面向毫米波雷達手勢分類的RDI數據增強方法

王 勇 王夏莛 馮威威 史治國

（1.浙江大學信息與電子工程學院，浙江杭州 310027；2.浙江省協同感知與自主無人系統重點實驗室，浙江杭州 310027）

1 引言

近年來，基于毫米波雷達的手勢分類技術已成為智能家居、智能駕駛等領域中的重要應用。與基于視覺的手勢分類方式相比，毫米波雷達具有明顯優勢。首先，它不受光照條件的影響，能夠在不同環境穩定工作；其次，由于毫米波雷達不需要圖像信息，它能夠有效保護用戶的隱私。因此，基于毫米波雷達的手勢分類成為當前研究的熱點之一［1］。

在研究中，研究人員利用神經網絡來提取雷達的距離多普勒圖（Range-Doppler Image，RDI）特征，已取得顯著的進展［2-3］。通過神經網絡的學習和優化，RDI特征能夠被準確提取和表達，從而實現手勢分類。Wang 等人［2］使用Soli 雷達收集了一個包含11 類、共2750 個樣本的動態手勢數據集，將RDI 數據輸入到深度卷積和循環神經網絡中進行訓練，最終達到了87%的準確率。Ding 等人［3］收集了一個包含500000個樣本的大規模動態手勢數據集，將復數形式的RDI 數據輸入到RadarNet 神經網絡中進行訓練，最終取得99%分類準確率。

深度學習方法在基于雷達的手勢分類任務中取得了顯著的成果，但其依賴于大規模的數據集。然而，雷達數據的采集過程費時費力，需要根據實際場景和目標來配置雷達參數。此外，雷達領域中的開源數據集相對較少。這些因素導致研究人員很難獲得足夠的訓練樣本。而深度神經網絡的復雜性使得模型容易出現過擬合問題，這對手勢分類任務的性能產生負面影響［4］。……