1.一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s1中三维数据块采用chirps×samples×frames格式。
3.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s1中均值相消法滤除静态干扰的方法为对1d-fft结果进行两脉冲对消,具体表达式为:
4.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s2中距离-时间图rtm与多普勒-时间图dtm的获取方法为:在三维数据块的每一帧数据的距离维和多普勒维分别进行一维fft,得到距离-多普勒谱,分别在多普勒维和距离维求和,以提高回波信噪比,得到一帧数据的距离信息和多普勒信息,将距离信息和多普勒信息分别在时间维上堆积,得到rtm和dtm。
5.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s3中采用二维卷积层和池化层构建cnn_block模块,具体的构建过程为:采用卷积层和池化层构建具有两个分支的卷积神经网络,每个卷积层之后为批归一化层和非线性层。
6.根据权利要求5所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述cnn_block模块中的每个分支卷积神经网络包括3个卷积层、2个池化层,其中卷积核大小均为3×3,卷积核的个数以64、128、256递增,池化核大小为2×2。
7.根据权利要求5所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s3中动态手势的局部特征的获取方法为:将rtm和dtm输入到cnn_block模块,其中,rtm、dtm∈rc×h×w,分别得到两个分支的特征图,当特征提取结束之后,将两个分支的特征图按通道维进行拼接,得到融合特征作为动态手势的局部特征。
8.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s4中利用层归一化ln、多头注意力机制mha和多层感知机mlp构建transformer模块,且mha与mlp之前均为ln,transformer模块的构建过程为:
9.根据权利要求1所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤s8中fc_block的构建方法为:使用一层全局平局池化,两层全连接层。
10.根据权利要求8所述的一种应用于干扰环境下的毫米波雷达动态手势识别方法,其特征在于,所述步骤a2中利用多头注意力机制为每个特征序列分配不同的权重的计算表达式如下: