ST-Gesture：基于注意力机制的时空特征提取网络，用于手势识别

《IEEE Transactions on Aerospace and Electronic Systems》：ST-Gesture: Spatio-Temporal Feature Extraction Network for Gesture Recognition Based on Attention Mechanism

毫米波雷达手势识别算法ST-Gesture通过时空注意力机制融合RAM/ADM/RDM多频谱图特征，结合CNN和TCN模型实现99.2%高精度识别，有效提升复杂环境下的鲁棒性和抗干扰能力。

　　

摘要：

手势识别是人机交互中的一项关键技术，应用于智能家居、汽车驾驶辅助系统等多个领域。然而，现有的基于毫米波雷达的手势识别算法在复杂环境中往往难以实现高精度和强鲁棒性。为了解决这些问题，本文提出了一种时空手势识别算法（ST-Gesture），该算法利用了注意力机制。该方法首先利用毫米波雷达数据立方体中的多维信息。ST-Gesture处理距离-方位-多普勒（RAD）数据，生成三种类型的频谱图：距离-方位图（RAM）、方位-多普勒图（ADM）和距离-多普勒图（RDM）。然后通过结合卷积神经网络（CNN）和时域卷积网络（TCN）的增强模型，从这些频谱图中提取空间和时间特征。采用交叉注意力机制融合不同频谱图中的互补信息，从而提高识别精度。实验结果表明，基于包含多种环境和位置的自主构建数据集以及公共数据集的测试，ST-Gesture的性能优于现有最先进方法，准确率可达99.2%。此外，该系统对环境和位置变化的鲁棒性也得到了充分验证。