(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211016266.6 (22)申请日 2022.08.24 (71)申请人 深圳市华杰智通科技有限公司 地址 518002 广东省深圳市南 山区粤海街 道滨海社区海天二路25号深圳湾创业 投资大厦32层3204,320 5,3206号 (72)发明人 钟有轩　袁纯　姚衡　邹毅　 (74)专利代理 机构 上海和华启核知识产权代理 有限公司 313 39 专利代理师 王仙子 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/764(2022.01) G06N 20/00(2019.01) G01S 13/88(2006.01) (54)发明名称 一种基于一发二收毫米波雷达的数字动作 识别方法 (57)摘要 本发明揭示了一种基于一发二收毫米波雷 达的数字动作识别方法， 包括： 收集数字动作的 雷达原始数据， 对每一帧雷达原始数据进行处 理， 获得目标重心； 计算多帧所述目标重心的信 息统计量， 得到目标特征； 将所述目标特征输入 到机器学习模 型， 作为进行数字动作的分类识别 依据； 输入统计信息进行数字动作的分类识别。 本发明实现方法简单， 对计算资源的开销较小， 可以在硬件条件为一发二收天线的毫米波雷达 的情况下， 实现数字动作的识别， 并且不受限于 环境中的光线， 能够将动作更准确地识别出来。 权利要求书2页 说明书4页 附图4页 CN 115439931 A 2022.12.06 CN 115439931 A 1.一种基于一发二收毫米波雷达的数字动作识别方法， 其特 征在于， 包括： 收集数字动作的雷达原 始数据， 对每一帧雷达原 始数据进行处 理， 获得目标重心； 计算多帧所述目标重心的信息统计量， 得到目标 特征； 将所述目标 特征输入到 机器学习模型， 作为进行 数字动作的分类识别依据； 输入统计信息进行 数字动作的分类识别。 2.如权利要求1所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 所 述数字动作的分类识别包括数字 0‑3的识别。 3.如权利要求1所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 所 述对每一帧雷达原 始数据进行处 理， 获得目标重心的步骤 包括： 以数据帧为单位 生成单帧的雷达数据矩阵； 对所述雷达数据矩阵做二维快速傅里叶变换 得到距离 ‑多普勒图数据； 对所述距离 ‑多普勒图的数据进行峰值 提取， 获得多个目标点； 根据多个目标点获得 所述目标重心。 4.如权利要求3所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 对 所述雷达数据 矩阵做二 维快速傅里叶变换得到距离 ‑多普勒图数据后， 在 对所述距离 ‑多普 勒图的数据进 行峰值提取之前， 还包括： 根据雷达多普勒图测速原理对距离 ‑多普勒图的数 据进行静态目标剔除。 5.如权利要求3所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 根 据多个目标点获得 所述目标重心包括: 对多个目标点关于幅度做加权计算后得到所述目标重心。 6.如权利要求3所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 所 述计算多帧所述目标重心的信息统计量， 得到目标特征 的步骤包括： 计算所述目标重心的 距离、 速度、 相位的多帧累计的变化数据作为所述目标 特征。 7.如权利要求6所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 所 述计算所述目标重心的距离、 速度、 相位的多帧累计的变化数据包括： 使用固定长度的滑窗 对所述变化数据进行采样， 当出现连续多帧数据的距离、 速度和相位不为零且出现在滑 窗 中部时， 判断该段数据有效； 将该段数据中包含的所述变化数据全为0的帧数据视作无效帧 并清除， 剩余的数据按时间顺序排列进行 特征数据的提取计算。 8.如权利要求7所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 所 述进行特征数据的提取计算包括： (a)在有效数据中， 速度值为正数的帧数据占所有帧的比例以及速度值为负的帧数据 占所有帧的比例， 用于判断数字1； (b)在有效数据中， 以在垂直方向上距离雷达最近的点为分界点， 后半部分有效帧的速 度和， 用于判断数字 0； (c)在有效数据中， 末尾数帧的数据的相位 正负值， 用于区分数字2和3 。 9.如权利要求1所述的基于一发二收毫米波雷达的数字动作识别方法， 其特征在于， 将 所述目标 特征输入到 机器学习模型， 进行 数字动作的分类识别， 包括： 机器学习模型中根据输入的统计信息与目标特征是否吻合来进行数字动作的分类识 别。权　利　要　求　书 1/2 页 2 CN 115439931 A 210.如权利要求9所述的基于一发二收毫米波雷达的数字动作识别方法， 其特 征在于， 机器学习模型根据训练数据中不同的数字动作的统计信息的区别来区分不同的数字 动作的特 征； 通过人为分析统计信 息来确定不同的数字动作 特征的区别， 来适应不同人动作差异的 特征； 并识别统计信息与目标 特征中的数字动作是否为同一个特 征。权　利　要　求　书 2/2 页 3 CN 115439931 A 3