毫米波雷達(dá)手勢識別綜述

董堯堯,曲 衛(wèi),邱 磊

(1.航天工程大學(xué) 研究生院， 北京 101416； 2.航天工程大學(xué) 電子與光學(xué)工程系，北京 101416)

1 引言

作為人際交流的一種重要方式，手勢這種肢體語言可實(shí)現(xiàn)豐富的信息交換。根據(jù)手勢行為可將手勢分為靜態(tài)手勢和動態(tài)手勢2種。顧名思義，靜態(tài)手勢是指在某個時間點(diǎn)上手的穩(wěn)定形狀，而動態(tài)手勢則包含一系列的手部動作。動態(tài)手勢的研究是目前學(xué)界研究的熱點(diǎn)。作為較為新型的人機(jī)交互方式，手勢識別技術(shù)的強(qiáng)大性和有效性都是毋庸置疑的[1]。使用者借助該交互技術(shù)，擺脫了冗余器件的操作，使雙手得到極大解放，自然有效地利用動態(tài)手勢實(shí)現(xiàn)對目標(biāo)設(shè)備的控制[2]，進(jìn)而完成人與計(jì)算機(jī)等電子設(shè)備之間的信息傳遞。

早期手勢識別技術(shù)是利用可穿戴電子設(shè)備傳感器，通過檢測感知人手與各個關(guān)節(jié)的空間位置信息，從而實(shí)現(xiàn)手勢識別的目的。可穿戴電子設(shè)備傳感器的典型代表如數(shù)據(jù)手套，利用加速度計(jì)和陀螺儀[3]等傳感器，能夠得到操作者豐富的手部運(yùn)動信息。此外基于光學(xué)標(biāo)記法[4]的穿戴設(shè)備也具有良好的識別性能和穩(wěn)定性。但以上2種手勢識別技術(shù)操作繁瑣且設(shè)備價(jià)格昂貴，在日常生活中未能得到廣泛應(yīng)用。之后基于視覺圖像的手勢識別技術(shù)逐漸發(fā)展起來，與可穿戴式手勢識別系統(tǒng)相比，視覺手勢識別技術(shù)摒棄了額外的穿戴系統(tǒng)，使用戶以徒手的方式便可進(jìn)行人機(jī)交互[5-6]。視覺手勢識別技術(shù)是利用計(jì)算機(jī)圖像采集設(shè)備(如攝像頭等)、計(jì)算機(jī)視覺技術(shù)，對目標(biāo)用戶的手勢動作進(jìn)行感知、追蹤與識別，進(jìn)而達(dá)到理解用戶意圖的目的[7]。雖然高分辨率相機(jī)使視覺手勢識別技術(shù)的識別率高達(dá)90% 以上[8-10]，但該技術(shù)極大程度上受限于光線條件，同時也存在隱私泄露的安全問題。

隨著雷達(dá)技術(shù)的快速發(fā)展和廣泛應(yīng)用，雷達(dá)手勢識別已成為人機(jī)交互技術(shù)領(lǐng)域的一個重要分支。與傳統(tǒng)光學(xué)傳感器相比，雷達(dá)傳感器在雨、雪、霧霾等惡劣天氣情況或者黑暗條件下均能夠正常工作，具有全天候、全天時的優(yōu)勢；其次雷達(dá)傳感器可固定到電子設(shè)備內(nèi)部，從而可提高裝置的抗干擾性和靈活性；另外，雷達(dá)信號在隱私安全方面也有著較大優(yōu)勢，可以有效的保護(hù)用戶隱私信息。

目前基于雷達(dá)技術(shù)的手勢識別所采用的雷達(dá)傳感器多為毫米波雷達(dá)，該頻段的雷達(dá)系統(tǒng)易于小型化，同時毫米波雷達(dá)擁有較寬的多普勒帶寬，對于微動目標(biāo)的感知能力更強(qiáng)，可以較為準(zhǔn)確識別手部的微小動作。對于毫米波手勢識別的研究，加利福尼亞州立大學(xué)的Youngwook Kim等人利用24 GHz的雷達(dá)傳感器對3種目標(biāo)手勢進(jìn)行感知識別，通過深度學(xué)習(xí)網(wǎng)絡(luò)模型達(dá)到99%的平均識別率[11]；英國倫敦大學(xué)的Matthew Ritchie利用24 GHz的Ancortek雷達(dá)系統(tǒng)對6人4種不同的手勢進(jìn)行高達(dá)3 000次的重復(fù)檢測[12]，同樣為24 GHz頻段，NVIDIA研究中心的Pavlo Molchanov等人利用短程調(diào)頻連續(xù)波(frequency modulated continuous wave，F(xiàn)MCW)雷達(dá)系統(tǒng)，對駕駛員動態(tài)手勢進(jìn)行識別研究[13]。Ismail Nasr等研究者采用發(fā)射頻率為60 GHz、4天線(2發(fā)4收)的FMCW雷達(dá)傳感器，配合SiGe技術(shù)實(shí)現(xiàn)對目標(biāo)手勢的檢測[14]。Xuhao Zhang 采用工作頻率為77GHz的調(diào)頻連續(xù)波雷達(dá)傳感器，為駕駛員手勢識別輔助系統(tǒng)提供動態(tài)手勢檢測[15]。韓國KAIST電氣工程學(xué)院的ChoiJae-Woo等人利用Google公司開發(fā)的60GHz頻率的FMCW雷達(dá)，對10種手勢信息進(jìn)行感知，利用長短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)模型，識別率高達(dá)99.10%[16]。電子科技大學(xué)的李楚楊和王亞龍均采用一發(fā)四收的毫米波雷達(dá)構(gòu)建了樣本量為3 200手勢樣本庫[17-18]，為后期的數(shù)據(jù)處理提供了大量樣本。此外，Google公司的Soli項(xiàng)目中，公開展示了采用60 GHz頻段的FMCW毫米波雷達(dá)芯片實(shí)現(xiàn)近距離微動手勢識別[19]。

目前眾多的雷達(dá)手勢識別文獻(xiàn)，尚無專門針對雷達(dá)手勢識別技術(shù)的綜述，本文主要對近年來基于雷達(dá)的動態(tài)手勢識別研究與涉及的相關(guān)技術(shù)進(jìn)行梳理與歸納，并探討已有方法存在的不足及下一步的研究方向。

2 雷達(dá)手勢識別流程

通常，毫米波雷達(dá)手勢識別可分為3大步驟：首先，利用毫米雷達(dá)傳感器檢測并采集用戶的動態(tài)手勢信息；然后，對雷達(dá)接收的回波信號進(jìn)行預(yù)處理操作，最大限度的對動態(tài)手勢特征進(jìn)行提取，同時濾除干擾雜波；最后，根據(jù)手勢特征預(yù)處理的結(jié)果，選擇恰當(dāng)?shù)乃惴▽κ謩葸M(jìn)行分類和識別。基于雷達(dá)技術(shù)的手勢識別系統(tǒng)基本流程如圖1所示。本文以雷達(dá)手勢識別主要步驟為脈絡(luò)來闡述手勢識別中所涉及的關(guān)鍵技術(shù)。

圖1 雷達(dá)手勢識別系統(tǒng)基本流程框圖

3 手勢信號預(yù)處理

對于所接收的雷達(dá)手勢回波，采取預(yù)處理的主要目的是為了提取有效的手勢信息，同時將采集的時域一維信號轉(zhuǎn)換為二維信號。雷達(dá)回波信號中除動態(tài)手勢信息外，還夾雜著背景噪聲等干擾信息，針對該情況，利用相關(guān)信號處理算法進(jìn)行數(shù)據(jù)預(yù)處理，去除干擾信息的同時還最大限度的對動態(tài)手勢特征進(jìn)行提取。常見的手勢信號預(yù)處理方式為經(jīng)典的傅里葉變換及其衍生算法，余晨暉采用短時傅里葉變換( short-time fourier transform,STFT) 算法，通過對雷達(dá)信號的分析提取時頻圖的包絡(luò)特征，包括時頻包絡(luò)曲線的最大值、平均值和方差，完成了對手勢回波信號的時頻特征分類[21-22]。Zhang等人利用STFT對雷達(dá)回波信號進(jìn)行時頻分析，隨后將多普勒頻偏的正負(fù)比率和手勢動作時長人工構(gòu)造為特征[23]。Kim等人通過STFT分析得到手勢信號的微多普勒譜，繼而將微多普勒譜圖像作為輸入，利用卷積神經(jīng)網(wǎng)絡(luò)對所測量的十種手勢進(jìn)行識別研究[24]。

盡管短時傅里葉變換局部化的思想在手勢信息預(yù)處理方面取得一定成就，但滑動窗函數(shù)的固定不變及較差的自適應(yīng)性缺點(diǎn)仍然存在，鑒于此情況，Wang W等人結(jié)合小波變換的方式，提出一種基于信道狀態(tài)信息(channel state information，CSI )的人體運(yùn)動識別模型，通過分析多徑效應(yīng)對人體運(yùn)動的影響以獲得手勢特征參數(shù)[25]。卡耐基梅隆大學(xué)的 Khaled團(tuán)隊(duì)使用接收信號的強(qiáng)度指示信息(received signal strength indication，RSSI)，通過小波變換將手勢信號的上升沿、下降沿、脈沖等特征去識別動態(tài)手勢[26]，使得手勢識別系統(tǒng)具有較好的自適應(yīng)性。

此外，針對雷達(dá)信號的處理方法在手勢數(shù)據(jù)預(yù)處理過程中也得到了極大應(yīng)用。Pavlo等人利用短程FMCW雷達(dá)系統(tǒng)所接收的數(shù)據(jù)，結(jié)合距離-多普勒圖估計(jì)方法，以及深度傳感器的校準(zhǔn)系統(tǒng)完成對車載手勢識別[13]。Dekker等人將手勢一維信號處理為多普勒-時間譜，并分別將該譜的實(shí)部和虛部作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)而完成手勢的分類識別[27]。王俊等人通過對手勢目標(biāo)的 LFMCW 雷達(dá)回波依次進(jìn)行去斜、快時間域快速傅里葉變換(fast fourier transform，F(xiàn)FT)和相干積累處理，獲取其在距離多普勒(range-doppler，RD)域的二維分布，作為后續(xù)深度學(xué)習(xí)網(wǎng)絡(luò)的輸入特征向量，實(shí)現(xiàn)對手勢動作的自動特征提取與識別[28]。王勇等人通過對手勢回波的時頻分析，估計(jì)出目標(biāo)手勢的距離、多普勒和角度參數(shù)信息，將同一動態(tài)手勢的3種數(shù)據(jù)同步并構(gòu)建出手勢動作的多維參數(shù)數(shù)據(jù)集[29]；同年，該團(tuán)隊(duì)又提出了一種基于 FMCW 雷達(dá)信號的多參數(shù)圖像的雙流融合神經(jīng)網(wǎng)絡(luò)(two-stream fusion neural network，TS-FNN)手勢識別方法，該方法利用FFT估計(jì)出手勢的距離、速度、角度信息，保留了手勢橫向和縱向運(yùn)動參數(shù)的時序特征[30]。Wang等人使用FMCW雷達(dá)采集手勢信號，通過雷達(dá)信號處理求取距離和速度，將對應(yīng)的信號幅值映射為參數(shù)圖[21]，但該方法具有一定的局限性：即對于目標(biāo)手勢的徑向變化識別效果較好，但對橫向變化角度特征變化不夠敏感，因而手勢識別應(yīng)用范圍受到限制。

4 手勢特征提取與分類識別算法

對于預(yù)處理生成的手勢數(shù)據(jù)，若包含過多的冗余信息會大幅度增加分類模型的訓(xùn)練難度，同時也會降低識別速度和準(zhǔn)確率。特征提取的目的便是濾除冗余信息，得到能夠區(qū)分不同手勢的特征信息。分類識別算法是雷達(dá)手勢識別研究中最重要的一步，現(xiàn)有的機(jī)器學(xué)習(xí)技術(shù)不僅在數(shù)據(jù)處理、目標(biāo)分類、模型預(yù)測等方面有突出表現(xiàn)，同時在手勢識別領(lǐng)域也擁有良好的發(fā)展前景。

目前較為主流的識別算法主要有基于模板匹配的雷達(dá)手勢識別、基于統(tǒng)計(jì)學(xué)習(xí)的雷達(dá)手勢識別以及基于深度學(xué)習(xí)的雷達(dá)手勢識別。圖2展示了近年來應(yīng)用于毫米波雷達(dá)手勢識別算法框圖。

圖2 基于毫米波雷達(dá)手勢識別算法框圖

4.1 基于模板匹配的雷達(dá)手勢識別算法

動態(tài)時間歸整(dynamic time warping，DTW)是目前雷達(dá)手勢識別中最普遍的模板匹配算法。DTW算法是一種常用在語音匹配當(dāng)中的算法，目前在圖像處理里面也有一定的應(yīng)用。該算法采用動態(tài)編程的思想，利用歸整函數(shù)計(jì)算測試數(shù)據(jù)和參考模板的時間相似性，從而獲得兩個時間相關(guān)序列的相似度[31]。利用DTW對雷達(dá)數(shù)據(jù)進(jìn)行處理時，首先需要構(gòu)建出參考模板集合，通過比較測試數(shù)據(jù)和參考模板間的相似度，計(jì)算獲得差別性最小的手勢數(shù)據(jù)作為輸出結(jié)果。Zhou Zhi等人采用DTW方法對多模態(tài)信號進(jìn)行分類。以太赫茲雷達(dá)采集到的10種手勢信號為例，驗(yàn)證了分析和識別系統(tǒng)的有效性，實(shí)驗(yàn)結(jié)果表明，識別精度達(dá)到91%以上[32]。Plouffe等人利用DTW算法對目標(biāo)手勢進(jìn)行識別，識別率達(dá)到96.25%[33]。但是，DTW算法也存在計(jì)算復(fù)雜度高、魯棒性差的局限性，尤其在手勢動作復(fù)雜、訓(xùn)練樣本量較大時，識別率會大幅度下降。因此，對于原始DTW算法的改進(jìn)研究應(yīng)運(yùn)而生。Ruan X等人在算法執(zhí)行時增加全局路徑約束以及過程匹配持續(xù)更新機(jī)制，同時通過失真閾值算法動態(tài)調(diào)節(jié)待測手勢與參考模板匹配的過程，與傳統(tǒng)的DTW算法相比，改進(jìn)的DTW算法處理速度提升了15%[34]。

4.2 基于統(tǒng)計(jì)學(xué)習(xí)的雷達(dá)手勢識別算法

統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法是從數(shù)據(jù)中抽象出概率統(tǒng)計(jì)模型，利用模型對新的數(shù)據(jù)進(jìn)行分析和預(yù)測的理論。基于統(tǒng)計(jì)學(xué)習(xí)的雷達(dá)手勢識別算法中應(yīng)用較為廣泛的有支持向量機(jī)(support vector machine, SVM)、 K近鄰法(K-nearest neighbor，KNN)、隱馬爾可夫模型(hidden markov model，HMM)等方法。

SVM是一種有監(jiān)督的學(xué)習(xí)模型，該模型主要是是通過核函數(shù)將輸入樣本特征向量映射到高維特征空間，在高維空間進(jìn)行線性分類，找到最優(yōu)分離超平面，使訓(xùn)練樣本最大可分。Zhang等人從手勢信號的時頻譜中提取2種微多普勒特征，利用SVM算法對4種動態(tài)手勢進(jìn)行分類，通過實(shí)驗(yàn)驗(yàn)證得出分類精度高于88.56%[23]。劉釗等人利用分段 FFT 算法，將雷達(dá)手勢回波轉(zhuǎn)化為表征手勢特征的二維圖像，聯(lián)合SVM對二維手勢特征量進(jìn)行訓(xùn)練與分類，其準(zhǔn)確率達(dá)90.25%[35]。

KNN是在手勢訓(xùn)練數(shù)據(jù)集的基礎(chǔ)上，計(jì)算與手勢測試實(shí)例距離最近的k個訓(xùn)練數(shù)據(jù)，k中數(shù)量最多的那一類則為預(yù)測結(jié)果對新輸入的實(shí)例[36]。徐賢等人應(yīng)用傳統(tǒng)k近鄰算法，同時結(jié)合電容式傳感器對動態(tài)手勢進(jìn)行識別,相比傳統(tǒng)閾值識別方式,識別成功率得到有效提高[37]。若出現(xiàn)待識別手勢種類過多的情況,則會導(dǎo)致傳統(tǒng)的KNN算法訓(xùn)練數(shù)據(jù)過大,進(jìn)而影響識別的速度和準(zhǔn)確率。陳嘉偉等人利用改進(jìn)的KNN算法，首先對待識別手勢進(jìn)行特征提取,根據(jù)所提取的特征值對相應(yīng)手勢進(jìn)行編碼,使得每個手勢都有唯一編碼,該方法可以有效減少訓(xùn)練組的數(shù)據(jù)量,從而將手勢識別的準(zhǔn)確率提升了5%[38]。

隱馬爾可夫模型是一種關(guān)于時序的統(tǒng)計(jì)分析模型，它可以用來描述含有隱藏未知參數(shù)的馬爾可夫過程。在利用HMM進(jìn)行雷達(dá)手勢識別時，首先需要單獨(dú)為每個手勢構(gòu)建HMM模型，通過計(jì)算每個HMM模型獲得待測手勢的概率，其中概率最大的HMM模型所對應(yīng)的手勢便作為模型輸出結(jié)果。TI公司利用自主研制的77 GHz頻段毫米波雷達(dá)芯片，結(jié)合HMM模型對6種不同手勢進(jìn)行識別，其準(zhǔn)確率達(dá)到83.3%[39]，但識別過程中采用速度能量分布特征，無法滿足手勢類別較多、特征近似的手勢識別。利用從CSI中提取的特征，Wei Wang等人提出使用隱馬爾可夫模型來建立包含多個運(yùn)動狀態(tài)的CSI活動模型，從而完成對動態(tài)手勢的識別[40]。Wang X首先利用AdaBoost迭代算法檢測用戶手勢，結(jié)合分區(qū)采樣進(jìn)行手勢跟蹤，最后采用HMM完成手勢識別[41]。盡管該方法可以有效提高識別精度，但在算法執(zhí)行過程中計(jì)算量過大，極大限制了識別速度。

4.3 基于深度學(xué)習(xí)的雷達(dá)手勢識別算法

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個重要領(lǐng)域，在語音和圖像識別方面取得的效果遠(yuǎn)超先前相關(guān)技術(shù)，尤其在圖像特征提取方面可以有效克服人工提取的局限性[42]。深度學(xué)習(xí)在雷達(dá)手勢識別中所涉及到的算法主要有卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為深度學(xué)習(xí)的代表算法之一，通常由卷積層、池化層和全連接層構(gòu)成。由于CNN在行為認(rèn)知和姿態(tài)估計(jì)等方面體現(xiàn)出較大優(yōu)勢，因此在雷達(dá)手勢識別技術(shù)領(lǐng)域也正迅速興起。王勇等人通過預(yù)處理獲得的手勢距離參數(shù)、多普勒參數(shù)和角度參數(shù)特征量，利用CNN對6種不同手勢進(jìn)行識別分類，其準(zhǔn)確率為95.3%[29]，不過該方案中距離參數(shù)和角度參數(shù)對于手勢的微動變化表征不明顯，同時在與多普勒參數(shù)特征融合之后，手勢的識別分類準(zhǔn)確率降低，故該方法局限于運(yùn)動幅度較大時的手勢識別。Dekker B等研究人員將多普勒-時間譜的實(shí)部和虛部作為兩個通道的輸入數(shù)據(jù)，同樣采用深度神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行特征提取，并用Softmax分類器完成手勢分類，測試集上都達(dá)到了99%的分類準(zhǔn)確率[27]。Sruthy等人利用連續(xù)波多普勒雷達(dá)的兩個接收天線，產(chǎn)生差拍信號的同相和正交分量，將這兩個差拍信號映射到CNN模型中，使得手勢分類準(zhǔn)確率超過95%[43]。Pavlo利用光學(xué)、深度和雷達(dá)傳感器數(shù)據(jù)融合，通過異源圖像配準(zhǔn)及三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行典型駕駛手勢動作識別[44]。

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，將卷積神經(jīng)網(wǎng)絡(luò)用于雷達(dá)手勢識別是目前國內(nèi)外研究者的最新課題。Infineon公司人員利用所構(gòu)造的距離多普勒特征圖像，通過對長循環(huán)全卷積模型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果對于5種小幅度運(yùn)動的手勢識別效果較好，準(zhǔn)確率達(dá)到94.34%[20]；Soli團(tuán)隊(duì)通過手勢的距離多普勒特征，提出一種端到端的循環(huán)神經(jīng)網(wǎng)絡(luò)方法，進(jìn)行動態(tài)手勢識別的實(shí)驗(yàn)結(jié)果表明：當(dāng)識別目標(biāo)為4類微動手勢時，識別率為92.1%；當(dāng)識別目標(biāo)為11種小運(yùn)動幅度手勢時，識別率僅為87%[21]。但以上2種基于RNN的識別系統(tǒng)均采用原始的距離多普勒特征，對于多種類的微動手勢識別問題效果不明顯。Choi J 利用數(shù)據(jù)處理產(chǎn)生的距離多普勒序列，作為長短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)的輸入，使得手勢識別系統(tǒng)成功地識別出10個手勢，分類準(zhǔn)確率達(dá)99.10%。同時對于新參與者的手勢，識別準(zhǔn)確率為98.48%[16]。但該方法在小數(shù)據(jù)集的性能最佳，對于訓(xùn)練樣本數(shù)量較大時，計(jì)算效率會大幅度降低。

從現(xiàn)有的深度學(xué)習(xí)雷達(dá)手勢識別算法來看，常用的算法都有其自身的優(yōu)缺點(diǎn)，為了便于比較和選擇，表1對不同的手勢識別算法的優(yōu)劣進(jìn)行了歸納。

表1 常見雷達(dá)手勢識別算法的優(yōu)劣

5 存在的問題

基于雷達(dá)的手勢識別系統(tǒng)克服了傳統(tǒng)數(shù)據(jù)手套及視覺手勢識別的局限性，具有諸多的優(yōu)勢；同時該技術(shù)也由理論探索階段向?qū)嵺`商品階段過渡，與智能汽車、智慧家庭、醫(yī)療輔助等領(lǐng)域也有著密切的聯(lián)系，雷達(dá)技術(shù)手勢識別向智能化發(fā)展是必然趨勢。利用雷達(dá)技術(shù)進(jìn)行動態(tài)手勢識別已經(jīng)取得一定的成果，但是技術(shù)層面仍存在一些不足：

1) 復(fù)雜場景下的雷達(dá)手勢識別

與實(shí)際的復(fù)雜應(yīng)用環(huán)境相比，現(xiàn)有研究的實(shí)驗(yàn)場景比較單一，毫米波雷達(dá)進(jìn)行手勢探測時無太多的干擾物體，即背景環(huán)境較為理想。而實(shí)際應(yīng)用中，由于環(huán)境的不確定性，檢測的手勢信號樣本數(shù)據(jù)往往夾雜各種噪聲。因此，未來的研究工作中可以考慮設(shè)置較為復(fù)雜的實(shí)驗(yàn)場景，或者人為的添加干擾信息，確保手勢識別系統(tǒng)在較為復(fù)雜的應(yīng)用情景下，能夠保持較高的識別速度和準(zhǔn)確率。

2) 多雷達(dá)傳感器的多視角數(shù)據(jù)融合

現(xiàn)有的成果中，大多數(shù)研究者均通過使用單獨(dú)的雷達(dá)傳感器進(jìn)行動態(tài)手勢信息感知，并取得了一定效果。但某些特定條件下，所獲得的手勢特征信息不夠豐富與準(zhǔn)確，因而，通過多個雷達(dá)傳感器進(jìn)行多視角多尺度的數(shù)據(jù)融合，獲得更為豐富完整的手勢信息，為后續(xù)分類識別系統(tǒng)構(gòu)造高質(zhì)量的特征向量，從而能夠保證手勢識別系統(tǒng)擁有更高精度與穩(wěn)定性，是該領(lǐng)域中一個值得研究的潛在方向。

3) 多用戶下的雷達(dá)手勢識別

同獨(dú)立用戶手勢的識別比較，多用戶下的雷達(dá)手勢識別不但要考慮到不同手勢特征的提取以及手勢模型的構(gòu)建，還需在同一場景中對不同使用者迅速準(zhǔn)確做出響應(yīng)。故研究同一場景下的多用戶手勢識別，是該領(lǐng)域未來需要突破的方向。

4) 對訓(xùn)練數(shù)據(jù)要求較高

雷達(dá)手勢識別算法對訓(xùn)練樣本的質(zhì)量和數(shù)量都有很高的要求，有效的樣本數(shù)據(jù)是提高動態(tài)手勢識別準(zhǔn)確率的前提和基礎(chǔ)。在雷達(dá)采集手勢信號的過程中，存在著數(shù)據(jù)污染和數(shù)據(jù)丟失的情況。針對接收數(shù)據(jù)質(zhì)量較差問題，提高模型的魯棒性及保持較高的識別率是要開展的研究方向之一。

6 結(jié)論

毫米波雷達(dá)手勢識別技術(shù)的進(jìn)步為新型人機(jī)交互方式開辟了方向，該技術(shù)所帶來的便利性、自然性與靈活性，徹底讓使用者摒棄了外部穿戴電子設(shè)備的束縛，極大程度地解放了用戶雙手。伴隨著技術(shù)進(jìn)步，雷達(dá)手勢識別系統(tǒng)的智能化是未來重要的發(fā)展方向。機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)，將機(jī)器學(xué)習(xí)與雷達(dá)手勢識別結(jié)合是很好的解決方案。本文可為下一步研究提供參考，對促進(jìn)雷達(dá)技術(shù)的手勢識別方法的實(shí)踐和研究具有意義。