正文
散射波传播的距离会对应波的相位变化，目标的径向运动会引起回波的频率变化（多普勒效应），雷达算法通过提取回波的相位、频率变化信息就能够获得目标的距离和速度信息。
基于雷达的手势识别技术就是通过对手运动过程中的雷达回波的特征分析来识别手势的。
目前手势识别雷达有两种方案：
电磁波探测和超声波探测。
雷达方案与机器视觉方案相比不仅不受光照条件的限制，而且采集的数据量小，系统功耗更低、体积更小。
与计算机视觉方案擅长识别静态手势不同，雷达方案更擅长识别动态（运动的）手势。
超声波雷达和电磁波雷达原理相似，但是由于同样波长的超声波的频率要比电磁波低6个数量级，因此超声波雷达收发电路可以在几十到几百千赫的频率下工作，电路设计难度和工作功耗都大大低于电磁波雷达（电磁波雷达通常需要几十千兆赫的毫米波波段）。
超声波与电磁波相比的另一优点是它和无线通信设备之间不会互相干扰。
无论是电磁波还是超声波的手势识别，
其关键难点都在于识别算法，为了支持更加丰富的手势、减轻用户的疲劳感，研究表明手指的小幅运动是最为理想的近距离操控手势，我们将这种以手的形变动作为主要信号的手势称为“微手势”。微手势涉及手部多个关节的运动，此时，人手被看作一种做复杂不规则变形的非刚体目标。雷达回波信号不能像视频信号那样直观反映手势信息，微手势采用传统的基于规则的方式难以识别，而借助机器学习技术我们就可以为每种预定义的手势建立一个识别模型，基于从回波中提取的特征，根据训练得到的模型，自动完成手势分类。此外，由于可穿戴设备通常电池容量有限，为了保证足够的待机时间和响应速度，手势识别算法的计算不能过于复杂；从应用场景来看，要求用户提供手势样本、参与识别模型的训练并不现实，因此，识别算法还要具有足够高的跨用户识别准确率，也就是说基于其他人群的手势数据训练得到的模型可以准确识别没有参加训练的用户的手势。这些问题和要求对手势识别算法的研究提出了挑战。
近年来，清华大学微电子学研究所的李翔宇副研究员课题组围绕基于超声波的手势识别技术开展研究，并在系统设计和跨用户识别算法方面取得了进展。
课题组搭建了一个可以进行3D微手势识别的原型系统（见下图），为了能够识别手的各个维度的运动，这一系统采用了一个发射器和3个“品”形排列的接收器。
下图给出了用于测试系统性能的8种手势的照片。
为了扩大操作范围，课题组选用了宽照射角度的40千赫的超声波换能器。
利用超声波频率低的优点，该系统的收发机用数字信号直接作为激励信号，采用数字解调方式，简化了系统的硬件设计。
该系统把手势目标看成由多个运动的散射中心组成的非刚体目标，回波信号则是每个散射中心回波信号的叠加。
因此，经过解调后的3路回波信号首先要经过预处理转化成距离-多普勒图像（RDM），这种图像能够反映回波能量在不同径向距离和径向速度上的分布。
不同时刻采样测量得到的RDM组成一组帧序列，就是用于识别的原始数据。
