隨著科技的高速發(fā)展,越來(lái)越多的技術(shù)被運(yùn)用到人們的日常生活中來(lái),因此,通過(guò)科技使人們過(guò)上更加舒適簡(jiǎn)潔的生活也成為了當(dāng)今學(xué)術(shù)界和工業(yè)界的一致目標(biāo)。而近來(lái)人工智能的興起更是掀起了智能化生活的熱潮,其中,人機(jī)交互作為人與機(jī)器的交流方式,在智能化生活中更是必不可少。而手勢(shì)識(shí)別作為一種簡(jiǎn)單自然的交互方式,更是備受矚目,人們期望通過(guò)手勢(shì)識(shí)別使得人機(jī)交互變得方便自然,更加貼近人類(lèi)的生活習(xí)慣。因此,為了促進(jìn)動(dòng)態(tài)手勢(shì)識(shí)別準(zhǔn)確率的提升,本文主要做了如下工作:（1）針對(duì)動(dòng)態(tài)手勢(shì)識(shí)別中,需要盡量保留手勢(shì)視頻中含有運(yùn)動(dòng)信息的幀圖像的問(wèn)題,提出一種“關(guān)鍵幀”提取方法。首先,對(duì)手勢(shì)視頻做統(tǒng)一幀數(shù)處理,在對(duì)數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)分析的基礎(chǔ)上,確定網(wǎng)絡(luò)輸入視頻的基準(zhǔn)幀數(shù)。其次,在視頻采樣的過(guò)程中,為了盡量保留富含運(yùn)動(dòng)信息的“關(guān)鍵幀”,根據(jù)光流值可以代表運(yùn)動(dòng)劇烈程度的原理,使用一種基于光流的加權(quán)平均采樣方法,根據(jù)原始視頻中各段的平均光流值來(lái)對(duì)視頻按比例進(jìn)行采樣。最終獲得了幀數(shù)統(tǒng)一且含有豐富運(yùn)動(dòng)信息的手勢(shì)數(shù)據(jù)集。（2）針對(duì)動(dòng)態(tài)手勢(shì)具有時(shí)序特征以及深層網(wǎng)絡(luò)遇到的退化問(wèn)題,使用一種由殘差思想改進(jìn)的三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行手勢(shì)的特征提取。在動(dòng)... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

體感游戲（4）聾啞人交流

[4]。圖1.2 數(shù)據(jù)手套雖然以可穿戴設(shè)備為基礎(chǔ)的手勢(shì)識(shí)別技術(shù)因其精確的數(shù)據(jù)而可以達(dá)到較高的識(shí)別率，但是由于數(shù)字手套價(jià)格昂貴，體積較大，不方便攜帶等原因?qū)е缕浒l(fā)展受到了限制。而基于視覺(jué)的手勢(shì)識(shí)別是依靠攝像機(jī)采集到的手勢(shì)的圖像信息進(jìn)行識(shí)別，相較于數(shù)字手套，基于視覺(jué)的手勢(shì)識(shí)別更加方便靈活，貼合人類(lèi)的使用習(xí)慣，費(fèi)用也更加低廉，因此得到了更多的認(rèn)可�；谝曈X(jué)的手勢(shì)識(shí)別是讓計(jì)算機(jī)模擬人的眼睛，進(jìn)行非接觸式的手勢(shì)識(shí)別，其又可以分為靜態(tài)手勢(shì)識(shí)別和動(dòng)態(tài)手勢(shì)識(shí)別。靜態(tài)手勢(shì)識(shí)別是通過(guò)單幀圖像來(lái)表征一個(gè)手勢(shì)，通過(guò)分析計(jì)算手的形狀、位置、輪廓等信息來(lái)對(duì)手勢(shì)進(jìn)行識(shí)別分類(lèi)。一些傳統(tǒng)的分類(lèi)方法，如隨機(jī)森林[5]、模板匹配算法[6]等經(jīng)常被用于靜態(tài)手勢(shì)識(shí)別

域進(jìn)行連接。一個(gè)卷積核是一個(gè)權(quán)值矩陣，代表圖像的某一種特征，卷積核一般以隨機(jī)小數(shù)矩陣的形式初始化，并在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中通過(guò)學(xué)習(xí)得到合理的權(quán)值。圖2.2 卷積操作[36]卷積層通過(guò)卷積操作來(lái)提取上一層特征圖中的不同特征�！熬矸e”就是對(duì)圖像和濾波器（即卷積核）做內(nèi)積，即將對(duì)應(yīng)位置的元素相乘再求和，這就是卷積操作，如圖 2.2 所示。一個(gè)卷積核代表圖像的某一種特征，將它和圖像進(jìn)行卷積操作，就可以得到整個(gè)圖中對(duì)該特征的響應(yīng)，某個(gè)區(qū)域的響應(yīng)越強(qiáng)烈（即卷積值越大），說(shuō)明該區(qū)域含有該特征的可能性就越大，當(dāng)某個(gè)區(qū)域的響應(yīng)值大于一定閾值，就認(rèn)為該區(qū)域含有該卷積核所代表的特征。使用多個(gè)卷積核分別對(duì)圖像進(jìn)行卷積操作，就可以得到該圖像的多種特征。由于網(wǎng)絡(luò)的訓(xùn)練過(guò)程是將一個(gè)固定大小的矩陣（即卷積核）在圖像

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]光照不均圖像增強(qiáng)方法綜述[J]. 梁琳,何衛(wèi)平,雷蕾,張維,王紅霄.  計(jì)算機(jī)應(yīng)用研究. 2010(05)
[3]基于ANN/HMM的中國(guó)手語(yǔ)識(shí)別系統(tǒng)[J]. 吳江琴,高文,陳熙霖,劉偉.  計(jì)算機(jī)工程與應(yīng)用. 1999(09)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別研究[D]. 陳祖雪.陜西師范大學(xué) 2016
[2]基于CAS-GLOVE數(shù)據(jù)手套的手勢(shì)識(shí)別技術(shù)研究[D]. 江立.北京交通大學(xué) 2006



本文編號(hào)：3586846