基于毫米波雷达的手势识别是利用电磁波获取人体动态手势的运动特征,实现手势的自动识别。作为一种非接触式识别方式,它可以实现简单高效的信息交互,在医疗、汽车、娱乐等方面都有广泛应用需求,近年来已成为国内外研究热点。高准确率的识别效果是手势识别研究的关键。本文以手势的不同特征为输入,结合监督和无监督方法,重点研究了三种手势分类算法,并通过毫米波雷达采集动态手势进行验证,具体内容如下:1.以手势单特征为输入,提出一种基于串联式架构网络的手势识别方法。在现有基于卷积神经网络(CNN)进行手势分类的算法中,本文发现特征相似手势识别率偏低,很容易导致各种手势准确率不均衡。针对此问题,本文基于现有CNN手势分类结果,筛选出特征相似手势,并根据其特点设计分类算法进行再分类,能够有效提高特征相似手势的识别率。两层分类网络以级联的方式构成本文的串联式架构网络。实验结果表明,相比于现有CNN方法,本算法平均精度高且各类手势识别率相对均衡。2.以手势多特征为输入,提出一种基于PCA和K-means的无监督手势识别方法。现有监督式雷达手势算法都是在大量有标记的高维手势样本集上进行学习、分类,存在计算量大且标记样本、训练模型耗时较长的问题。本文提出利用PCA降低特征维度,减小数据量,再结合无需标签的K-means方法进行聚类,无需反复训练学习。同时针对随机初始聚类中心的K-means方法易局部收敛且难适用于雷达数据的问题,本文提出了基于密度偏移量对初始中心进行改进,不仅能全局收敛,而且经过验证发现较适合雷达手势数据。实验结果表明,本算法省时、聚类效果好且计算复杂度低。3.以手势多特征为输入,提出一种基于多特征融合的监督式手势识别方法。现有大多监督式算法采用的特征比较单一,对复杂动态手势代表性有限。针对此问题,本文以动态手势的距离、速度、角度等多种信息作为输入,充分利用了手势信息。同时针对传统的CNN识别网络不善于提取动态手势时序特征的缺点,本文设计了多输入CNN-LSTM监督式网络,充分提取、融合动态手势的时序特征。实验结果表明,相比于基于单一特征的主流手势识别算法,本算法改善了识别率低的问题,得到高达96.4%的平均准确率。本文所提出的三种方法均已通过大量雷达实测数据验证。结果表明,这些方法从不同的侧重点出发,利用不同特征和分类算法,有效改善了现有雷达手势识别过程中存在的识别率不均衡、计算量大以及特征单一等问题,实现了多种高效、准确的雷达手势识别算法。