手势识别可以应用于汽车智能驾驶、体感游戏、医学养老等应用场景,目前基于相机的手势识别较为成熟。然而,此类方法易受到环境光线变化的影响,具有很大的应用局限性。该文采用毫米波射频技术进行手势识别,可以克服视频图像识别存在应用限制,并且雷达信号穿透能力强,识别精度高。具有极高的集成性和可靠性。该文利用TI的IWR1642 77G毫米波雷达对八种动态手势识别进行研究。首先,对调频连续波毫米波雷达的手势测距和测速原理进行介绍,针对数据集构建需要考虑不同的手势、环境及距离等因素带来的问题,对左右挥手、前后推拉、朝雷达转圈、右上挥手、左下挥手、上下摆手、张合、握拳8种动态手势数据进行设计和数据处理,利用调频连续波雷达实验平台采集共8000张不同种类的手势数据。其次,对手势回波数据进行解析,提取固定距离单元内的手势数据,使用脉冲平均相干累积对手势所在的多个距离单元进行去噪。再对慢时间（脉冲）维度数据进行短时傅里叶变换（Short-Time Fourier Transform,STFT）和距离傅里叶变换（Fourier Transform,FFT）处理,即可获取能够表达八种动态手势特征的多普勒频率随时间变化的时频图和速度-时间频谱图。随后,该文使用动目标显示算法（Moving Target Indicator,MTI）对获取的手势数据特征图进行零频去噪处理。再次,为提高手势识别准确率,提出一种改进的网络架构,改进的网络架构使用Inception V1模块替换Resnet18里面的残差块,原有的Resnet18网络架构中的残差链接保持不变。改进后的网络架构能够在原来Resnet18残差块位置使用具有4条支路通道的Inception V1模块,四条支路通道上分别使用5×5,1×1或3×3尺寸的卷积核提取不同维度手势图像的特征。最后,通过实验验证,改进后的网络架构比没有改进之前的网络架构在运行参数数量上减少4倍,运行速度上提高2-3倍。无论是在空旷的实验场景下还是在实验室人员走动较为频繁的复杂实验场景下,改进的网络架构对每一类手势的准确识别率在98%以上。在测试集测试精度和验证集验证精度上,改进后的网络架构比没改进之前的网络架构效果好,证明改进网络架构的可行性。