FMCW单毫米波雷达的空中手写字符识别方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114168058A(43)申请公布日2022.03.11(21)申请号202111499452.5(22)申请日2021.12.09(71)申请人北方工业大学地址100144北京市石景山区晋元庄路5号(72)发明人李伟高杨姜嘉浩刘大年(74)专利代理机构北京三友知识产权代理有限公司11127代理人杨丹郝博(51)Int.Cl.G06F3/04883(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图9页(54)发明名称FMCW单毫米波雷达的空中手写字符识别方法及装置(57)摘要本发明公开了一种FMCW单毫米波雷达的空中手写字符识别方法及装置，其中方法包括：对FMCW单毫米波雷达的空中手势回波信号进行ADC数据采集，得到空中手写字符数据；根据空中手写字符数据，确定目标距离数据，目标速度数据和目标到达角度数据；对目标距离数据，目标速度数据和目标到达角度数据进行三维笛卡尔坐标转换，得到手势轨迹点云；根据手势轨迹点云，确定空中手写字符图像；将空中手写字符图像输入预先建立的卷积神经网络模型进行训练，卷积神经网络模型根据Xception网络和SE模块预先建立；利用训练好的卷积神经网络模型，进行空中手写字符识别。本发明可以进行空中手写字符识别，节省识别时间成本，提高识别准确率。CN114168058ACN114168058A权利要求书1/2页1.一种FMCW单毫米波雷达的空中手写字符识别方法，其特征在于，包括：对FMCW单毫米波雷达的空中手势回波信号进行ADC数据采集，得到空中手写字符数据；根据所述空中手写字符数据，确定目标距离数据，目标速度数据和目标到达角度数据；对所述目标距离数据，目标速度数据和目标到达角度数据进行三维笛卡尔坐标转换，得到手势轨迹点云；根据所述手势轨迹点云，确定空中手写字符图像；将所述空中手写字符图像输入预先建立的卷积神经网络模型进行训练，所述卷积神经网络模型根据Xception网络和SE模块预先建立；利用训练好的卷积神经网络模型，进行空中手写字符识别。2.如权利要求1所述的FMCW单毫米波雷达的空中手写字符识别方法，其特征在于，根据所述空中手写字符数据，确定目标距离数据，目标速度数据和目标到达角度数据，包括：对所述空中手写字符数据进行距离快速傅里叶变换，得到目标距离数据；对所述空中手写字符数据进行多普勒快速傅里叶变换，得到目标速度数据；利用CFAR算法检测所述空中手写字符数据的手势移动目标信息，根据所述手势移动目标信息确定目标到达角度数据。3.如权利要求1所述的FMCW单毫米波雷达的空中手写字符识别方法，其特征在于，还包括：利用中值滤波器和距离阈值算法，去除所述手势轨迹点云中的离群值；对去除离群值后的手势轨迹点云，利用重采样进行轨迹填充；对进行轨迹填充后的手势轨迹点云，使用卡尔曼滤波器进行轨迹点平滑处理；根据所述手势轨迹点云，确定空中手写字符图像，包括：根据进行轨迹点平滑处理后的手势轨迹点云，确定空中手写字符图像。4.如权利要求1所述的FMCW单毫米波雷达的空中手写字符识别方法，其特征在于，将所述空中手写字符图像输入预先建立的卷积神经网络模型进行训练，包括：对空中手写字符图像进行全局平均池化处理，得到特征向量；将所述特征向量通过两个全连接层，得到不同通道的权重信息；根据所述特征向量和权重信息，进行乘法加权；利用Adam算法进行权重信息优化；利用梯度的一阶矩估计和二阶矩估计，调整学习率。5.一种FMCW单毫米波雷达的空中手写字符识别装置，其特征在于，包括：数据采集模块，用于对FMCW单毫米波雷达的空中手势回波信号进行ADC数据采集，得到空中手写字符数据；数据确定模块，用于根据所述空中手写字符数据，确定目标距离数据，目标速度数据和目标到达角度数据；坐标转换模块，用于对所述目标距离数据，目标速度数据和目标到达角度数据进行三维笛卡尔坐标转换，得到手势轨迹点云；图像确定模块，用于根据所述手势轨迹点云，确定空中手写字符图像；模型训练模块，用于将所述空中手写字符图像输入预先建立的卷积神经网络模型进行训练，所述卷积神经网络模型根据Xception网络和SE模块预先建立；2CN114168058A权利要求书2/2页字符识别模块，用于利用训练好的卷积神经网络模型，进行空中手写字符识别。6.如权利要求5所述的FMCW单毫米波雷达的空中手写字符识别装置，其特征在于，所述数据确定模块进一步用于：对所述空中手写字符数据进行距离快速傅里叶变换，得到目标距离数据；对所述空中手写字符数据进行多普勒快速傅里叶变换，得到目标速度数据；利用CFAR算法检测所述空中手写字符数据的手势移动目标信息，根据所述手势移动目标信