Gesture recognition is key to enabling natural human–computer interactions. Existing approaches based on wireless sensing focus on accurate identification of arm gesture types. It remains a challenge to recognize and profile the details of arm gestures for precise interaction control. In addition, current approaches have strict positioning requirements between radars and users, making them difficult for real-world deployment. In this article, we adopt the multisensor approach and present gesture-radar—a dual Doppler radar-based gesture recognition and profiling system, which can capture subtle arm gestures with less positioning or environmental dependence. Gesture-radar uses two vertically placed Doppler radars to collect complementary sensing data of gestures, based on which cross-analysis can be performed for gesture recognition and profiling. Specifically, we first propose a two-stage classification model and enhance the signal proximity matching method by applying constraint functions to the DTW algorithm, aiming to improve the accuracy of gesture type recognition. Afterward, we establish and analyze unique features from the time-frequency spectrogram, which can be used to characterize in-depth gesture details, e.g., the angle or range of an arm movement. Experimental results show that gesture-radar achieves up to 93.5% average accuracy for gesture type recognition, and over 80% precision for profiling gesture details. This proves that the proposed approach is viable and can work in real-world environments.

中文翻译：

---

Gesture-Radar：一种基于双多普勒雷达的系统，用于人类手势的鲁棒识别和定量分析

手势识别是实现自然人机交互的关键。基于无线传感的现有方法侧重于准确识别手臂手势类型。识别和分析手臂手势的细节以实现精确的交互控制仍然是一个挑战。此外，当前的方法在雷达和用户之间有严格的定位要求，使其难以在现实世界中部署。在本文中，我们采用多传感器方法并展示了手势雷达——一种基于双多普勒雷达的手势识别和分析系统，它可以捕获细微的手臂手势，而定位或环境依赖性较小。Gesture-radar 使用两个垂直放置的多普勒雷达来收集手势的互补传感数据，在此基础上可以进行交叉分析以进行手势识别和分析。具体而言，我们首先提出了一种两阶段分类模型，并通过将约束函数应用于 DTW 算法来增强信号邻近匹配方法，旨在提高手势类型识别的准确性。之后，我们从时频频谱图建立和分析独特的特征，这些特征可用于表征深入的手势细节，例如手臂运动的角度或范围。实验结果表明，手势雷达的手势类型识别平均准确率高达 93.5%，手势细节分析的准确率超过 80%。这证明了所提出的方法是可行的，并且可以在现实世界的环境中工作。旨在提高手势类型识别的准确性。然后，我们从时频频谱图建立和分析独特的特征，这些特征可用于表征深入的手势细节，例如手臂运动的角度或范围。实验结果表明，手势雷达的手势类型识别平均准确率高达 93.5%，手势细节分析的准确率超过 80%。这证明了所提出的方法是可行的，并且可以在现实世界的环境中工作。旨在提高手势类型识别的准确性。之后，我们从时频频谱图建立和分析独特的特征，这些特征可用于表征深入的手势细节，例如手臂运动的角度或范围。实验结果表明，手势雷达的手势类型识别平均准确率高达 93.5%，手势细节分析的准确率超过 80%。这证明了所提出的方法是可行的，并且可以在现实世界的环境中工作。手势类型识别平均准确率为 5%，手势细节分析准确率超过 80%。这证明了所提出的方法是可行的，并且可以在现实世界的环境中工作。手势类型识别平均准确率为 5%，手势细节分析准确率超过 80%。这证明了所提出的方法是可行的，并且可以在现实世界的环境中工作。