前言
不必害怕未知，无需恐惧犯错，做一个Creator！
目录
- 前言
- 雷达技术特点
- 毫米波雷达
- 实现过程
- 手势信号预处理
- 手势特征提取与分类识别算法
雷达技术特点
随着雷达技术的快速发展和广泛应用，雷达手势识别已成为人机交互技术领域的一个重要分支。与传统光学传感器相比，雷达传感器在雨、雪、雾霾等恶劣天气情况或者黑暗条件下均能够正常工作，具有全天候、全天时的优势; 其次雷达传感器可固定到电子设备内部，从而可提高装置的抗干扰性和灵活性; 另外，雷达信号在隐私安全方面也有着较大优势，可以有效的保护用户隐私信息。
毫米波雷达
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。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。
目前基于雷达技术的手势识别所采用的雷达传感器多为毫米波雷达，该频段的雷达系统易于小型化，同时毫米波雷达拥有较宽的多普勒带宽，对于微动目标的感知能力更强，可以较为准确识别手部的微小动作。
实现过程
通常，毫米波雷达手势识别可分为3大步骤: 首先，利用毫米雷达传感器检测并采集用户的动态手势信息; 然后，对雷达接收的回波信号进行预处理操作，最大限度的对动态手势特征进行提取，同时滤除干扰杂波; 最后，根据手势特征预处理的结果，选择恰当的算法对手势进行分类和识别。基于雷达技术的手势识别系统基本流程如下图所示。
手势信号预处理
对于所接收的雷达手势回波，采取预处理的主要目的是为了提取有效的手势信息，同时将采集的时域一维信号转换为二维信号。雷达回波信号中除动态手势信息外，还夹杂着背景噪声等干扰信息，针对该情况，利用相关信号处理算法进行数据预处理，去除干扰信息的同时还最大限度的对动态手势特征进行提取。
手势特征提取与分类识别算法
对于预处理生成的手势数据，若包含过多的冗余信息会大幅度增加分类模型的训练难度，同时也会降低识别速度和准确率。特征提取的目的便是滤除冗余信息，得到能够区分不同手势的特征信息。分类识别算法是雷达手势识别研究中最重要的一步，现有的机器学习技术不仅在数据处理、目标分类、模型预测等方面有突出表现，同时在手势识别领域也拥有良好的发展前景。
基于模板匹配的雷达手势识别算法
动态时间归整( dynamic time warping，DTW) 是目前雷达手势识别中最普遍的模板匹配算法。DTW 算法是一种常用在语音匹配当中的算法，目前在图像处理里面也有一定的应用。该算法采用动态编程的思想，利用归整函数计算测试数据和参考模板的时间相似性，从而获得两个时间相关序列的相似度。
基于统计学习的雷达手势识别算法
统计机器学习算法是从数据中抽象出概率统计模型，利用模型对新的数据进行分析和预测的理论。
基于深度学习的雷达手势识别算法
深度学习作为机器学习的一个重要领域，在语音和图像识别方面取得的效果远超先前相关技术，尤其在图像特征提取方面可以有效克服人工提取的局限性。深度学习在雷达手势识别中所涉及到的算法主要有卷积神经网络(convo-lutional neural networks，CNN) ，循环神经网络(recurrent neuralnetwork，RNN) 。
