1.一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：具体包含以下步骤：

步骤1，FMCW毫米波雷达系统初始化，配置手势采样的参数，包括收发天线对、采样点数、采样时间；

步骤2，FMCW毫米波雷达平台对不同手势动作进行采样，获得原始手势回波数据S(m)＝[S1(m),S2(m),…,SN(m)]，其中m，N分别代表毫米波雷达平台设置的采样点数和通道数，原始手势回波信号S(m)由采样点数m和通道数N构成二维矩阵；

步骤3，对原始手势回波数据S(m)进行截取筛选，雷达回波信号往往会有较强的杂波，例如静态物体反射、墙体多径，根据手势识别的特性设定相应的手势范围0‑1m，使范围内的手势信号得到显现，范围外的杂波得到剔除，获得有效手势数据SH(m)；

步骤4，对有效手势数据SH(m)进行动态信号处理，首先对信号进行杂波抑制，防止噪声和杂波对手势信号提取的干扰，然后在距离‑角度维上做傅里叶变换FFT形成距离‑角度图RAI，在距离‑速度维上做傅里叶变换FFT形成距离‑多普勒图RDI；

步骤5，基于DBSCAN密度聚类算法对RAI中的雷达目标点迹进行处理，选取点最多的一个簇，也就是手势轨迹的主体，去掉了无用点，同时减少数据量；

步骤6，将RDI和DBSCAN处理完的RAI进行尺度变换，缩放得到不同尺寸的图像RDI’、RAI’，在CNN中有不同的卷积层，将不同尺寸的特征图输入到不同的卷积层中，实现多尺度特征提取；

步骤7，RDI和RAI在经过CNN提取特征后得到了两个都为1*64的特征向量记为FRDI和FRAI，将FRDI和FRAI进行特征融合，形成一个2*64的新特征融合图Ffusion；

步骤8，Ffusion作为长短期记忆网络LSTM的输入，利用其记忆单元建立手势序列前后信息之间的联系，保留了融合特征在每一步之间的联系，生成最终的时序特征向量T，大小为

1*64；

步骤9，LSTM提取的时序特征向量T输出到全连接层，映射到数据样本标记空间D；

步骤10，最后通过Softmax函数得到概率p，根据最大概率p得到多尺度特征融合后对应的手势类别。

2.根据权利要求1所述的一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：步骤2中，通过FMCW毫米波雷达采集动态手势回波原始信号，设每个调频连续脉冲chirp的周期为t，S为频率增长斜率，τ为信号从雷达到手势然后返回的延迟，f为雷达的载波频率；雷达的发射信号X1表示为：X1＝sin(2πft+πSt·t)接收信号X2为：

2

X2＝sin[2πf(t‑τ)+πS(t‑τ) ]经过混频器和低通滤波器后，输出的中频信号X为：对上式进行一维傅里叶变换得到中频信号的频率为fIF，设手势目标到雷达的距离为d，光速为c，由公式

得所探测目标的距离d为：

上述是对一个线性调频脉冲chirp的处理过程，对连续多个chirp进行相同的处理然后拼接成一帧数据。

3.根据权利要求1所述的一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：步骤4中，假设一个物体以v的速度运动，为了识别运动目标，雷达以Tc为间隔连续发送两个chrip信号，则到达接收端两个chrip信号的相位差ω与移动速度v相关为：其中λ为调频信号的波长；

距离‑多普勒图RDI即可通过以下处理得到：通过FFT处理，产生一个具有不同的分离峰值的频谱，每个峰值表示在特定距离处存在物体；进一步取每个有效数据同一距离下的相位做FFT，在同一距离下区分速度不同的多个目标；则经过做相位FFT后，得到每个目标的相位差ω1、ω2，进而得到速度不同的目标，此时得到手势特征图，即距离‑多普勒图RDI。

4.根据权利要求1所述的一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：步骤4中，利用FMCW毫米波雷达的接收天线中两两相邻之间的相位差求和，然后再平均；即由：

得相位差为：

故根据上式的相位差算出目标的角度：其中l为天线之间的距离；

得到了角度估计，最后只取速度不为0的手势点为有效点，对于连续多帧的雷达数据处理后，得到一个完整动态手势的轨迹图，即距离‑角度图RAI。

5.根据权利要求1所述的一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：步骤6中，对RDI和处理过的RAI进行多尺度的缩放，将原始尺寸大小的64*64缩小至32*32。

6.根据权利要求1所述的一种基于FMCW毫米波雷达的多尺度特征融合手势识别方法，其特征在于：步骤8中，每一步的特征信息通过遗忘门ft决定从单元状态中去除Ct‑1的部分信息，再通过输入门it决定在单元状态中存储输入的信息Ct，如下所示：其中，σ(·)表示sigmoid函数，Wf、Wi和Wc是LSTM单元中的权重，bf、bi和bc是对应的偏置；

最后，将输入门的结果通过输出门得到隐层状态ht和输出信息ot，如下所示：