手勢識別是人-機交互領(lǐng)域的關(guān)鍵技術(shù)之一,其簡單、自然的特點深受研究人員的青睞,從交互角度而言,分為靜態(tài)手勢識別和動態(tài)手勢識別。近些年來汽車逐漸成為人們的代步工具,行車過程中難免有操作車載多媒體的需求,如打開音樂播放器、增大播放器音量等,此時駕駛員視線將偏離正常的行車路線,從而大大增加了交通事故發(fā)生的風(fēng)險。若能將手勢識別技術(shù)應(yīng)用于人車交互領(lǐng)域,將會有效地解決這個問題,因而意義非凡。傳統(tǒng)手勢識別算法和近些年的手勢識別算法基本上是在背景固定、光照不變及采集數(shù)據(jù)時相對穩(wěn)定的條件下進行,并不適用于實際車載場景。因此本文提出了車載場景下基于深度學(xué)習(xí)的手勢識別研究方法,其中深度神經(jīng)網(wǎng)絡(luò)可以自動提取適合分類的手勢特征,殘差網(wǎng)絡(luò)在訓(xùn)練網(wǎng)絡(luò)模型時可以有效地避免梯度消失;并對所提車載場景下基于關(guān)鍵點的深度殘差全連接網(wǎng)絡(luò)進行了識別性能和魯棒性的實驗。具體研究內(nèi)容如下:（1）對已有的手勢識別研究方法進行了調(diào)研,介紹了兩大類手勢識別方法:基于可穿戴設(shè)備的接觸式方法和基于計算機視覺的非接觸式方法。接觸式方法中介紹了利用數(shù)據(jù)手套進行手勢識別;非接觸式中介紹了傳統(tǒng)的基于攝像頭的識別方法和基于深度學(xué)習(xí)的手勢識別研究方法。... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

生物神經(jīng)元Fig2.2TheStructureofbiologicalneurons

安徽大學(xué)碩士學(xué)位論文9神經(jīng)網(wǎng)絡(luò)中加入激活函數(shù)，則可以逼近所有的非線性函數(shù)，復(fù)雜的非線性問題也可以得到解決。如今激活函數(shù)種類繁多，常見的有sigmoid函數(shù)、tanh函數(shù)、softmax函數(shù)、relu函數(shù)以及由relu變形的prelu函數(shù)、lrelu函數(shù)等。以下簡要介紹其中的幾種函數(shù)，最早的被研究人員所使用的激活函數(shù)是sigmoid函數(shù)，由于sigmoid函數(shù)的特性輸出范圍是(0,1)，見圖2.5，機器學(xué)習(xí)領(lǐng)域中處理的很多問題又為概率問題，所以sigmoid函數(shù)早期常被用做首選的激活函數(shù)。sigmoid激活函數(shù)常用在二分類的任務(wù)中，多分類中使用此激活函數(shù)不合適，其優(yōu)點使用簡單，缺點是當(dāng)輸出值較大或較小時，網(wǎng)絡(luò)參數(shù)很難更新，容易產(chǎn)生梯度彌散、計算時相對耗時，具有軟飽和性，sigmoid函數(shù)的表達式如公式(2.4)，x為輸入，下同。1sigmoid()1xxe(2.4)tanh激活函數(shù)是sigmoid的向下平移和伸縮，從圖2.4中sigmoid與tanh激活函數(shù)曲線可以看出，tanh激活函數(shù)經(jīng)過原點，其值域為(-1,1)，tanh激活函數(shù)中心化數(shù)據(jù)時的平均值更接近0，使用sigmoid時接近0.5。研究結(jié)果表明，當(dāng)tanh激活函數(shù)作用在隱藏層時，其效果總是優(yōu)于隱藏層上使用sigmoid激活函數(shù)的效果。但當(dāng)x的值較大或較小時，導(dǎo)數(shù)的梯度或者函數(shù)的斜率將會越來越趨近于零，梯度下降速度變慢。tanh激活函數(shù)的數(shù)學(xué)表達式如公式(2.5)所示：tanh()xxxxeexee(2.5)圖2.4激活函數(shù)sigmoid和tanh的曲線Fig2.4Thecurveofactivationfunctionssigmoidandtanh

安徽大學(xué)碩士學(xué)位論文11圖2.5激活函數(shù)relu和prelu的曲線Fig2.5Thecurvesofactivationfunctionsreluandprelu2.1.2反向傳播算法多層人工神經(jīng)網(wǎng)絡(luò)比較常用的一種學(xué)習(xí)算法即反向傳播算法，主要用到了梯度下降方法。梯度下降通常適用于可以求解得到誤差的情況，如邏輯回歸問題，可將此問題映射的網(wǎng)絡(luò)為沒有隱藏層的網(wǎng)絡(luò)，但一般情況下為了解決問題，我們設(shè)計的人工神經(jīng)網(wǎng)絡(luò)是包含多個隱藏層，輸出層直接求出誤差更新網(wǎng)絡(luò)參數(shù)，隱藏層的誤差未計算，直接應(yīng)該梯度下降則是不可行的，因此需要先將誤差反向傳遞給隱藏層后再進項梯度下降，這也是反向傳播算法的核心思想。激勵傳播和權(quán)重更新反復(fù)循環(huán)迭代是反向傳播算法的主要步驟，主要分為正向傳播和反向傳播過程，正向傳播時時，期望輸出的值與輸出層得到的值進行比對，若二者的誤差在可接受范圍內(nèi)則輸入；若該值與期望輸出的值之間的誤差不在可接受范圍之內(nèi)，則將二者誤差的平方和作為目標函數(shù)，進行反向傳播，逐層計算目標函數(shù)對神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，構(gòu)造目標函數(shù)對權(quán)值向量的梯量，權(quán)值進行相應(yīng)的修改，直到二者之間的誤差達到可接受范圍內(nèi)，整個網(wǎng)絡(luò)學(xué)習(xí)結(jié)束。反向傳播算法流程圖如圖2.6所示：

【參考文獻】：
期刊論文
[1]基于Kinect的動態(tài)手勢識別[J]. 王兵,董洪偉,張明敏,潘志庚.  傳感器與微系統(tǒng). 2018(02)
[2]基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計算機技術(shù)與發(fā)展. 2017(12)
[3]基于Kinect深度圖像的指尖檢測與手勢識別[J]. 高晨,張亞軍.  計算機系統(tǒng)應(yīng)用. 2017(04)
[4]復(fù)雜背景下的手勢識別方法[J]. 易靖國,程江華,庫錫樹.  數(shù)字技術(shù)與應(yīng)用. 2016(09)
[5]復(fù)雜背景下的手勢識別算法研究[J]. 丁毅,曹江濤,李平,姬曉飛.  自動化技術(shù)與應(yīng)用. 2016(08)
[6]深度學(xué)習(xí)應(yīng)用技術(shù)研究[J]. 毛勇華,桂小林,李前,賀興時.  計算機應(yīng)用研究. 2016(11)
[7]基于Dropout深度網(wǎng)絡(luò)的兩步圖像標注算法[J]. 楊陽,張文生,楊雪冰.  計算機科學(xué)與探索. 2015(12)
[8]基于幾何特征的手勢識別方法[J]. 林水強,吳亞東,陳永輝.  計算機工程與設(shè)計. 2014(02)
[9]基于多點觸摸的自然手勢識別方法研究[J]. 凌云翔,張國華,李銳,葉挺.  國防科技大學(xué)學(xué)報. 2010(01)
[10]基于遺傳算法和梯度下降的RBF神經(jīng)網(wǎng)絡(luò)組合訓(xùn)練方法[J]. 姜鵬飛,蔡之華.  計算機應(yīng)用. 2007(02)

碩士論文
[1]輪廓曲線的形狀描述與匹配算法研究[D]. 劉秀朋.南昌航空大學(xué) 2012
[2]基于幾何特征的手勢識別算法研究[D]. 何陽清.上海海事大學(xué) 2004
[3]Hausdorff距離在手勢識別中的運用[D]. 蘇九林.上海海事大學(xué) 2004



本文編號：3600893