Radar-based gesture recognition can provide autonomous electronic systems with a reliable way to infer a human's intention, e.g., in traffic environments involving vulnerable road users. Particularly in complex scenarios, algorithms operating on radar target lists derived from constant false-alarm rate outputs present an attractive solution, as they not only enable the filtering of relevant targets, but can also make full use of the diverse, high-resolution target parameters provided by modern radar sensors. Therefore, this article proposes PointNet+long short-term memory (LSTM) for the enhanced target list-based recognition of challenging traffic gestures, combining per-frame feature extraction with PointNet and learning from sequences with a LSTM. The approach is generalized to facilitate the use of multistatic radar data from sensor networks to exploit slightly different viewing angles, which is particularly helpful for motions with low radial velocity. The proposed method is validated on a comprehensive dataset comprising eight traffic gestures and data recorded from 35 participants. Measurements are conducted both indoors and outdoors with an incoherent radar sensor network comprising three chirp sequence–multiple-input multiple-output sensors. On this challenging dataset, our approach clearly outperforms a reference convolutional neural network, reaching up to $92.2 \%$ cross-validation accuracy.

中文翻译：

---

用于非相干雷达网络的基于目标列表的手势识别的 PointNet+LSTM

基于雷达的手势识别可以为自主电子系统提供一种可靠的方式来推断人类的意图，例如，在涉及易受伤害的道路使用者的交通环境中。特别是在复杂场景中，基于恒定虚警率输出的雷达目标列表运行的算法提供了一个有吸引力的解决方案，因为它们不仅可以过滤相关目标，还可以充分利用多样化、高分辨率的目标参数由现代雷达传感器提供。因此，本文提出了 PointNet + 长短期记忆 (LSTM)，用于增强基于目标列表的挑战性交通手势识别，将每帧特征提取与 PointNet 相结合，并从序列中学习 LSTM。该方法被推广以促进使用来自传感器网络的多基地雷达数据来利用略有不同的视角，这对于低径向速度的运动特别有用。所提出的方法在一个综合数据集上进行了验证，该数据集包含八个交通手势和从 35 名参与者记录的数据。使用由三个线性调频序列多输入多输出传感器组成的非相干雷达传感器网络在室内和室外进行测量。在这个具有挑战性的数据集上，我们的方法明显优于参考卷积神经网络，达到 所提出的方法在一个综合数据集上进行了验证，该数据集包含八个交通手势和从 35 名参与者记录的数据。使用由三个线性调频序列多输入多输出传感器组成的非相干雷达传感器网络在室内和室外进行测量。在这个具有挑战性的数据集上，我们的方法明显优于参考卷积神经网络，达到 所提出的方法在一个综合数据集上进行了验证，该数据集包含八个交通手势和从 35 名参与者记录的数据。使用由三个线性调频序列多输入多输出传感器组成的非相干雷达传感器网络在室内和室外进行测量。在这个具有挑战性的数据集上，我们的方法明显优于参考卷积神经网络，达到92.2 美元\%$交叉验证的准确性。