陈涛，张法桐，刘子铭

哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001

手势识别技术在非接触式的人机交互中的应用价值广泛，可用于智能家居[1-2]、虚拟现实[3]、智能驾驶[4-5]、游戏控制[6]等多种应用场景。FMCW 毫米波雷达具有硬件成本低，测距、测速方案简单，抗干扰能力强，可全天候工作且不会泄露用户隐私等优点，在手势识别的应用上具有可观的应用前景。

FMCW 毫米波雷达是一种可以从目标回波中估计目标的距离、速度、角度信息的一种传感器，文献[7-8]介绍了传统FMCW 雷达的调制波形，讨论了FMCW 信号的混频和调制原理。基于毫米波雷达的手势识别技术主要通过在回波中提取手势动作的距离、速度甚至角度等信息进行估计后得到特征谱图，然后将特征谱图以图片数据集的形式使用支持向量机(support vector machine,SVM)[9]或者卷积神经网络[10-16]等分类器进行识别。谷歌公司在Soli 项目[10-11]中采用了带宽高达7 GHz 的毫米波雷达对手势识别进行了研究，利用卷积神经网络将连续时刻的距离-多普勒像逐帧特征提取，再利用循环神经网络对时序特征进行提取后进行手势分类。文献[12]利用短时傅里叶变换(short-time Fourier transform,STFT)对雷达回波信号进行时频分析，得到多普勒谱，并将多普勒谱图像作为卷积神经网络的输入数据实现了手势识别。文献[13]通过对混频后的中频信号进行2 维快速傅里叶变换获取手势的距离多普勒图像，以2 维距离多普勒像构建数据集，并输入卷积神经网络进行训练。文献[14]通过时频分析和多重信号分类方法估计了手势的距离、速度以及角度信息，构建了多维参数输入的卷积神经网络，对估计的信息进行了分类；……