1.一种毫米波雷达感知手势识别方法，其特征在于，所述方法包括以下步骤：

步骤1：设计动作手势和雷达参数，搭建毫米波雷达系统平台；

步骤2：人体站在平台采集处前方，进行手势动作变化，利用毫米波雷达发射线性调频信号，然后接收包含手势信息的回波信号，将发射信号和接收信号进行混频处理，得到中频信号；

步骤3：对数字中频信号先进行杂波预处理，然后利用两次FFT算法处理得到手势动作的距离和速度特征矩阵；

步骤4：选取设定时间的速度和距离特征，构建多种手势的动作特征数据集；

步骤5：对动作手势的特征数据集进行归一化处理，降低训练复杂度；

步骤6：从归一化的动作手势特征数据集中抽取一部分作为训练集，训练SVM模型；

步骤7：利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函数参数g，重复步骤6，不断重复训练以得到更好的网络模型；

步骤8：调用训练好的网络模型对验证集进行分类识别；

所述步骤1中，所述的动作手势为包含手臂运动的动作手势，其运动特征与整个手部以及手臂相关，所设计的雷达参数包括发射天线数目Ntx，接收天线数目Nrx，调频信号的起始频率fst，调频斜率Kslope，总帧数Nframe,每帧持续时间Tframe，每帧调频周期内的chirp数目Nchirp，每个chirp的周期Tchirp，每个chirp内的ADC采样点数Nadc，ADC采样频率Fsadc和ADC的采样时间Tramp_end，这些参数的设置根据所设计手势的最大的可测量距离D_max、最大的可测量速度V_max、距离分辨力D_res与速度分辨力V_res作为指标来确定，计算公式为：式中，c表示光速，λ表示调频中心频率所对应的波长，B表示调频带宽，与各参数直接的关系有：B＝KslopeTadc

Tramp_end为ADC的总采样时间，包含ADC采用的起始时间和有效采样时间

Tchirp为每个chirp的周期时间，由Tramp_end和一段闲置时间组成，因此在进行参数设计时要遵循：

2.如权利要求1所述的一种毫米波雷达感知手势识别方法，其特征在于，所述步骤2中，获取动作手势中频信号的过程是：利用工作在77‑81GHz的毫米波雷达，由Ntx个发射天线发射周期的FMCW信号，设置调频信号的起始频率fst，调频斜率Kslope，总帧数Nframe,每帧持续时间Tframe，每帧调频周期内的chirp数目Nchirp，每个chirp的周期Tchirp，每个chirp内的ADC采样点数Nadc，ADC采样频率Fsadc，ADC的采样时间Tramp_end参数后，Nrx个接收天线对人体动作手势的反射回波信号进行接收，共计Ntx×Nrx个通道，发射信号与反射信号经混频后，获得中频信号，再经数据采集板进行采样，得到数字中频信号。

3.如权利要求1所述的一种毫米波雷达感知手势识别方法，其特征在于，所述步骤3中，所述的对数字中频信号进行杂波预处理和计算手势动作的距离和速度特征矩阵，过程如下：a.按照所设置的雷达参数，将采集卡采集到的原始中频信号数据分为多个通道数据，对每一个通道数据利用EMD分解方法进行去噪，然后再将去噪后的每一个通道数据划分为Nframe个帧周期，每个帧周期再继续分为Nchirp个chirp信号，每个chirp信号包含Nadc个复数采样数据；

b.对任一通道、任一帧周期内的每一个chirp信号作一维快速傅里叶变换，得到不同调频周期的一维距离像信息，再利用谱峰位置搜索方法，利用已知中频信号频率，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目标，由此得到待测手势目标的距离时间特征；

c.然后对1D‑FFT处理后的信号在每个chirp同一距离下的相位再作FFT，则可得到手势目标的距离多普勒信息，利用距离像信息进行配准，得到速度不同的目标，最后得出不同动作的速度时间特征。

4.如权利要求1所述的一种毫米波雷达感知手势识别方法，其特征在于，所述步骤4中，所述的选取设定时间的速度和距离特征，构建多种手势的动作特征数据集的过程是：通过设置长度为Wframe的固定滑动帧窗，在每个手势的Nframe个帧内每隔Wframe个固定帧选取手势动作的距离和速度信息，组成距离特征矢量和速度特征矢量，并存入数据集；针对任一手势特征，每一个手势重复多次，从而保存多组手势动作的距离和速度特征矢量，从而建立起不同动作手势的特征数据集，以用于后续手势分类模型的训练。

5.如权利要求1所述的一种毫米波雷达感知手势识别方法，其特征在于，所述步骤6中，利用训练集对支持向量机SVM网络进行训练，为了降低训练复杂度以及实现非线性映射，采用支持向量机SVM中的RBF核函数，函数参数是c和g，c是用来控制损失函数的惩罚系数，需要在训练模型之前设置；g是核函数中的gamma函数设置，gamma相当于调整模型的复杂度。

6.如权利要求5所述的一种毫米波雷达感知手势识别方法，其特征在于，所述步骤7中，所述的利用改进网格搜索的算法优化SVM模型中的惩罚因子参数c和径向基核函数参数g，使模型能够拥有好的泛化能力和高的准确率，过程是：a.根据经验给出c和g的取值范围；

b.将参数值网格进行离散化，设置确定的搜索步长，并沿参数不同的增长方向创建网络，网络中的节点是相关的参数对；

c.在需要搜索的样本中，每个参数选择若干离散值，将c和g所有可能的组合挑选出来，以用于训练模型；经过搜索，最优参是选取训练之后的最佳参数；

d.将最优c和g代入支持向量机SVM中的训练函数，用特征数据集划分的训练集训练网络模型。