一种身体干扰识别方法、装置、系统和存储介质

摘要

本发明实施例公开了一种身体干扰识别方法、装置、系统和存储介质。所述身体干扰识别方法包括获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号和一维距离像；对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；根据所述多个空间分布特性定义的向量生成手势识别特征；将所述手势识别特征输入预设分类器模型，以获取手势识别结果。本实施例的身体干扰识别方法达到了提高整体手势识别的准确率和可靠性的效果。

权利要求

1.一种身体干扰识别方法，其特征在于，包括：获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

根据所述多个空间分布特性定义的向量生成手势识别特征；

将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

2.根据权利要求1所述的身体干扰识别方法，其特征在于，所述对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱，包括：对所述距离‑慢时间维信号进行距离维杂波抑制，得到杂波抑制后的信号；

对杂波抑制后的信号进行超分辨角度估计，得到二维距离角度谱。

3.根据权利要求1所述的身体干扰识别方法，其特征在于，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：对所述一维距离像进行特显点提取，以获取第一类空间分布特性。

4.根据权利要求1所述的身体干扰识别方法，其特征在于，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：对所述二维距离角度谱进行特显点提取，以获取第二类空间分布特性。

5.根据权利要求4所述的身体干扰识别方法，其特征在于，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：确认提取的二维角度谱的特显点的连通域，以获取第三类空间分布特性。

6.根据权利要求5所述的身体干扰识别方法，其特征在于，所述根据所述多个空间分布特性定义的向量生成手势识别特征，包括：对第一类空间分布特性、第二类空间分布特性和第三类空间分布特性定义 的向量进行归一化处理生成手势识别特征。

7.根据权利要求1所述的身体干扰识别方法，其特征在于，所述根据所述多个空间分布特性定义的向量生成手势识别特征之前，包括：对所述手势识别特征进行特征向量融合处理和/或分类结果融合处理。

8.一种身体干扰识别装置，其特征在于，包括：回波获取模块，用于获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

信号变换模块，用于对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

一维图像模块，用于在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

二维估计模块，用于对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

分布特性模块，用于根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

特征生成模块，用于根据所述多个空间分布特性定义的向量生成手势识别特征；

手势识别模块，用于将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

9.一种身体干扰识别系统，其特征在于，所述身体干扰识别系统包括：至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑7中任一项所述的身体干扰识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1‑7中任一项所述的身体干扰识别方法。

说明书

一种身体干扰识别方法、装置、系统和存储介质

技术领域

[0001] 本发明实施例涉及图像识别领域，尤其涉及一种身体干扰识别方法、装置、系统和存储介质。

背景技术

[0002] 随着电子信息技术的迅猛发展，传感器、手机、电脑和虚拟现实等各类智能设备正逐渐普及到人们的日常生活中。这些智能设备的普及给人们带来了许多便利，也促进了学者对新型人机交互方式的研究。在这其中，手势作为用户的日常动作之一，具有直接、自然、简短、高效、含义丰富以及种类繁多等特点。手势动作是人们在生活中相互交流和传递信息的重要手段，是自然人机交互中使用频次最高的人类肢体语言。因此，将手势识别应用于人机交互中，可极大地提升用户的体验感和便利度。

[0003] 迄今为止，手势识别技术大体可以分为三种类型：基于穿戴设备技术、基于视觉技术以及基于无线信号技术。（1）基于穿戴设备技术的手势识别，它要求使用者长期穿戴，影响用户体验，且不容易携带，使用成本高。（2）基于视觉技术的手势识别，容易受到光线影响，在强光和弱光环境下成像质量较差；对于动态手势的速度信息较难获取；高分辨率图像的数据量大，对计算资源要求较高，难以集成实现边缘处理和小型化，且容易涉及个人的隐私安全问题。（3）基于无线信号技术的手势识别，由于其有限的带宽而不具有较小的距离分辨率，手势运动变化相对较小导致多普勒频移也相对较小；由于室内背景环境的变化导致信道环境也不断变化，导致此类技术的鲁棒性较差。基于超声波的技术，由于声波在空气中衰减过快，其作用区域较短，性能随着距离的增加而剧烈下降。

[0004] 而基于雷达传感器的手势识别技术通过发射和接收电磁波信号，可以从信号中提取手势目标的距离、速度和角度等信息。该技术的主要优势在于不受光线、天气、温度、声音等外界环境影响，可以全天时、全天候工作，抗干扰能力强，具有一定的穿透能力，并且保护用户的隐私。除此之外，目前微型雷达传感器内部已高度集成化，体积小、易集成、能耗低，这为嵌入到便携式的嵌入式设备中提供了可能。

[0005] 目前，雷达手势识别在具备天然的隐私保护属性等优点的同时，其角度分辨率较低、信息不直观，因此，雷达手势识别在识别是何种物体方面存在问题和难点。目前现有的手势识别方法和系统中，将目标检测这一前置步骤简单化，默认将检测到的目标当作手势目标，未考虑实际应用中存在的身体目标干扰会造成后续手势种类的误判、准确率降低等问题。

发明内容

[0006] 本发明实施例提供一种身体干扰识别方法、装置、系统和存储介质，达到了提高整体手势识别的准确率和可靠性的效果。

[0007] 根据本发明的一方面，提供了一种身体干扰识别方法，包括：

[0008] 获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

[0009] 对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

[0010] 在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

[0011] 对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

[0012] 根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

[0013] 根据所述多个空间分布特性定义的向量生成手势识别特征；

[0014] 将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

[0015] 进一步的，所述对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱，包括：

[0016] 对所述距离‑慢时间维信号进行距离维杂波抑制，得到杂波抑制后的信号；

[0017] 对杂波抑制后的信号进行超分辨角度估计，得到二维距离角度谱。

[0018] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0019] 对所述一维距离像进行特显点提取，以获取第一类空间分布特性。

[0020] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0021] 对所述二维距离角度谱进行特显点提取，以获取第二类空间分布特性。

[0022] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0023] 确认提取的二维角度谱的特显点的连通域，以获取第三类空间分布特性。

[0024] 进一步的，所述根据所述多个空间分布特性定义的向量生成手势识别特征，包括：

[0025] 对第一类空间分布特性、第二类空间分布特性和第三类空间分布特性定义 的向量进行归一化处理生成手势识别特征。

[0026] 进一步的，所述根据所述多个空间分布特性定义的向量生成手势识别特征之前，包括：

[0027] 对所述手势识别特征进行特征向量融合处理和/或分类结果融合处理。

[0028] 根据本发明的另一方面，提供了一种身体干扰识别装置，包括：

[0029] 回波获取模块，用于获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

[0030] 信号变换模块，用于对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

[0031] 一维图像模块，用于在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

[0032] 二维估计模块，用于对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

[0033] 分布特性模块，用于根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

[0034] 特征生成模块，用于根据所述多个空间分布特性定义的向量生成手势识别特征；

[0035] 手势识别模块，用于将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

[0036] 根据本发明的另一方面，提供了一种身体干扰识别系统，所述身体干扰识别系统包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述述的身体干扰识别方法。

[0037] 根据本发明的另一方面，提供了一种存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现上述的身体干扰识别方法。

[0038] 本发明通过获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；根据所述多个空间分布特性定义的向量生成手势识别特征；将所述手势识别特征输入预设分类器模型，以获取手势识别结果。本实施例的身体干扰识别方法是基于空间分布特性的身体干扰识别方法，可完善身体干扰识别系统中的前置条件，降低身体本身对手势识别的干扰，提高整体手势识别的准确率和可靠性。

附图说明

[0039] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0040] 图1是本发明实施例一提供的一种身体干扰识别方法的流程图；

[0041] 图2是本发明实施例二提供的一种身体干扰识别装置的示意图；

[0042] 图3为本发明实施例三提供的一种身体干扰识别系统的结构示意图。

具体实施方式

[0043] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

[0044] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应所述理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0045] 实施例一

[0046] 图1是本发明实施例一提供的一种身体干扰识别方法的流程图，本实施例可应用于身体干扰识别装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在移动终端、电脑或服务器中，本发明实施例并不对移动终端、电脑或服务器类型进行限定。相应的，如图1所示，该方法包括如下操作：

[0047] S110、获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

[0048] 本实施例中采用雷达信号获取待识别对象的回波信号。具体地，雷达设备通过发射电磁波信号至空间，经由待识别对象的手或身体目标的散射后被雷达接收机接收，然后经过低噪声放大器、混频器以及ADC采样后，得到包括多个维度信息的离散回波信号。本实施例中，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维。具体地，雷达模块接收的回波可以表示为 ，其中k表示角度维，是第k个天线阵元，m表示慢时间维，是第m个调频信号，n表示快时间维，是第n个采样点。

[0049] S120、对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

[0050] 具体地，对接收的回波进行雷达信号预处理：首先对接收到的雷达回波在快时间维n做傅里叶变换，得到距离‑慢时间维信号 ，其中l为距离单元采样。

[0051] S130、在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

[0052] 本实施例中，通过对距离‑慢时间维信号 的慢时间维m和角度维k进行非相干积累和取幅值操作，得到积累后的一维距离像 。

[0053] S140、对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

[0054] 具体地，可以对步骤S130中得到的信号 进行超分辨角度估计，可选用最小方差无畸变（Capon）算法、多重信号分类（MUSIC）算法、基于旋转不变技术的信号参数估计算法、根MUSIC算法等，得到二维距离角度谱 ，其中 表示角度；为距离单元采样。

[0055] 替代实施例中，所述对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱，可以包括：对所述距离‑慢时间维信号进行距离维杂波抑制，得到杂波抑制后的信号；对杂波抑制后的信号进行超分辨角度估计，得到二维距离角度谱。

[0056] 具体地，也可以先对距离‑慢时间维信号 进行距离维杂波抑制，可采用预录取背景杂波减除、滑动平均算法、奇异值分解等算法，得到杂波抑制后的信号；然后对慢时间维m和角度维k进行非相干积累和取幅值操作，得到积累后的一维距离像 。然后对得到的杂波抑制后的信号 进行超分辨角度估计，可选用最小方差无畸变（Capon）算法、多重信号分类（MUSIC）算法、基于旋转不变技术的信号参数估计算法、根MUSIC算法等，得到二维距离角度谱 ，其中 表示角度。

[0057] 本实施例中，可以对积累后的一维距离像 进行目标检测，目标检测可选用单位平均恒虚警检测器、有序统计恒虚警检测器、两侧单元平均选小恒虚警检测器等方法，检测到目标后将进行后续的手势目标与身体干扰的识别。

[0058] S150、根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

[0059] 具体地，由于实际应用时身体目标的出现不可避免，会导致误判和准确率降低。因此，在目标检测检测到目标后，需要识别该目标是手势目标还是干扰目标，再进行手势类别的分类。而不同的目标在空间中的分布具有差异特性，因此利用这些空间分布特性进行干扰识别。

[0060] 本实施例中，空间分布特性可以包括一维距离谱特显点的间距特征、二维距离角度谱特显点的间距特征、和/或二维距离角度谱特显点的连通域特征。

[0061] 本实施例中，特显点是在一定范围内的局部最大值，其提取的步骤可包括步骤S151‑S153：

[0062] 步骤S151，设置一个保护窗、一个阈值和待提取的特显点数目；

[0063] 步骤S152，找出信号幅度的最大值，记录下最大值的位置与幅度值；

[0064] 步骤S153，将以最大值为中心的保护窗内的数据全部置零，置零后的信号递归为后续特显点提取的信号。

[0065] 循环执行步骤S152‑ S153，直至找出的最大幅度值大于阈值或者找出的特显点数目达到设定的特显点的数目，结束特显点的提取。

[0066] 本实施例中，连通域标记的定义如下：提取的二维距离角度谱特显点的位置为中心点，以设定的窗长作为长和宽，将该区域的二值图像置为1，最后生成的图像为二维特显点图像。将二值化后的二维特显点图像进行连通域标记，连通域标记算法可采用两遍扫描法、种子填充法等，得到已标记的连通域分量矩阵，连通域分量的个数 、同一个连通域分量所占的面积 和同一个连通域分量的位置集合，其中 分别表示连通域中位置点的距离和角度值。

[0067] 本实施例中，基于特显点和/或连通域的多个空间分布特性可以包括下述中的一种或多种：一维距离谱特显点的间距特征(第一类空间分布特性)、二维距离角度谱特显点的间距特征(第二类空间分布特性)、二维距离角度谱特显点的连通域特征(第三类空间分布特性)。

[0068] 具体地，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：对所述一维距离像进行特显点提取，以获取第一类空间分布特性；对所述二维距离角度谱进行特显点提取，以获取第二类空间分布特性；和/或，确认提取的二维角度谱的特显点的连通域，以获取第三类空间分布特性。

[0069] 一实施例中，作为第一类空间分布特性的一维距离谱特显点的间距特征的计算方式如下：

[0070] 先对一维距离像进行特显点提取，得到一维距离谱的特显点的位置和幅值。然后对于一维距离像提取的特显点，提取了5个空间分布特性，计算公式 如下：

[0071]

[0072]

[0073]

[0074]

[0075]

[0076] 其中， 表示特显点的数量， 表示第 个一维特显点的位置， 表示第 个一维特显点的位置， 表示第 个一维特显点的幅值。 为全部一维特显点之间的间距和， 表示与最大一维特显点的间距和， 表示一维特显点的加权平均能量， 表示前五个最大一维特显点与最大特显点之间的最大间距， 表示与最大一维特显点之间的平均间距。

[0077] 一实施例中，作为第二类空间分布特性的二维距离角度谱特显点的间距特征的计算方式如下：

[0078] 对二维距离角度谱进行特显点提取，得到二维距离角度谱的特显点的位置和幅值，并提取其5个空间分布特性，具体公式（6）‑（10）如下：

[0079]

[0080]

[0081]

[0082]

[0083]

[0084] 其中， 表示第 个二维特显点的位置， 表示第 个二维特显点的位置， 表示第 个二维特显点的幅值，表示平衡距离和角度的加权因子。 为全部二维特显点之间的间距和， 表示与最大二维特显点的间距和， 表示二维特显点的加权平均能量， 表示前五个最大二维特显点与最大特显点之间的最大间距， 表示与最大二维特显点之间的平均间距。

[0085] 一实施例中，作为第三类空间分布特性的二维距离角度谱特显点的连通域特征的计算方式如下：

[0086] 对于二维角度谱的特显点连通域，提取其5个空间分布特性，具体公式（11）‑（15）如下：

[0087]

[0088]

[0089]

[0090]

[0091]

[0092] 其中， 为二维特显点的连通域数量， 表示连通域的总面积， 表示最大连通域分量的面积， 表示连通域的总能量， 表示最大连通域分量的能量。其中，为连通域分量的个数， 为同一个连通域分量所占的面积； 表示对 累计求和； 表示
中的最大值， 表示同一个连通域分
量的位置集合； 表示二维距离角度谱， 表示矩阵 中第 行第1
列的元素对应的距离单元采样， 表示矩阵 中第 行第2列元素对应的角度值；
为取最大值的索引操作符。

[0093] S160、根据所述多个空间分布特性定义的向量生成手势识别特征；

[0094] 具体地，可以使用上述公式（1）‑（15）分别提取15个空间分布特性，然后以预设的顺序排列为特征向量，作为手势识别特征，当然为了减少数据计算量，优化计算结果，还可以对特征向量进行最大最小值归一化的处理。

[0095] S170、将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

[0096] 具体地，预设分类器模型的训练方式可以包括如下步骤：对于正常的手势动作和多种运动状态下的身体干扰，分别录取足够多的数据，并从中提取相应的空间分布特性组合为预设的向量特征作为训练数据的识别标签。

[0097] 一实施例中，使用生成的有标签的数据集训练预设的干扰识别分类模型。这里的模型可以采用支持向量机（Support Vector Machine  ,SVM）、决策树、随机森林、神经网络等方法。以支持向量机为例，它是一种二分类模型，通过在特征空间内找到一个划分超平面，即最优分类面，将数据样本正确划分且几何间隔最大，以此来解决二分类问题。采用的支持向量机的核函数为高斯核，其可以将样本数据映射到无限维。通过大量标签数据进行训练后，预设分类器模型可以根据实时采集到的雷达回波图像提取的手势识别特征来实时识别手势。具体地，将实时获取的雷达回波提取的所述手势识别特征输入预设分类器模型，以获取手势识别结果。

[0098] 较佳实施例中，对于单帧的识别结果可能存在偶然性干扰，可以使用多帧融合进行平滑以进一步提高识别的准确性，本实施例的多帧融合包括特征向量融合和分类结果融合。

[0099] 特征向量融合：将当前帧的特征向量与前N帧的特征向量进行向量拼接，作为分类器的输入。

[0100] 分类结果融合：将当前帧分类器输出的结果与前N帧的结果进行平滑，得到当前帧的最后结果。

[0101] 一实施例中，采用上述方法的测试结果如下：

[0102] 在身体干扰实验中，雷达侧装在墙壁上，设置的雷达帧率为40Hz，距离分辨率为2.47cm。将手势目标记为正类，将身体干扰记为负类。对于身体干扰，考虑了以下6种干扰情况：①静止状态、②微动状态、③运动状态下的正前方身体干扰；④静止状态、⑤微动状态、⑥运动状态下的侧向身体干扰。正前方身体干扰为：人体在雷达正前方，方位角为，且在雷达探测范围内；侧向身体干扰为：人体在雷达探测范围内，但处于雷达视角的侧面，方位角为 。静止、微动和运动状态的定义如下，静止状态：人体的位置和动作保持相对静止；微动状态：人体的位置相对不动，但手部、躯干等部位有些许微动；运动状态：人体的位置发生变动。

[0103] 对于手势目标和6种身体干扰情况的数据，分别采集了23554、12049、12468、12698、10500、12102、11148帧数据样本。实验测试每一种身体干扰情况下的准确率，以及所有身体干扰混合情况下的综合准确率。实验采用五折交叉验证的方式，将身体干扰实验数据集分成五份，依次将其中四份作为训练集，剩下一份为测试集，进行实验验证，最后得到的平均测试结果如表1所示。从实验结果可以看出，本实施例所提出的15个空间分布特性，对于不同种情况下的身体干扰均能达到较高的识别准确率，在所有干扰情况下的识别准确率为95.6%。

[0104] 保存混合干扰下训练得到的模型，并利用多帧累计进行融合平滑，可以得到如表2的结果，从表中看出，在15帧的多帧平滑预测下的准确率提高到98.64%，并且延时也较小。

[0105] 表1 SVM单帧预测结果

[0106]

[0107] 表2 SVM多帧融合结果

[0108]

[0109] 本发明通过获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；根据所述多个空间分布特性定义的向量生成手势识别特征；将所述手势识别特征输入预设分类器模型，以获取手势识别结果。本实施例的身体干扰识别方法是基于空间分布特性的身体干扰识别方法，可完善身体干扰识别系统中的前置条件，降低身体本身对手势识别的干扰，提高整体手势识别的准确率和可靠性。

[0110] 实施例二

[0111] 图2是本发明实施例二提供的一种身体干扰识别装置的示意图，该装置200可以由软件和/或硬件的方式来实现，并一般可集成在移动终端、边缘计算或服务器，本发明实施例并不对移动终端、边缘计算或服务器的具体设备类型进行限定。如图2所示，所述装置200包括：

[0112] 回波获取模块210，用于获取待识别对象的雷达回波信号，所述雷达回波信号包括多个维度的信息，所述维度包括角度维、慢时间维和快时间维；

[0113] 信号变换模块220，用于对所述雷达回波信号在快时间维做傅里叶变换，得到距离‑慢时间维信号；

[0114] 一维图像模块230，用于在慢时间维和角度维对所述距离‑慢时间维信号进行非相干积累和取幅值操作，得到积累后的一维距离像；

[0115] 二维估计模块240，用于对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱；

[0116] 分布特性模块250，用于根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性；

[0117] 特征生成模块260，用于根据所述多个空间分布特性定义的向量生成手势识别特征；

[0118] 手势识别模块270，用于将所述手势识别特征输入预设分类器模型，以获取手势识别结果。

[0119] 进一步的，所述对所述距离‑慢时间维信号进行超分辨角度估计，得到二维距离角度谱，包括：

[0120] 对所述距离‑慢时间维信号进行距离维杂波抑制，得到杂波抑制后的信号；

[0121] 对杂波抑制后的信号进行超分辨角度估计，得到二维距离角度谱。

[0122] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0123] 对所述一维距离像进行特显点提取，以获取第一类空间分布特性。

[0124] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0125] 对所述二维距离角度谱进行特显点提取，以获取第二类空间分布特性。

[0126] 进一步的，所述根据所述一维距离像、二维距离角度谱获取基于特显点和/或连通域的多个空间分布特性，包括：

[0127] 确认提取的二维角度谱的特显点的连通域，以获取第三类空间分布特性。

[0128] 进一步的，所述根据所述多个空间分布特性定义的向量生成手势识别特征，包括：

[0129] 对第一类空间分布特性、第二类空间分布特性和第三类空间分布特性定义 的向量进行归一化处理生成手势识别特征。

[0130] 进一步的，所述根据所述多个空间分布特性定义的向量生成手势识别特征之前，包括：

[0131] 对所述手势识别特征进行特征向量融合处理和/或分类结果融合处理。

[0132] 上述身体干扰识别装置可执行本发明任意实施例所提供的身体干扰识别方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的身体干扰识别方法。由于上述所介绍的身体干扰识别装置为可以执行本发明实施例中的身体干扰识别方法的装置，故而基于本发明实施例中所介绍的身体干扰识别方法，本领域所属技术人员能够了解本实施例的身体干扰识别装置的具体实施方式以及其各种变化形式，所以在此对于该身体干扰识别装置如何实现本发明实施例中的身体干扰识别方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中身体干扰识别方法所采用的装置，都属于本申请所欲保护的范围。

[0133] 实施例三

[0134] 图3示出了可以用来实施本发明的实施例的身体干扰识别系统10的结构示意图。身体干扰识别系统10可以包括移动终端、边缘计算或服务器。移动终端、边缘计算或服务器旨在表示各种形式的可以移动的数字计算机，诸如，膝上型计算机、可移动台式计算机、可以移动的服务器、移动工作台、个人数字助理和其它适合的计算机。移动终端还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

[0135] 如图3所示，身体干扰识别系统10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）
12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储身体干扰识别系统10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

[0136] 身体干扰识别系统10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许身体干扰识别系统10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0137] 处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如身体干扰识别方法。

[0138] 在一些实施例中，身体干扰识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到身体干扰识别系统10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的身体干扰识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行身体干扰识别方法。

[0139] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0140] 用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

[0141] 在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD‑ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

[0142] 为了提供与用户的交互，可以在移动终端上实施此处描述的系统和技术，该移动终端具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给移动终端。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者触觉输入）来接收来自用户的输入。

[0143] 可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

[0144] 计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

[0145] 实施例四

[0146] 本发明实施例四还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的身体干扰识别方法。

[0147] 本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（Read Only Memory，ROM）、可擦式可编程只读存储器（Erasable Programmable Read Only Memory，EPROM，或闪存）、光纤、便携式紧凑磁盘只读存储器（CD‑ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0148] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

[0149] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频（Radio Frequency，RF）等等，或者上述的任意合适的组合。

[0150] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN）连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

[0151] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

[0152] 上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。