微型手势识别与多维特征融合和CQ-MobileNetV3使用FMCW雷达
Wei Xue1,2,3, Rui Wang1,2,3, Jianyun Wei1,2,3
1School of Automation, China University of Geosciences, Wuhan 430074, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的基于雷达的微型手势识别系统,使用多维特征融合和轻量级神经网络. 该方法可以实现高准确度的非接触式人机交互,计算成本低.
科学领域:
- 人与计算机的交互
- 雷达信号处理 雷达信号处理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 无接触的人机交互 (HCI) 正在发展,基于雷达的手势识别正在获得引力.
- 由于动作幅度小,持续时间短,识别微型手势存在挑战,影响特征提取和准确性.
- 在实际应用中,平衡高识别精度与低计算和存储需求至关重要.
研究的目的:
- 开发一种高效准确的微型手势识别方法,用于基于雷达的HCI.
- 解决微型手势识别中特征提取和计算复杂性的挑战.
- 提出一种新的方法,将多维特征融合与轻量级深度学习网络相结合.
主要方法:
- 从雷达数据构建范围-时间,速度-时间和角度-时间地图.
- 通过规范化和自适应过来完善这些地图,然后将它们合并成一个全面的范围-速度-角度-时间地图.
- 设计和实施一个轻量级的CQ-MobileNetV3网络,优化MobileNetV3与注意力模块 (CBAM,SA) 以提高准确性和降低复杂性.
主要成果:
- 拟议的方法在14种不同的微型手势中实现了97.16%的识别准确度.
- 在CQ-MobileNetV3网络表现出了显著的效率,只有0.207M参数和0.027GFLOPs的计算复杂度.
- 使用77 GHz FMCW雷达的实验结果验证了与其他深度神经网络相比的优越性能.
结论:
- 开发的多维特征融合和CQ-MobileNetV3网络为基于雷达的微型手势识别提供了高精度和计算效率的解决方案.
- 这种方法有效地捕捉了微手势特征,克服了特征提取的局限性,并实现了实际的非接触式HCI.
- 该研究强调了轻量级深度学习模型和先进的功能融合技术在推进基于雷达的交互系统中的潜力.
