基于滑动窗的CNN-BiGRU方法用于使用毫米波雷达估计人类骨的姿势

科学领域:

• * 计算机视觉和机器学习
• * 雷达信号处理处理
• * 人与计算机的交互

背景情况:

• *精确的人体姿势估计对于各种应用至关重要,但现有的方法面临成本,功耗和数据稀疏性的挑战.
• *毫米波 (mmWave) 雷达提供了一个有前途的替代方案,因为它能够穿透遮光剂,并提供密集的点云数据.

研究的目的:

• * 开发一种低成本,低功率的毫米波雷达系统,用于精确地定位骨关节.
• *通过有效利用来自雷达数据的时空信息来提高人类姿势估计的准确性和稳定性.

主要方法:

• * 使用自主开发的BHYY_MMW6044 59-64 GHz毫米波雷达设备来生成高质量的点云.
• * 实现了一个滑动窗口机制,从单点云创建多时间序列数据.
• * 采用卷积神经网络 (CNN) 进行空间特征提取和双向门式循环单元 (BiGRU) 进行时间建模,结合在一个时空融合框架中.

主要成果:

• * 拟议的系统能够准确检测到25个骨关节,显著提高了手腕,指和指尖等细节关节的定位准确度.
• * 时空融合框架有效地解决了雷达点云固有的稀疏性问题.
• * 与现有方法相比,在姿势估计方面获得了更高的准确性和稳定性.

结论:

• *开发的毫米波雷达系统为高精度骨关节定位提供了可行的低成本,低功耗解决方案.
• * 时空信息融合方法显著提高了姿势估计性能,特别是在微妙的人类运动方面.
• * 该系统显示出在人机交互,智能监控和运动分析应用中广泛采用的巨大潜力.