边缘 FMCW 雷达的手势识别
本文提出了一种利用基于点云的交叉学习方法(从相机到六十吉赫兹 FMCW 雷达)的长距离(1m-2m)手势识别解决方案,使用动态图卷积神经网络(DGCNN)建模点之间的关系并用双向 LSTM 网络建模时间动态,实验结果表明该模型在五个手势的整体精度达到了 98.4%且具有泛化能力。
Mar, 2022
本文通过引入 “无特征” 的图像以区分手势的不同特征,并使用卷积神经网络和毫米波雷达等新的数据采集和训练技术,提高静态手势识别的分类准确率,从而将手势的分类准确率从 85% 提高到 93% 和从 90% 提高到 95%。
May, 2023
本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统,其在时间 - 频率分析后对手势信号进行分类。实验结果表明,该系统具有 98%的准确性。
Nov, 2017
通过使用专有的 UWB 雷达传感器技术,本文提出了一个强大的基于 UWB 的静态手势识别框架。我们通过大量数据收集建立了包含五种常用手势的数据集。我们的方法包括全面的数据预处理流程,其中包括异常值处理、保持纵横比缩放和伪彩色图像转换。我们在处理后的图像上训练了 CNN 和 MobileNet 模型。令人惊讶的是,我们的最佳模型达到了 96.78% 的准确率。此外,我们还开发了一个用户友好的 GUI 框架,用于评估模型的系统资源使用情况和处理时间,结果显示低内存占用率和不到一秒的实时任务完成时间。这项研究在使用 UWB 技术提高静态手势识别方面迈出了重要的一步,可以在各个领域中实现实际应用。
Oct, 2023
该论文提出了一种使用雷达进行手势识别的替代方法,该方法利用共振 - 发火神经元来绕过计算复杂且耗时的快速傅里叶变换,直接在时域信号中检测手势,消除了获取距离信息的快速傅里叶变换的需求。在检测之后,采用简单的 Goertzel 算法提取五个关键特征,省去了第二次快速傅里叶变换的需要。然后将这些特征输入循环神经网络,实现了对五种手势的 98.21%的精确分类。所提出的方法相较于传统方法,具有较低的复杂性且表现出竞争力的性能。
May, 2024
本研究提出了一种用于手势识别的低功耗高准确度的嵌入式算法,使用低功率短距离雷达传感器,结合 2D CNN 和 TCN,模型大小仅有 46,000 个参数,具有仅 92 KB 的内存占用率,具有 86.6%(26 名用户)和 92.4%(单用户)技能的精度,适用于内置于可穿戴设备中。
Jun, 2020
本文采用深度神经网络从 60 GHz 毫米波单板天线信号中提取空间波束信噪比特征用于手势识别,结果显示在单一环境下,深度学习分类器的波束信噪比识别的准确率达到了 96.7%,充分证明了该信号可以用于高速通信和增强现实应用中。
Jun, 2023
本文提出了基于微波收发器和深度学习算法的手势识别系统,使用 5.8GHz 的 Doppler 雷达传感器获取手势信号并使用时频分析处理,通过构建可变形深度卷积生成对抗网络提出了一种新的机器学习体系结构,实验结果表明新的体系结构可以提高 10%的识别率,可变形核可将测试时间成本降低 30%。
Nov, 2017
本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计,在处理雷达训练数据时,通过图像分析提供三维空间中物体方向的真实值,并提出归一化方法以确保成功训练完全卷积网络 (FCN),该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。
Feb, 2019
本文介绍了一种手势识别技术,使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征,其性能可与监督式可变自编码器等更高级的方法相媲美,并能通过自适应的误差校正机制进一步提高其分类性能,从而证明了运用此技术实现敏捷手势识别系统的可行性。
May, 2023