示例性实施例提出的一种雷达上进行手势识别的主程序流程图。
89.通过上述实施例，通过对雷达采集的信号生成点云数据并提取点云特征，对雷达采集的信号数据进行初步筛选，可以减少雷达传输的数据量，进而降低对雷达的内存的要求。通过将计算机上训练得到的手势计算所需的参数存入雷达，雷达可以直接采用手势计算所需的参数对目标信号进行手势识别，避免了在雷达上进行手势特征训练，无需较高的
分辨率来实现对手势特征的识别，降低了对雷达的算力和内存要求，用较低的成本实现雷达的手势识别功能。
90.以下实施例将具体说明在上位机上进行数据训练，用以得到用于雷达手势识别的参数值的过程。
91.上位机通过接收雷达产生的点云数据，将点云数据作为样本数据，通过调用上位机的机器学习训练程序对样本数据进行训练，训练完成后上位机得到手势计算所需的参数，并将其写入单片机程序中。
92.在一示例中，样本采样的过程可以包括：通过两个人配合完成，一个人做动作，另一个人操作采样软件。当动作开始时，按开始采样按钮，以使得上位机开始接收雷达的报文，接收15个报文(15为一个手势内的报文个数，可调整)后将采样数据写入文件(正样本写入正样本文件，负样本写入负样本文件)，得到正样本数据及负样本数据。采集的正样本数据与负样本数据的数据量相近，不能相差太多，否则结果会向采集个数多的样本偏移。图8是根据一示例性实施例提出的一种在雷达单片机上进行采样传输的流程图。通过单片机程序对射频和信号处理芯片进行配置后，接收经射频和信号处理单元预处理的点云数据报文并打包后转发给上位机。单片机转发时只修改报文头，校验和及报文尾，数据及长度不会改变。图9是根据一示例性实施例提出的一种点云数据格式。图10是根据一示例性实施例提出的一种采样时存储文件的格式。其中，速度索引、距离索引、目标反射能量值为一个点，9个点构成一个点云，15个点云构成一次采样。
93.在一示例中，在采样完成后，需通过在上位机上进行数据训练。图11是根据一示例性实施例提出的一种在上位机上进行数据训练方法的流程图。如图11所示，在上位机上进行数据训练方法包括：打开正样本文件，以一次采样的数据长度(9*15个目标个数的长度)读取正样本文件。通过雷达点云特征提取函数提取一次采样得到的样本数据的点云特征，得到点云特征队列。图12是根据一示例性实施例提出的一种雷达点云特征提取的流程图。雷达点云特征提取流程可以包括：计算得到样本数据点云的距离加权值、速度绝对值最大值及目标反射最大能量值，计算得到15个点云特征值并存入矩阵，返回给上位机的机器学习主程序。
94.通过手势特征提取函数提取雷达点云特征队列的手势特征，取9个手势特征，将其存入训练样本1矩阵。图12是根据一示例性实施例提出的一种手势特征提取的流程图。手势特征提取流程可以包括：根据输入的15个点云的点云特征值，计算得到9个手势特征值，并以矩阵方式返回上位机机器学习主程序。
95.在正样本文件中的正样本数据处理完成后，打开负样本文件，以与正样本文件处理方式相同的方式，对负样本文件中的负样本数据进行处理。在正负样本文件中的正负样本数据都读取并处理完成后，将训练样本1矩阵按列计算得到9个手势特征参数的均值和方差，按列对训练样本1矩阵的9个手势特征参数进行归一化处理。为了更好的挖掘样本的特征，使样本更具有区分度，从而更易于分类或者回归，按行对训练样本1矩阵的9个手势特征参数进行扩维，生成一个54列的矩阵，存入训练样本2矩阵。
96.构建训练结果矩阵，训练结果矩阵为当前训练样本是否包含手势的矩阵，包含手势相应的位置置为1,不包含手势的位置置为0。根据正样本文件计算得到正样本数据的数量，根据负样本文件计算得到负样本数据的数量。因此，将训练结果矩阵中，前正样本数量
的数据置为1,后负样本数量的数据置为0。将训练样本2矩阵和训练结果矩阵输入逻辑回归训练算法进行训练，训练结果为手势计算所需的参数，包括：54个手势特征参数的权值和一个偏移值b值。输出训练样本1矩阵按列计算得到9个手势特征参数的均值和方差、扩维后的54个手势特征参数的权值及偏移值b，并将手势特征参数的均值、方差、权值及偏移值b写入单片机程序中。
97.基于相同发明构思，本发明还提供一种雷达手势识别装置。
98.图14是根据一示例性实施例提出的一种雷达手势识别装置的结构框图。如图14所示，雷达手势识别装置包括点云获取单元1401、第一提取单元1402、第二提取单元1403、归一处理单元1404、计算单元1405和确定单元1406。
99.点云获取单元1401，用于获取雷达采集的目标雷达信号，基于目标雷达信号，预处理得到点云数据；
100.第一提取单元1402，用于从点云数据中提取点云特征队列，点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组；
101.第二提取单元1403，用于基于点云特征队列，计算得到多个手势特征队列，手势特征队列包括：多个手势特征值；
102.归一处理单元1404，用于对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；
103.计算单元1405，用于基于手势特征值矩阵中每个元素对应的权值和偏移值，计算目标雷达信号中存在手势的概率，在预设标准下手势特征值矩阵中每个元素对应的权值和偏移值用于表征该元素与手势间的关联性；
104.确定单元1406，用于基于概率，确定目标雷达信号的手势识别结果。
105.上述雷达手势识别装置的具体限定以及有益效果可以参见上文中对于雷达手势识别方法的限定，在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
106.图15是根据一示例性实施例提出的一种电子设备的硬件结构示意图。如图15所示，该设备包括一个或多个处理器1510以及存储器1520，存储器1520包括持久内存、易失内存，图15中以一个处理器1510为例。该设备还可以包括：输入装置1530和输出装置1540。
107.处理器1510、存储器1520、输入装置1530和输出装置1540可以通过总线或者其他方式连接，图15中以通过总线连接为例。
108.处理器1510可以为中央处理器(central processing unit，cpu)。处理器1510还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
109.存储器1520作为一种非暂态计算机可读存储介质，包括持久内存、易失内存，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中的雷达手势识别方法对应的程序指令/模块。处理器1510通过运行存储在存储器1520中的非暂态软
件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种雷达手势识别方法。
110.存储器1520可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器1520可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器1520可选包括相对于处理器1510远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
111.输入装置1530可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键信号输入。输出装置1540可包括显示屏等显示设备。
112.一个或者多个模块存储在存储器1520中，当被一个或者多个处理器1510执行时，执行如图1-图13所示的方法。
113.上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1-图13所示的实施例中的相关描述。
114.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种雷达手势识别方法，其特征在于，所述方法包括：获取雷达采集的目标雷达信号，基于所述目标雷达信号，预处理得到点云数据；从所述点云数据中提取点云特征队列，所述点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组；基于所述点云特征队列，计算得到多个手势特征队列，所述手势特征队列包括：多个手势特征值；对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；基于所述手势特征值矩阵中每个元素对应的权值和偏移值，计算所述目标雷达信号中存在手势的概率，在预设标准下手势特征值矩阵中每个元素对应的权值和偏移值用于表征该元素与手势间的关联性；基于所述概率，确定所述目标雷达信号的手势识别结果。2.根据权利要求1所述的方法，其特征在于，所述从所述点云数据中提取点云特征队列，包括：基于所述点云数据，计算得到所述点云数据中各个点云的目标反射能量之和；在所述目标反射能量之和大于零时，计算得到所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值；在所述目标反射能量之和等于零时，将所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值均记为零；基于所述点云数据中各个点云的距离加权值、速度绝对值最大值及目标反射能量最大值，组成所述点云特征队列。3.根据权利要求1所述的方法，其特征在于，所述基于所述点云特征队列，计算得到多个手势特征队列，包括：基于手势特征值提取函数，分别对所述点云特征队列中的每个点云特征组进行手势特征值提取，得到多个手势特征值；对各手势特征值进行分类得到多个手势特征队列。4.根据权利要求3所述的方法，其特征在于，所述对所述点云特征队列进行手势特征值提取，得到所述点云特征队列对应的手势特征值，包括：基于所述速度绝对值最大值，构建临时数组；计算得到所述距离加权值最大值与最小值之差；基于所述临时数组、所述距离加权值最大值与最小值之差和所述目标反射能量最大值，得到所述点云特征队列对应的手势特征值。5.根据权利要求1所述的方法，其特征在于，所述对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵，包括：获取所述各手势特征值队列对应的均值和方差，所述各手势特征值队列对应的均值与方差由上位机训练得到；基于各手势特征值队列的均值和方差，分别对手势特征值队列进行归一化处理，得到多个归一化的手势特征值队列；对多个所述归一化的手势特征值队列按照预设标准进行扩维，得到所述手势特征值矩
阵。6.根据权利要求1所述的方法，其特征在于，所述权值和偏移值通过如下方式得到：通过上位机对带有手势标签的样本雷达信号进行训练，得到预设标准的训练矩阵，所述手势标签包括：存在手势和无手势；基于所述训练矩阵及手势标签，计算得到所述训练矩阵中每个元素对应的权值和偏移值；将所述训练矩阵中每个元素对应的权值和偏移值确定为手势特征值矩阵中对应元素的权值和偏移值。7.根据权利要求1所述的方法，其特征在于，所述基于所述概率，确定所述目标雷达信号的手势识别结果，包括：判断所述概率是否大于概率阈值；在所述概率大于所述概率阈值时，确定所述目标雷达信号中存在手势；在所述概率不大于所述概率阈值时，确定所述目标雷达信号中无手势。8.根据权利要求1所述的方法，其特征在于，所述基于所述概率，确定所述目标雷达信号的手势识别结果，还包括：分别判断连续多个目标雷达信号对应的概率是否大于概率阈值；统计连续多个目标雷达信号中对应概率大于概率阈值的个数；在所述个数大于计数阈值时，确定所述目标雷达信号中存在手势；在所述个数不大于计数阈值时，确定所述目标雷达信号中无手势。9.一种雷达手势识别装置，其特征在于，所述装置包括：点云获取单元，用于获取雷达采集的目标雷达信号，基于所述目标雷达信号，预处理得到点云数据；第一提取单元，用于从所述点云数据中提取点云特征队列，所述点云特征队列包括：若干由距离加权值、速度绝对值最大值及目标反射能量最大值构成的点云特征组；第二提取单元，用于基于所述点云特征队列，计算得到多个手势特征队列，所述手势特征队列包括：多个手势特征值；归一处理单元，用于对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；计算单元，用于基于所述手势特征值矩阵中每个元素对应的权值和偏移值，计算所述目标雷达信号中存在手势的概率，在预设标准下手势特征值矩阵中每个元素对应的权值和偏移值用于表征该元素与手势间的关联性；确定单元，用于基于所述概率，确定所述目标雷达信号的手势识别结果。10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8中任一项所述的雷达手势识别方法。

技术总结
本发明提供雷达手势识别方法、装置及电子设备，包括：获取雷达采集的目标雷达信号，基于目标雷达信号，预处理得到点云数据；从点云数据中提取点云特征队列；基于点云特征队列，计算得到多个手势特征队列；对各手势特征值队列进行归一化处理，并基于归一化的手势特征值队列按照预设标准构建手势特征值矩阵；基于手势特征值矩阵中每个元素对应的权值和偏移值，计算目标雷达信号中存在手势的概率；基于概率，确定目标雷达信号的手势识别结果。通过将计算机上训练得到的手势计算需要的参数值存入雷达，避免了在雷达上进行手势特征训练，无需较高的分辨率来实现对手势特征的识别，降低了对雷达的算力和内存要求，用较低的成本实现雷达的手势识别功能。的手势识别功能。的手势识别功能。


技术研发人员：段万春 陈科 李跃星 王安琪
受保护的技术使用者：湖南时变通讯科技有限公司
技术研发日：2023.04.04
技术公布日：2023/7/21