技術(shù)特征：

1.一種基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別方法，其特征在于，包括以下步驟：

發(fā)射雷達(dá)信號(hào)，并接收所述雷達(dá)信號(hào)經(jīng)過(guò)待識(shí)別手勢(shì)反射的手勢(shì)回波信號(hào)；

根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢(shì)回波信號(hào)映射成稀疏向量；

提取所述稀疏向量中的非零元素，并查找所述非零元素所對(duì)應(yīng)的Gabor基向量，并提取相應(yīng)的時(shí)移參數(shù)和頻移參數(shù)，以得到所述手勢(shì)回波信號(hào)的特征量；

訓(xùn)練分類(lèi)器，并將所述特征量輸入所述分類(lèi)器中，以識(shí)別所述待識(shí)別手勢(shì)的類(lèi)型。

2.根據(jù)權(quán)利要求1所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別方法，其特征在于，所述根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢(shì)回波信號(hào)映射成稀疏向量，進(jìn)一步包括：

構(gòu)造一個(gè)Gabor時(shí)頻字典矩陣Ψ，其中，所述矩陣Ψ的每個(gè)列向量都是Gabor基信號(hào)，所述矩陣Ψ為：

$\mathrm{\Ψ}(n,m)=\frac{1}{2^{1/4}}\frac{1}{\sqrt{s_m}}\exp \{-{\left(\frac{n-t_m}{s_m}\right)}^2\}\exp \left(j2{\mathrm{\πf}}_{m}n\right),(n=1,2,...,N;m=1,2,...,M.),$

其中，t_m,f_m,s_m分別表示Gabor基的時(shí)移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；

根據(jù)稀疏優(yōu)化模型，將所述手勢(shì)回波信號(hào)表示為：

y＝Ψx+η，

其中，y是所述手勢(shì)回波信號(hào)，x是稀疏向量，η是觀測(cè)噪聲；

根據(jù)正交匹配追蹤算法，計(jì)算得到所述稀疏向量x，

$x={(0,...,0,x_{i_1},0,...,0,x_{i_2},0,...,0,x_{i_K},0,...,0)}^T,$

其中，K表示所述手勢(shì)回波信號(hào)的稀疏度，所述稀疏向量x的維數(shù)為M，具有K個(gè)非零元素。

3.根據(jù)權(quán)利要求2所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別方法，其特征在于，所述手勢(shì)回波信號(hào)的特征量為：

$F=\{(t_{i_1},f_{i_1},|x_{i_1}\left|\right),...,(t_{i_K},f_{i_K},|x_{i_K}\left|\right)\},$

其中，非零元素對(duì)應(yīng)著矩陣Ψ的第i_j個(gè)列向量，相應(yīng)的時(shí)移因子、頻移因子分別是

4.根據(jù)權(quán)利要求2所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別方法，所述訓(xùn)練分類(lèi)器，并將所述特征量輸入所述分類(lèi)器中，以識(shí)別所述待識(shí)別手勢(shì)的類(lèi)型，進(jìn)一步包括：

對(duì)于所述待識(shí)別手勢(shì)，從P組訓(xùn)練樣本中，獲得P組特征量，將所述P組特征量當(dāng)作三維空間中的P·K個(gè)數(shù)據(jù)點(diǎn)，并使用k-平均算法對(duì)所述P·K個(gè)數(shù)據(jù)點(diǎn)進(jìn)行聚類(lèi)分析，生成K個(gè)中心數(shù)據(jù)點(diǎn)，具體為：

$F^{\left(g\right)}=\{({t_{i_1}}^{\left(g\right)},{f_{i_1}}^{\left(g\right)},{a_{i_1}}^{\left(g\right)}),...,({t_{i_K}}^{\left(g\right)},{f_{i_K}}^{\left(g\right)},{a_{i_K}}^{\left(g\right)})\},$

其中，g表示手勢(shì)類(lèi)型的編號(hào)，F(xiàn)^(g)為所述分類(lèi)器；

對(duì)于任一測(cè)試樣本y’，提取所述測(cè)試樣本y’的特征量：

$F^{\′}=\{({t_{i_1}}^{\′},{f_{i_1}}^{\′},|{x_{i_1}}^{\′}\left|\right),...,({t_{i_K}}^{\′},{f_{i_K}}^{\′},|{x_{i_K}}^{\′}\left|\right)\},$

按照如下表達(dá)式計(jì)算測(cè)試樣本y’的特征量與所有手勢(shì)中心特征的距離：

$dis(F^{\′},F^{\left(g\right)})=\underset{k=1}{\overset{K}{\Σ}}\underset{j}{min}\sqrt{{({t_{i_k}}^{\′}-{t_{i_j}}^{\left(g\right)})}^2+{({f_{i_k}}^{\′}-{f_{i_j}}^{\left(g\right)})}^2+{\left(\right|{x_{i_k}}^{\′}|-{a_{i_j}}^{\left(g\right)})}^2},$

比較得到的所有dis(F',F^(g))的大小，將所有dis(F',F^(g))中的最小值所對(duì)應(yīng)的編號(hào)作為識(shí)別結(jié)果。

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別方法，其特征在于，所述待識(shí)別手勢(shì)至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指。

6.一種基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別系統(tǒng)，其特征在于，包括：

信號(hào)收發(fā)模塊，所述信號(hào)收發(fā)模塊用于發(fā)射雷達(dá)信號(hào)，并接收所述雷達(dá)信號(hào)經(jīng)過(guò)待識(shí)別手勢(shì)反射的手勢(shì)回波信號(hào)；

映射模塊，所述映射模塊用于根據(jù)稀疏優(yōu)化技術(shù)，將所述手勢(shì)回波信號(hào)映射成稀疏向量；

提取模塊，所述提取模塊用于提取所述稀疏向量中的非零元素，并查找所述非零元素所對(duì)應(yīng)的Gabor基向量，并提取相應(yīng)的時(shí)移參數(shù)和頻移參數(shù)，以得到所述手勢(shì)回波信號(hào)的特征量；

識(shí)別模塊，所述識(shí)別模塊用于訓(xùn)練分類(lèi)器，并將所述特征量輸入所述分類(lèi)器中，以識(shí)別所述待識(shí)別手勢(shì)的類(lèi)型。

7.根據(jù)權(quán)利要求6所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別系統(tǒng)，其特征在于，所述映射模塊用于：

構(gòu)造一個(gè)Gabor時(shí)頻字典矩陣Ψ，其中，所述矩陣Ψ的每個(gè)列向量都是Gabor基信號(hào)，所述矩陣Ψ為：

$\mathrm{\Ψ}(n,m)=\frac{1}{2^{1/4}}\frac{1}{\sqrt{s_m}}\exp \{-{\left(\frac{n-t_m}{s_m}\right)}^2\}\exp \left(j2{\mathrm{\πf}}_{m}n\right),(n=1,2,...,N;m=1,2,...,M.),$

其中，t_m,f_m,s_m分別表示Gabor基的時(shí)移因子、頻移因子、尺度因子，N是矩陣行數(shù)，M是矩陣列數(shù)；

根據(jù)稀疏優(yōu)化模型，將所述手勢(shì)回波信號(hào)表示為：

y＝Ψx+η，

其中，y是所述手勢(shì)回波信號(hào)，x是稀疏向量，η是觀測(cè)噪聲；

根據(jù)正交匹配追蹤算法，計(jì)算得到所述稀疏向量x，

$x={(0,...,0,x_{i_1},0,...,0,x_{i_2},0,...,0,x_{i_K},0,...,0)}^T,$

其中，K表示所述手勢(shì)回波信號(hào)的稀疏度，所述稀疏向量x的維數(shù)為M，具有K個(gè)非零元素。

8.根據(jù)權(quán)利要求7所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別系統(tǒng)，其特征在于，所述手勢(shì)回波信號(hào)的特征量為：

$F=\{(t_{i_1},f_{i_1},|x_{i_1}\left|\right),...,(t_{i_K},f_{i_K},|x_{i_K}\left|\right)\},$

其中，非零元素對(duì)應(yīng)著矩陣Ψ的第i_j個(gè)列向量，相應(yīng)的時(shí)移因子、頻移因子分別是

9.根據(jù)權(quán)利要求7所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別系統(tǒng)，其特征在于，所述識(shí)別模塊用于：

對(duì)于所述待識(shí)別手勢(shì)，從P組訓(xùn)練樣本中，獲得P組特征量，將所述P組特征量當(dāng)作三維空間中的P·K個(gè)數(shù)據(jù)點(diǎn)，并使用k-平均算法對(duì)所述P·K個(gè)數(shù)據(jù)點(diǎn)進(jìn)行聚類(lèi)分析，生成K個(gè)中心數(shù)據(jù)點(diǎn)，具體為：

$F^{\left(g\right)}=\{({t_{i_1}}^{\left(g\right)},{f_{i_1}}^{\left(g\right)},{a_{i_1}}^{\left(g\right)}),...,({t_{i_K}}^{\left(g\right)},{f_{i_K}}^{\left(g\right)},{a_{i_K}}^{\left(g\right)})\},$

其中，g表示手勢(shì)類(lèi)型的編號(hào)，F(xiàn)^(g)為所述分類(lèi)器；

對(duì)于任一測(cè)試樣本y’，提取所述測(cè)試樣本y’的特征量：

$F^{\′}=\{({t_{i_1}}^{\′},{f_{i_1}}^{\′},|{x_{i_1}}^{\′}\left|\right),...,({t_{i_K}}^{\′},{f_{i_K}}^{\′},|{x_{i_K}}^{\′}\left|\right)\},$

按照如下表達(dá)式計(jì)算測(cè)試樣本y’的特征量與所有手勢(shì)中心特征的距離：

$dis(F^{\′},F^{\left(g\right)})=\underset{k=1}{\overset{K}{\Σ}}\underset{j}{min}\sqrt{{({t_{i_k}}^{\′}-{t_{i_j}}^{\left(g\right)})}^2+{({f_{i_k}}^{\′}-{f_{i_j}}^{\left(g\right)})}^2+{\left(\right|{x_{i_k}}^{\′}|-{a_{i_j}}^{\left(g\right)})}^2},$

比較得到的所有dis(F',F^(g))的大小，將所有dis(F',F^(g))中的最小值所對(duì)應(yīng)的編號(hào)作為識(shí)別結(jié)果。

10.根據(jù)權(quán)利要求6-9任一項(xiàng)所述的基于雷達(dá)微多普勒信號(hào)稀疏優(yōu)化的手勢(shì)識(shí)別系統(tǒng)，其特征在于，所述待識(shí)別手勢(shì)至少包括：轉(zhuǎn)手腕、招手、打響指及彈手指。